Aviso
Agora você está saindo do support.minitab.com.
Clique em Continuar para prosseguir para:
Um coeficiente de regressão descreve o tamanho e a direção da relação entre um preditor e variável de resposta. Os coeficientes são os números pelos quais os valores do termo são multiplicados em uma equação de regressão.
Use o coeficiente para determinar se uma mudança na variável preditora pode tornar o evento mais ou menos provável. O coeficiente estimado para uma preditora representa a mudança na função de ligação para cada mudança de unidade na preditora, enquanto as outras preditoras no modelo são consideradas constantes. A relação entre o coeficiente e a probabilidade depende de diversos aspectos da análise, incluindo a função de ligação, o evento de referência da resposta e os níveis de referência das preditoras categóricas que estão no modelo. Geralmente, os coeficientes positivos tornam o evento mais provável e os coeficientes negativos tornam o evento menos provável. Um coeficiente estimado próximo de 0 sugere que o efeito da preditora é pequeno.
A interpretação dos coeficientes estimados para preditoras categóricas depende do nível de referência da preditora. Coeficientes positivos indicam que o primeiro evento é mais provável no nível da preditora do que no nível de referência do fator. Os coeficientes negativos indicam que o evento é mais provável no nível da preditora do que no nível de referência.
A função de ligação logit fornece a interpretação mais natural dos coeficientes estimados e é, portanto, a ligação padrão no Minitab. A interpretação usa o fato de que as chances de um evento de referência sejam P(evento)/P(não evento) e supõe que as outras preditoras permanecem constantes. Quanto maiores as chances do log, mais provável é o evento de referência. Portanto, os coeficientes positivos indicam que o evento torna-se mais provável e coeficientes negativos indicam que o evento torna-se menos provável. Segue-se um resumo de interpretações para diferentes tipos de preditoras.
O erro padrão do coeficiente estima a variabilidade entre a estimativa do coeficiente que seria obtida caso fossem extraídas amostras da mesma população por vezes seguidas. O cálculo pressupõe que o tamanho da amostra e os coeficientes para estimativa permaneceriam os mesmos caso fossem extraídas repetidas amostras.
Use o erro padrão do coeficiente para medir a precisão da estimativa do coeficiente. Quanto menor o erro padrão, mais precisa é a estimativa.
Esses intervalos de confiança (IC) são intervalos de valores que provavelmente contêm o o valor verdadeiro do coeficiente para cada termo no modelo. O cálculo dos intervalos de confiança usa a distribuição normal. O intervalo de confiança é exato se o tamanho da amostra é grande o suficiente de forma que a distribuição do coeficiente da amostra siga uma distribuição normal.
Como as amostras são aleatórias, é improvável que duas amostras de uma população produzam intervalos de confiança idênticos. No entanto, se você extrair muitas amostras aleatórias, uma determinada porcentagem dos intervalos de confiança resultantes conterá o parâmetro populacional desconhecido. A porcentagem destes intervalos de confiança que contém o parâmetro é o nível de confiança do intervalo.
Use o intervalo de confiança para avaliar a estimativa do coeficiente de população para cada termo no modelo.
Por exemplo, com um nível de confiança de 95%, é possível ter 95% de certeza de que o intervalo de confiança contém o valor do coeficiente para a população. O intervalo de confiança ajuda a avaliar a significância prática de seus resultados. Use seu conhecimento especializado para determinar se o intervalo de confiança inclui valores que tenham significância prática para a sua situação. Se o intervalo for muito amplo para ser útil, pense em aumentar o tamanho da amostra.
O valor Z é uma estatística de teste para testes de Wald que mede a razão entre o coeficiente e seu erro padrão.
O Minitab usa o valor Z para calcular o valor-p, que pode ser usado para a tomada de uma decisão sobre a significância estatística dos termos e do modelo. O teste de Wald é exato quando o tamanho da amostra é grande o bastante de forma que a distribuição dos coeficientes da amostra segue uma distribuição normal.
Um valor-z que está suficientemente longe de 0 indica que a estimativa do coeficiente é amplo e preciso o bastante para ser estatisticamente diferente de 0. Inversamente, um valor-z que está perto de 0 indica que a estimativa do coeficiente é muito pequena ou muito imprecisa para estar certa de que o termo tem um efeito na resposta.
