Análise multivariável

Apresentação em tema: "Análise multivariável"— Transcrição da apresentação:

1 Análise multivariável
Modalidade de análise estatística para se determinar a contribuição específica de cada variável em um processo multicausal com uma única variável resposta Estudo simultâneo de variáveis independentes (ou de vários fatores de risco) em relação a um único evento resposta

2 Termos correlatos Análise multivariada - estudo simultâneo de vários fatores de risco associados a um evento multivariado (medido por mais de uma variável resposta) Análise univariada - descrição de uma única variável Análise bivariada - associação entre duas variáveis

3 Alguns tipos de análise multivariável

4 Regressão Linear Múltipla
O peso ao nascer está associado com a altura aos 18 anos após levar em conta o efeito do comprimento ao nascer? Altura aos 18 anos =  + 1 Peso ao nascer + 2 Comprimento ao nascer

5 Altura= + 1 peso ao nascer
regress altura peso Source | SS df MS Number of obs = F( 1, 2061) = Model | Prob > F = Residual | R-squared = Adj R-squared = Total | Root MSE = altura | Coef. Std. Err t P>|t| [95% Conf. Interval] peso | _cons |

6 Altura=133,23+(0,86x3)+(0,80x49) Altura=133,23+2,58+39,2 Altura=175,01
regress altura peso comprim Source | SS df MS Number of obs = F( 2, 2060) = Model | Prob > F = Residual | R-squared = Adj R-squared = Total | Root MSE = altura | Coef. Std. Err t P>|t| [95% Conf. Interval] peso | comprim | _cons | Altura=133,23+(0,86x3)+(0,80x49) Altura=133,23+2,58+39,2 Altura=175,01

7 Pressupostos da análise Regressão linear múltipla
Distribuição normal Linearidade Homocedasticidade

8 Distribuição normal Homocedasticidade
< 2,5 2- 2,5 |- 2, ,0 |- 3,4 4- 3,5 |- 4,  4,0

9 Linearidade

10 Transformação Se os pressupostos forem violados - transformação de variáveis logarítmica ou outra criação de variáveis “dummy”, usando pontos de corte ou quartis termo quadrático além da variável original

11 Tamanho da amostra Regressão Linear
REGRA - para cada variável independente incluída no modelo são necessários pelo menos 5 a 10 observações Ex: modelo para identificar fatores associados à altura aos 18 anos com 10 variáveis independentes - 50 a 100 observações.