1.5 Análise de Variância

Você está aqui

No caso de um modelo linear simples, no qual temos apenas uma variável explicativa, testar a significância do modelo corresponde ao seguinte teste de hipóteses


\beta_1 \neq 0.\\\end{array}\right.$$

  Na seção sobre os testes dos parâmetros do modelo, utilizamos a estatística t-student realizar este teste de hipóteses. Aqui, vamos introduzir de análise de variância (ANOVA) para testarmos a hipótese $ \mbox{H}_0 $. Além disso, mostraremos que os dois testes são iguais. Assumimos  o "Modelo de Regressão Linear Simples" com a suposição de que os erros tem distribuição Normal.

A análise de variância é baseada na decomposição da soma de quadrados. Em outras palavras, o desvio de uma observação em relação à média pode ser decomposto como o desvio da observação em relação ao valor ajustado pela regressão mais o desvio do valor ajustado em relação à média, isto é, podemos escrever $ (Y_i-\bar{Y}) $ como


$$(Y_i-\bar{Y})=(Y_i-\bar{Y}+\widehat{Y}_i-\widehat{Y}_i)=(\widehat{Y}_i-\bar{Y})+(Y_i-\widehat{Y}_i), ~~~~~~(1.3.1).$$

 

1.5.1 Soma de Quadrados

Elevando cada componente de (1.3.1) ao quadrado e somando para todo o conjunto de observações, obtemos


$$\sum_{i=1}^n(Y_i-\bar{Y})^{2} = \sum_{i=1}^n(\widehat{Y}_i - \bar{Y})^2 + \sum_{i=1}^n(Y_i-\widehat{Y}_i)^{2},$$

em que


$$\sum_{i=1}^n(Y_i-\bar{Y})^{2}=SQT~~~~\mbox(é\ a\ Soma\ de\ Quadrados\ Total);$$


$$\sum_{i=1}^n(\widehat{Y}_i-\bar{Y})^2=SQR~~~~\mbox(é\ a\ Soma\ de\ Quadrados\ da\ Regressão)\ e$$


$$\sum_{i=1}^n(Y_i-\widehat{Y}_i)^2=SQE~~~~\mbox(é\ a\ Soma\ de\ Quadrados\ dos\ Erros\ (dos\ Resíduos)).$$

Desta forma, escrevemos


$$SQT=SQR+SQE,$$

em que decompomos a Soma de Quadrados Total em Soma de Quadrados da Regressão e Soma de Quadrados dos Erros. 

Prova:


$$SQT=\sum_{i=1}^n(Y_i-\bar{Y})^{2}=\sum_{i=1}^n(Y_i-\bar{Y}+\widehat{Y}_i-\widehat{Y}_i)^{2}=\sum_{i=1}^n((Y_i-\widehat{Y}_i)+(\widehat{Y}_i-\bar{Y}))^{2}$$


$$=\sum_{i=1}^n(\widehat{Y}_i-\bar{Y})^{2}+\sum_{i=1}^n2(Y_i-\widehat{Y}_i)(\widehat{Y}_i-\bar{Y})+\sum_{i=1}^n(Y_i-\widehat{Y}_i)^{2}.$$

Notemos que


$$\sum_{i=1}^n2(Y_i-\widehat{Y}_i)(\widehat{Y}_i-\bar{Y})=\sum_{i=1}^n2(Y_i\widehat{Y}_i-Y_i\bar{Y}-\widehat{Y}_i^2+\widehat{Y}_i\bar{Y}).$$

Como visto em "Algumas propriedades do ajuste de mínimos quadrados", 


$$\sum_{i=1}^n e_i=\sum_{i=1}^n(Y_i-\widehat{Y}_i)=0\Rightarrow\sum_{i=1}^n Y_i=\sum_{i=1}^n \widehat{Y}_i$$

e


$$\sum_{i=1}^n(\widehat{Y}_ie_i)=\sum_{i=1}^n\widehat{Y}_i(Y_i-\widehat{Y}_i)=0\Rightarrow\sum_{i=1}^n(\widehat{Y}_iY_i)=\sum_{i=1}^n(\widehat{Y}_i^2).$$

Desta forma, 


$$\sum_{i=1}^n2(Y_i\widehat{Y}_i-Y_i\bar{Y}-\widehat{Y}_i^2+\widehat{Y}_i\bar{Y})=2(\sum_{i=1}^n\widehat{Y}_i^2-\bar{Y}\sum_{i=1}^nY_i-\sum_{i=1}^n\widehat{Y}_i^2+\bar{Y}\sum_{i=1}^n\widehat{Y}_i)=$$


$$=2(-\bar{Y}\sum_{i=1}^nY_i+\bar{Y}\sum_{i=1}^n\widehat{Y}_i)=2(-\bar{Y}\sum_{i=1}^nY_i+\bar{Y}\sum_{i=1}^nY_i)=0.$$

e portanto,


$$SQT=\sum_{i=1}^n(Y_i-\bar{Y})^{2}=\sum_{i=1}^n(\widehat{Y}_i-\bar{Y})^{2}+\sum_{i=1}^n(Y_i-\widehat{Y}_i)^{2}=SQR+SQE.$$

Conforme demonstramos na seção propriedade dos estimadores, ao tomarmos os pares i=1,\cdots ,n\} $, temos que $ SQT=S_{yy} $ e $ SQE=S_{yy}-\hat{\beta}_1S_{xy} $. Portanto, concluímos que $ SQR=\hat{\beta}_1S_{xy} $.

 

1.5.2 Partição dos Graus de Liberdade

Assim como temos a decomposição da soma de quadrados total, vamos derivar uma decomposição para os graus de liberdade. ë importante ressaltarmos que os graus de liberdade são definidos como a constante que multiplica $ \sigma^2 $ para definir o valor esperado da soma de quadrados. Conforme demonstrado na seção propriedade dos estimadores, temos que $ \mathbb{E} [SQE]=(n-2)\sigma^2 $.  Assim, os graus de liberdade relacionado com a $ SQE $ é dado por $ n-2 $. 

Agora, sob \beta_1=0 $, temos que $ Y_1, \cdots , Y_n $ é uma amostra aleatória simples de uma população com média $ \beta_0 $ e variância $ \sigma^2 $. Conforme demonstrado no módulo de inferência sobre propriedades gerais dos estimadores, temos que $ \mathbb{E} [SQT]=(n-1)\sigma^2 $.  Então, como a soma de quadrados total foi decomposta na soma de quadrados dos erros mais a soma de quadrados da regressão, concluímos que sob $ \mbox{H}_0 $,

$$\mathbb{E}[SQR]=\mathbb{E}[SQT]-\mathbb{E}[SQE]=(n-1)\sigma^2+(n-2)\sigma^2=\sigma^2.$$

Com isso, concluímos que a $ SQR $ tem um grau de liberdade. 

Assim, sob $ \mbox{H}_0 $, obtemos a seguinte decomposição dos graus de liberdade:

(1) $ SQT $ tem $ n-1 $ graus de liberdade;

(2) $ SQR $ tem $ 1 $ grau de liberdade;

(3) $ SQE $ tem $ n-2 $ graus de liberdade.

De forma geral, não necessariamente sob $ \mbox{H}_0 $, também podemos calcular facilmente o valor esperado da soma de quadrado total. Para isto, temos que

$$SQT=\sum_{i=1}^n(Y_i-\bar{Y})^2=\sum_{i=1}^nY_{i}^2-n(\bar{Y})^2.$$

A partir da definição de variância de uma variável aleatória, concluímos que

$$\mathbb{E}(Y_{i}^2) = Var(Y_{i}) + (\mathbb{E}(Y_{i}))^2 = \sigma ^2 + (\beta_0 + \beta_1 x_{i})^2$$

. Da mesma forma, temos que

$$\mathbb{E}(\bar{Y^2}) = Var(\bar{Y}) + (\mathbb{E}(\bar{Y}))^2 = \frac{\sigma^2}{n} + (\beta_0 + \beta_1\bar{x})^2$$

. Portanto, obtemos que

$$\mathbb{E}(SQT) = (n-1)\sigma^2 + \sum_{i=1}^{n}(\beta_0 + \beta_1 x_{i})^2 - n (\beta_0 + \beta_1 \bar{x})^2$$

. Observe que sob $ \mbox{H}_0 $, obtemos que $ \mathbb{E}[SQT]=(n-1)\sigma^2 $. Por outro lado, o valor esperado do quadrado médio da regressão é dado por,

$$\mathbb{E}(SQR) = (n-1)\sigma^2 + \sum_{i=1}^{n}(\beta_0 + \beta_1 x_{i})^2 - n (\beta_0 + \beta_1 \bar{x})^2-(n-2)\sigma^2 =$$
$$\sigma^2 + \sum_{i=1}^{n}(\beta_0 + \beta_1 x_{i})^2 - n (\beta_0 + \beta_1 \bar{x})^2 =$$
$$ \sigma^2 + \beta_1^2 S_{xx}$$

.

1.5.3 Quadrado Médio

A ideia básica do quadrado médio está em tornarmos as somas de quadrados comparáveis. Sabemos que, sob $ \mbox{H}_0 $, os graus de liberdade são constantes que vem muliplicando o $ \sigma^2 $ no cálculo do valor esperado  da soma de quadrados. A partir da partição dos graus de liberdade obtidos na seção anterior,  estimadores de momentos para $ \sigma^2 $ são dados pela divisão da soma de quadrados pelo seu respectivo grau de liberdade. Com isso, chegamos a definição dos quadrados médios:


$$QMR=\dfrac{SQR}{1}=SQR=\sum_{i=1}^n(\widehat{Y}_i-\bar{Y})^2~~~~\mbox(é\ o\ Quadrado\ Médio\ da\ Regressão)\ e$$


$$QME=\dfrac{SQE}{n-2}=\dfrac{\displaystyle\sum\limits_{i=1}^n(Y_i-\widehat{Y}_i)^2}{n-2}~~~~\mbox(é\ o\ Quadrado\ Médio\ dos\ Erros\ (dos\ Resíduos)).$$

Sob $ \mbox{H}_0 $, tanto o quadrado médio dos erros (QME) quanto o quadrado médio da regressão (QMR) são estimadores de momento para $ \sigma^2 $. Portanto, eles são comparáveis. A seguir, apresentamos algumas formas simplificados para o cálculo das somas de quadrados.  Como visto em "Propriedades dos Estimadores",


$$SQE=\sum_{i=1}^n(Y_i-\bar{Y})^2-\widehat{\beta}_1\sum_{i=1}^n(x_i-\bar{x})Y_i=S_{YY}-\widehat{\beta}_1S_{xY}.$$

Além disso,


$$SQT=\sum_{i=1}^n(Y_i-\bar{Y})^2=S_{YY}.$$

Desta forma, 


$$SQR=SQT-SQE=\sum_{i=1}^n(Y_i-\bar{Y})^2-\left(\sum_{i=1}^n(Y_i-\bar{Y})^2-\widehat{\beta}_ 1\sum_{i=1}^n(x_i-\bar{x})Y_i\right)=\widehat{\beta}_1\sum_{i=1}^n(x_i-\bar{x})Y_i=\widehat{\beta}_1S_{xY},$$

e portanto,


$$QMR=\widehat{\beta}_1\sum_{i=1}^n(x_i-\bar{x})Y_i~~\mbox{e}$$


$$QME=\dfrac{\displaystyle\sum\limits_{i=1}^n(Y_i-\bar{Y})^2-\widehat{\beta}_1\displaystyle\sum\limits_{i=1}^n(x_i-\bar{x})Y_i}{n-2}.$$

 

1.5.4 Teste F

Considerando o Modelo de Regressão Linear Simples, a siginificância do modelo linear pode ser avaliada através do seguinte teste de hipóteses


\beta_1 \neq 0.\\\end{array}\right.$$

Se não rejeitamos $ \mabox{H}_0 $, concluímos que não existe relação linear significativa entre as variáveis explicativa (x) e dependente (Y). A estratégia para testarmos a hipótese $ \mbox{H}_0 $ consiste em compararmos o quadrado médio da regressão com o quadrado médio dos erros, pois sob $ \mbox{H}_0 $, ambos quadrados médios são estimadores de momentos para o parâmetro $ \sigma^2 $. Para isto precisamos do teorema de Cochran.  

Teorema de Cochran

Sejam $ Z_1,~Z_2,~...,~Z_p $ variáveis aleatórias independentes com distribuição $ N(0,1) $. Conforme demonstrado na seção sobre a distribuição qui-quadrado, sabemos que

$$\sum_{i=1}^{p}Z_{i}^{2}~~\mbox{possui distribuição}~~\chi^{2}_{(p)}.$$

Se tivermos


$$\sum_{i=1}^{p}Z_{i}^{2}=Q_1 + Q_2 + ... + Q_q,$$

em que $ Q_i~,~i = 1, 2,...,q~~(q \leq p) $ são somas de quadrados, cada um com $ p_i $ graus de liberdade, tal que


$$p=\sum^{q}_{i=1}p_i,$$

então obtemos que $ Q_i\sim \sigma^2\chi^{2}_{(p_i)} $ e são independentes para qualquer $ i=1, 2,..., q $.

 

Sob $ \mbox{H}_0, $ temos que $ Y_1,\cdots ,Y_n $ é uma amostra aleatória simples da $ N(\beta_0,\sigma^2) $. Com isso, obtemos da seção que aborda as propriedades dos estimadores da média e variância de uma população normal, que 


$$\chi_T=\dfrac{SQT}{\sigma^2}\sim\chi_{(n-1)}^2.$$

Assim, através do teorema de Cochran, concluímos que


$$\chi_E=\dfrac{SQE}{\sigma^2}\sim\chi_{(n-2)}^2\,\mbox { e}$$


$$\chi_R=\dfrac{SQR}{\sigma^2}\sim\chi_{(1)}^2,$$

tem distribuição  qui-quadrado com $ n-2 $ e $ 1 $ graus de liberdade, respectivamente. Além disso, temos que $ \chi_E $ e $ \chi_R $ são independentes. Desta forma, propomos a estatística do teste


$$F_0=\dfrac{\dfrac{\chi_R}{1}}{\dfrac{\chi_E}{n-2}}=\dfrac{\dfrac{SQR}{\sigma^2}}{\dfrac{SQE}{(n-2)\sigma^2}} = \dfrac{QMR}{QME}.$$

Como $ F_0 $ é a divisão de duas variáveis qui-quadrado, cada uma dividida pelos seus graus de liberdade e são independentes, segue que $ F_0 $ tem distribuição F com $ 1 $ grau de liberdade no numerador e $ n-2 $ graus de liberdade no denominador, denotada por $ F_{(1,n-2)} $. Através da partição dos graus de liberdade obtido na seçao 1.5.2, obtemos que

$$\mathbb{E}[QME]=\sigma^2 \quad \mbox{e} \quad \mathbb{E}[QMR]=\sigma^2+\beta^2_1S_{xx}.$$

Estes valores esperados nos sugerem que que valores grandes de $ F_0 $ nos indiam que $ \beta_1 $ deve ser diferente de zero, ou seja, devemos rejeitar $ H_0 $. Logo, rejeitamos $ \mbox{H}_0 $ com um nível de significância $ \alpha $ se $ F_0\textgreater F_{(1-\alpha,1,n-2)} $, no qual $ F_{(1-\alpha,1,n-2)} $ representa o quantil $ (1-\alpha) $ da distribuição $ F(1,n-1) $. Outra maneira é analisar o p_valor. Neste caso, rejeitamos $ \mbox{H}_0 $ se $ \mbox{p\_valor}=P[F_{(1;n-2)} \textgreater F_0]\textless\alpha $, no qual $ \alpha $ é o nível de significância estabelecido para o teste. 

