Conteúdo principal
Curso: Estatística e probabilidade > Unidade 15
Lição 1: Conclusões sobre uma inclinação- Introdução à inferência sobre inclinação em regressão linear
- Condições para inferência em inclinação
- Intervalo de confiança para uma inclinação de uma reta de regressão
- Intervalo de confiança para uma inclinação
- Calcular o T estatístico para a inclinação de uma reta de regressão
- Estatística de teste para inclinação
- Como usar um valor-p para tirar conclusões em um teste sobre inclinação
- Como usar o intervalo de confiança para testar uma inclinação
- Como tirar conclusões sobre uma inclinação
© 2024 Khan AcademyTermos de usoPolítica de privacidadeAviso de cookies
Condições para inferência em inclinação
Introdução às condições para se fazer um intervalo de confiança ou fazer um teste de uma inclinação com a regressão dos mínimos quadrados.
Quer participar da conversa?
Nenhuma postagem por enquanto.
Transcrição de vídeo
RKA7MP - Olá, meu amigo ou minha amiga!
Tudo bem com você? Seja muito bem-vindo ou bem-vinda a
mais um vídeo da Khan Academy Brasil! Neste vídeo, vamos conversar sobre
como podemos usar uma regressão linear, em particular, a inclinação de uma
regressão linear com base em dados de uma amostra para fazer inferências sobre a inclinação da verdadeira linha de
regressão da população. Neste vídeo, o que vamos pensar é sobre quais são as condições para inferência quando estamos lidando
com linhas de regressão. De certa forma, isso vai ser parecido com as condições para inferência
de que conversamos quando a gente estava fazendo
o teste de hipótese em intervalos de confiança para
médias e proporções. Mas, também, teremos algumas
novas condições. Vamos começar a observar cada uma
dessas condições aqui agora. A primeira é meio óbvia porque precisamos ter algo que
seja quase linear. Então, temos que ter algo que seja linear porque estamos pensando
em uma regressão linear. Essa condição diz para a gente
que existe uma relação real na população entre as variáveis "x" e "y". Agora, em muitos casos,
você pode apenas ter que assumir que essa condição vai ser atendida. Na verdade, em muitos momentos,
você vai assumir que todas as condições serão atendidas, até porque, em muitas avaliações, só está sendo exigido que você saiba
sobre essas condições. Mas isso é algo que podemos ver depois. Continuando aqui.
Um detalhe sobre a relação linear é que se, de fato,
não tiver uma relação linear, algumas das suas referências podem acabar
não dando conta de todos os dados. Vamos para a próxima agora,
que é algo que já vimos antes, é a condição de independência. Existem algumas formas diferentes
de pensar sobre isso. Mas, de uma forma geral, podemos dizer que qualquer observação individual é independente uma da outra. Então, nesse caso, ou você está diante
de uma amostra com reposição ou podemos usar a regra de 10%, aquela que fizemos quando pensamos sobre a condição de independência
para proporções e médias, onde precisamos nos sentir
confiantes de que o tamanho da amostra não é maior do que 10%
do tamanho da população. Agora, a próxima é a condição normal de que também já falamos quando fizemos inferências para proporções e para médias, embora signifique algo um pouco
mais sofisticado quando estamos lidando com uma regressão. Em diversos momentos,
a gente também vai assumir que a condição normal foi atendida. Para compreender isso, vamos desenhar
uma linha de regressão, mas vamos fazer isso com um
pouco de perspectiva. Eu vou adicionar uma terceira dimensão. Digamos que este seja o eixo "x" e digamos que este seja o eixo "y". A verdadeira linha de
regressão da população se parece com isto. A condição normal nos diz que para qualquer dado "x"
na verdadeira população, você espera que a distribuição
de "y" seja normal. Vamos tentar desenhar uma
distribuição normal para os "y" de cada "x" dado. Isto aqui é uma distribuição normal. E aí, vamos dizer que, para
esse "x" bem aqui, a gente também espera uma
distribuição normal, mais ou menos assim. Então, se temos "x", a distribuição
de "y" deve ser normal. Mais uma vez, muitas vezes você
só vai assumir que isso é verdade, porque, pelo menos em uma aula
introdutória de estatística, isso pode ser um pouco difícil
de descobrir por conta própria. Agora, a próxima condição
está relacionada a isso, a essa ideia de variância igual. Vamos escrever aqui, variância igual. E isso é apenas dizer que cada uma
dessas distribuições normais deve ter a mesma variação
para um determinado "x". Aí, você pode dizer que isso tem
uma variância igual. Ou você pode até pensar sobre isso como sendo um desvio padrão igual. Por exemplo, se para um dado "x", digamos que para este "x",
de repente, você tenha uma variância muito menor,
mais ou menos assim. Você não atenderia suas condições
para inferência. Por último, mas não menos importante, isso é algo que já vimos muitas vezes, é a condição aleatória. E isso diz que os dados vêm de
uma amostra aleatória bem projetada ou algum tipo de experimento aleatório. E essa condição a gente tem visto
em diversos momentos para inferir em tudo o que vimos até agora. Então, isso é mais tranquilo
de compreender. Mais uma vez, é importante dizer que
tudo isso aparece em diversas avaliações. Na maioria dos casos,
as questões vão dizer que é para você assumir que as condições
para inferência foram atendidas ou, ainda, perguntar a você
quais são as condições de inferência. Mas essas questões não vão pedir que você faça uma demonstração
dessas condições. Como, por exemplo, a condição normal
ou a condição de variância igual. Afinal, isso pode ser um pouco demais para uma aula introdutória de estatística. Enfim, meu amigo ou minha amiga,
espero que você tenha compreendido tudo direitinho
o que conversamos até aqui. Mais uma vez, quero deixar para você
um grande abraço e até a próxima!