Pensa em Estatística, 3ª Edição

Capítulo 11. Regressão múltipla

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: [e-mail]

O ajuste de mínimos quadrados lineares no capítulo anterior é um exemplo de regressão, que é o problema mais geral de modelar a relação entre um conjunto de variáveis, chamadas variáveis de resposta ou variáveis dependentes, e outro conjunto de variáveis, chamadas variáveis explicativas ou variáveis independentes.

Nos exemplos do capítulo anterior, há apenas uma variável resposta e uma variável explicativa, o que é chamado de regressão simples. Neste capítulo, passamos à regressão múltipla, com mais de uma variável explicativa, mas ainda assim apenas uma variável resposta. Se houver mais do que uma variável de resposta, trata-se de regressão multivariada, que não será abordada neste livro.

Modelos de estatísticas

No capítulo anterior utilizámos a função SciPy linregress para calcular o ajuste dos mínimos quadrados. Esta função efectua regressão simples, mas não regressão múltipla. Para isso, utilizaremos StatsModels, um pacote que fornece várias formas de regressão e outras análises.

Como primeiro exemplo, vamos continuar a explorar os dados dos pinguins. Quando carregarmos os dados, utilizaremos o seguinte dicionário para dar às colunas nomes que não contenham espaços, o que facilitará a sua utilização com StatsModels:

columns = {
    "Body Mass (g)": "mass",
    "Flipper Length (mm)": "flipper_length",
    "Culmen Length (mm)": "culmen_length" ...