Os testes na tabela Deviance são testes da razão de verossimilhança. O teste na exibição expandida da tabela Coeficientes são os testes de aproximação Wald. Os testes da razão de verossimilhança são mais precisos para amostras pequenas do que os testes de aproximação Wald.
O valor-p é uma probabilidade que mede a evidência contra a hipótese nula. As probabilidades inferiores fornecem evidências mais fortes contra a hipótese nula.
O fator de inflação da variância (VIF) indica quanto da variância de um coeficiente está inflado devido a multicolinearidade.
Use o VIF para descrever quanta multicolinearidade existe em uma análise de regressão. A multicolinearidade é problemática porque ela pode aumentar a variância dos coeficientes de regressão, tornando difícil avaliar o impacto individual que cada uma das preditoras tem na resposta.
| VIF | Multicolinearidade |
|---|---|
| VIF = 1 | Nenhum |
| 1 < VIF < 5 | Moderado |
| VIF > 5 | Alto |
Para obter mais informações sobre a multicolinearidade e como minimizar seus efeitos, veja Multicolinearidade em regressão.
Quando você padroniza as variáveis contínuas, os coeficientes representam uma mudança de uma unidade nas variáveis padronizadas. Normalmente, você padroniza as preditoras contínuas para reduzir a multicolinearidade ou para colocar as variáveis em uma escala comum.
Como você usa os coeficientes codificados depende do método de padronização. A interpretação exata dos coeficientes também depende dos aspectos da análise como a função de ligação. Os coeficientes positivos tornam o evento mais provável. Coeficientes negativos tornam o evento menos provável. Um coeficiente estimado próximo de 0 implica que o efeito da preditora é pequeno.
Cada coeficiente representa a mudança esperada na média da resposta transformada dado que a preditora muda em 1 unidade na escala codificada.
Por exemplo, um modelo usa temperatura em graus Celsius e tempo em segundos. Para temperatura, a codificação faz 0 corresponder a 50 graus Celsius e 1 corresponder a 100 graus Celsius. Para tempo, a codificação faz 0 corresponder a 30 segundos e 1 corresponder a 60 segundos. O coeficiente para temperatura representa um aumento de 50 graus Celsius. O coeficiente para tempo representa um aumento de 30 segundos.
Cada coeficiente representa a mudança esperada na média da resposta transformada dado que a variável preditora muda em 1 desvio padrão.
Por exemplo, um modelo usa temperatura em graus Celsius e tempo em segundos. O desvio padrão da temperatura é 3,7 graus Celsius. O desvio padrão de tempo é 18,3 segundos. O coeficiente para temperatura representa um aumento de 3,7 graus Celsius. O coeficiente para tempo representa um aumento de 18,3 segundos.
Cada coeficiente representa a mudança esperada na média da resposta transformada dado que a preditora muda em 1.
Por exemplo, um modelo usa temperatura em graus Celsius e tempo em segundos. O coeficiente para temperatura representa um aumento de 1 grau Celsius. O coeficiente para tempo representa um aumento de 1 segundo.
Cada coeficiente representa a mudança esperada na média da resposta transformada dado que a variável preditora muda em 1 desvio padrão.
Por exemplo, um modelo usa temperatura em graus Celsius e tempo em segundos. O desvio padrão da temperatura é 3,7 graus Celsius. O desvio padrão de tempo é 18,3 segundos. O coeficiente para temperatura representa um aumento de 3,7 graus Celsius. O coeficiente para tempo representa um aumento de 18,3 segundos.
Cada coeficiente representa a mudança esperada na média da resposta transformada dado que a variável preditora muda pelo divisor.
Por exemplo, um modelo usa o comprimento em metros e a corrente elétrica em amperes. O divisor é 1.000. O coeficiente do comprimento representa um aumento de 1 milímetro. O coeficiente para corrente elétrica representa um aumento de 1 miliampere.
Cada coeficiente representa a mudança esperada na média da resposta transformada dado que a preditora muda em 1 unidade na escala codificada.