Na tabela a seguir apresentamos a tabela ANOVA com a Estatística do Teste F.

Fonte GL Soma de Quadrados Quadrado Médio $ F_0 $
Regressão 1 $ SQR=\widehat{\beta}_1 \displaystyle\sum\limits_{i=1}^n(x_i-\bar{x})Y_i $ $ QMR=SQR $ $ F_0=\dfrac{QMR}{QME} $
 
Resíduo $ n-2 $ $ SQE=\displaystyle\sum\limits_{i=1}^n(Y_i-\bar{Y})^2 - \widehat{\beta}_1 \displaystyle\sum\limits_{i=1}^n(x_i-\bar{x})Y_i $ $ QME=\displaystyle{\dfrac{SQE}{(n-2)}} $
Total $ n-1 $ $ SQT=\displaystyle\sum\limits_{i=1}^n(Y_i-\bar{Y})^2 $    

Tabela: Análise de significância usando ANOVA.

 

Exemplo 1.5.1

Construir a tabela da ANOVA para o exemplo dado na "Motivação 1". 

clique aqui para efetuar o download dos dados utilizados nesse exemplo

Solução:

$$SQT = S_{yy} = 706,80;$$
$$SQE = S_{yy}-\widehat{\beta}_1 S{xy} = 41,16\quad\mbox{e}$$
$$SQR=SQT-SQE=706,80-41,16=665,64.$$

Assim, 


$$F_0=\dfrac{QMR}{QME}=\dfrac{\dfrac{665,64}{1}}{\dfrac{41,16}{18}}=\dfrac{665,64}{2,29}=291,10.$$

A tabela da ANOVA é então, dada por

Fonte GL Soma de Quadrados Quadrado Médio $ F_0 $
Regressão 1 665,64 $ \dfrac{665,64}{1}=665,64 $ $ \dfrac{665,64}{2,29}=291,10 $
 
Resíduo 18 41,16 $ \dfrac{41,16}{18}=2,29 $
Total 19 706,80  

Tabela: Análise de significância usando ANOVA.

Para $ \alpha=0,05 $, obtemos que $ F_{(0,95;1;18)}=4,4138. $

Logo, 


$$F_0=291,1\textgreater 4,4138=F_{(0,95;1;18)}$$

Além disso, 


$$\mbox{P\_valor}=P[F_{1;18}\textgreater F_0]=0,000\textless 0,05=\alpha.$$

Portanto, rejeitamos $ \mbox{H}_0 $ com um nível de confiança de $ 95\% $ e concluímos que a variável explicativa tem correlação com a variável resposta.

 

Interpretação do P-valor

Quando o p-valor é aproximadamente zero significa que, se a hipótese nula $ (\text{H}_0) $ for verdadeira, a chance de $ F $ exceder o valor observado $ (\text{F}_0) $ é praticamente nula. Esta é uma evidência muito forte, contra $ \text{H}_0. $ Um p-valor pequeno fornece evidências contra $ \text{H}_0. $ Por exemplo, se fixarmos um nível de significância  ($ \alpha $), então poderemos dizer que uma hipótese nula é rejeitada a este nível, quando o p-valor é menor do que esse $ \alpha $.  

 

Usando o Software Action temos os seguintes resultados:

 Para entender como executar essa função do Software Action, você pode consultar o manual do usuário.

Análise de Regressão

Sobre o Portal Action

O Portal Action é mantido pela Estatcamp - Consultoria Estatística e Qualidade, com o objetivo de disponibilizar uma ferramenta estatística em conjunto com uma fonte de informação útil aos profissionais interessados.

Facebook

CONTATO

  •  Maestro Joao Seppe, 900, São Carlos - SP | CEP 13561-180
  • Telefone: (16) 3376-2047
  • E-Mail: [email protected]