Regressão Linear

Matriz de correlação

Ferramenta estatística que exibe os coeficientes de correlação entre diferentes variáveis, mostra a força e direção da relação linear entre elas. 

                  Observações- dias Tamanho do stame
Observações- dias         1.0000000        0.1139966
Tamanho do stame          0.1139966        1.0000000

Há uam correlação forte (+1) sobre as variáveis, ou seja, o tamanho de estames aumenta juntamente com os dias de observação.

A disperssão dos dados não mostram uma tendência clara, provavelmente mostrando uma correlação fraca.

Correlacionando a matriz

                  Observações- dias Tamanho do stame
Observações- dias         1.0000000        0.1139966
Tamanho do stame          0.1139966        1.0000000

Indica uma correlação fraca e positiva

Diagrama de dispersão

Não há evidência de relação linear forte, confirmando correlação baixa (0.11).

Modelo de regressão

Resultados da Regressão Linear

	Variável	Estimativa (β)	Erro Padrão	Valor t	p-valor
(Intercept)	(Intercept)	5.2779000	0.3418396	15.439698	<0.001
`Observações- dias`	`Observações- dias`	0.0126538	0.0229946	0.550296	0.5874
Estatísticas do Modelo: R² = 0.013 ; R² Ajustado = -0.03 ; F = 0.3 ; p = 0.5874

*Variável dependente= tamanho dos estames (y)

*Variáveis independentes= dias de observação (x)

Estimativa do coeficiente (0.0127), indica um leve aumento mas o erro padrão (0.022) indica que provavelmente não tem significância estatística.

Resultados da Análise de Variância (ANOVA)

	Estatísticos
Fonte de Variação	Soma dos Quadrados	Graus de Liberdade	Quadrado Médio	Valor F	p-valor
`Observações- dias`	0.2081558	1	0.2081558	0.3028256	0.5874216
Residuals	15.8097002	23	0.6873783	NA	NA
Nota:
Significância: *** p < 0.001; ** p < 0.01; * p < 0.05

Apenas 1,3% davariação do tamanho dos estames é explicada pela modificação do n° de observações

*soma dos quadrados=quanto do tamanho é explicado pelas observações

*soma dos quadrados residual= variação não explicada pelo modelo.

Diagrama de disperssão (com reta)

Análise dos resíduos (diagnóstico do modelo)

A distribuição mostra que contempla as premissas (linearidade e homocedasticidade). Sem outlier, uso estatístico efetivo, mas modelo pouco explicativo.

Q-Q- resíduos quase normais, com leves desvios = normalidade dos resíduos

Scale-Location- Homocedasticidade atendida (tendência a uma reta).

Resíduos com distribuição normal

Teste de Normalidade de Shapiro-Wilk

	Teste	Estatística.W	p.valor
W	Shapiro-Wilk	0.9689	0.6185

0.618>0.005 = os resíduos seguem uam distribuição normal.