Por exemplo, um modelo usa temperatura em graus Celsius. A codificação faz 0 corresponder a 50 graus Celsius e 1 corresponder a 100 graus Celsius. O coeficiente para temperatura representa um aumento de 50 graus Celsius. O coeficiente para temperatura é 1,8. Quando a temperatura aumenta em 1 unidade codificada, a temperatura aumenta em 50 graus e o log natural das chances aumenta em 1,8.
Cada coeficiente representa a mudança esperada no log natural das chances do evento dado que a variável preditora muda em 1 desvio padrão.
Por exemplo, um modelo usa temperatura em graus Celsius. O desvio padrão da temperatura é 3,7 graus Celsius. O coeficiente codificado para temperatura é 1,4. Quando a temperatura aumenta em 1 unidade codificada, a temperatura aumenta em 3,7 graus Celsius e o log natural das chances aumenta em 1,4.
Cada coeficiente representa a mudança esperada no log natural das chances do evento dado que a preditora muda em 1.
Por exemplo, um modelo usa temperatura em graus Celsius. O coeficiente para temperatura representa um aumento de 1 grau Celsius. O coeficiente para temperatura é 2,3. Quando a temperatura aumenta em 1 unidade codificada, a temperatura aumenta em 1 graus Celsius e o log natural das chances aumenta em 2,3.
Cada coeficiente representa a mudança esperada no log natural das chances do evento dado que a variável preditora muda em 1 desvio padrão.
Por exemplo, um modelo usa temperatura em graus Celsius. O desvio padrão da temperatura é 3,7 graus Celsius. O coeficiente para temperatura é 1,4. Quando a temperatura aumenta em 1 unidade codificada, a temperatura aumenta em 3,7 graus Celsius e o log natural das chances aumenta em 1,4.
Cada coeficiente representa a mudança esperada no log natural das chances do evento dado que a variável preditora muda pelo divisor.
Por exemplo, um modelo usa o comprimento em metros e a corrente elétrica em amperes. O divisor é 1.000. O coeficiente do comprimento representa um aumento de 1 milímetro. O coeficiente para comprimento é 5,6. Quando o comprimento aumenta em 1 unidade codificada, o comprimento aumenta em 1 milímetro e o log natural das chances aumenta em 5,6. O coeficiente para corrente elétrica representa um aumento de 1 miliampere.
Para regressão logística binária, o Minitab mostra dois tipos de equações de regressão. A primeira equação diz respeito à probabilidade do evento para a resposta transformada.A primeira equação se relaciona ao número de eventos da resposta transformada. A forma da primeira equação depende da função de ligação.
A segunda equação relaciona as preditoras à resposta transformada. Se o modelo contiver preditoras contínuas e categóricas, a segunda equação pode ser separada para cada combinação de categorias. Para obter mais informações sobre como escolher o número de equações a ser exibido, vá para Selecione os resultados a serem exibidos para Ajustar modelo logístico binário.
Use as equações para examinar a relação entre a resposta e as variáveis preditoras.
A primeira equação mostra a relação entre a probabilidade e a resposta transformada por causa da função de ligação do logit.
A segunda equação mostra como a renda e se um cliente tem filhos estão relacionados à resposta transformada. Quando o cliente não tem filhos, o coeficiente para renda é de cerca de 0,04. Quando o cliente tem filhos, o coeficiente é de cerca de 0,02. Para essas equações, quanto mais renda o cliente tem, mais provavelmente ele comprará o produto. Contudo, a rende tem um efeito mais forte em se o cliente compra o produto quando o cliente não tem filhos.
| P(1) | = | exp(Y')/(1 + exp(Y')) |
|---|
| Crianças | |||
|---|---|---|---|
| Não | Y' | = | -3,549 + 0,04296 Renda |
| Sim | Y' | = | -1,076 + 0,01565 Renda |
Se seu modelo for não-hierárquico e você tiver padronizado as preditoras contínuas, a equação de regressão estará em unidades codificadas. Para obter mais informações, consulte a seção em Coeficientes Codificados. Para obter mais informações sobre hierarquia, vá para O que são modelos hierárquicos?.
Agora você está saindo do support.minitab.com.
Clique em Continuar para prosseguir para: