Regressão Linear (OLS) no SPSS com análise de pressupostos

Análise completa de regressão linear com pressupostos de normalidade e homocedasticidade analisados.

###
A regressão verifica-se se uma determinada variável pode ser predita a partir de uma ou de um conjunto de outras variáveis explicativas.
O relacionamento estudado não implica causa e efeito (que deve vir da teoria).

###
𝑌𝑖 = 𝛽0 + 𝛽1X1 + 𝛽2X2 + ... + 𝛽kXk+𝐸𝑖
i = 1, 2, ..., n
k = 1, 2, ..., m

Teste de hipóteses dos estimadores

Intercepto

𝐻0: 𝛽_0=0
𝐻_1:𝛽_0≠0

Estimadores das variáveis independentes (i = 1, 2, ..., n)

𝐻0: 𝛽i=0
𝐻1: 𝛽i≠0

##Pressupostos

A verificação de normalidade pode ser feita tanto visualmente (histogramas), ou por testes ou por medidas de assimetria e curtose dos resíduos do modelo.

Assimetria e curtose entre -1 e 1 no SPSS.

O teste de Shapiro-Wilk tem mais poder do que o Kolmogorov-Smirnov.

Em amostras grandes (maiores que 30 ou 40), qualquer desvio de normalidade é detectado. Logo, em amostras grandes, a violação de normalidade não deve ser um problema grave.

Ghasemi A, Zahediasl S. Normality Tests for Statistical Analysis: A Guide for Non-Statisticians. Int J Endocrinol Metab. 2012;10(2):486-9. DOI: 10.5812/ijem.3505

Valor mínimo aceitável do VIF (FIV): 5,0
Verificar se há correlações entre as variáveis independentes superiores a 0,70.



▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬
Music by Wavecont,
#Video Link:    • Wavecont - Uplifting Corporate [Copyright ...  
▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