Regressão linear múltipla

Transcrição

1 Pós-Graduação em Agronomia - CPGA-Solos Análise Multivariada Aplicada as Ciências Agrárias Regressão linear múltipla Carlos Alberto Alves Varella

2 Objetivo da disciplina Ensinar modelagem estatística de fenômenos naturais aos alunos de pósgraduação utilizando técnicas da estatística multivariada.

3 Ementa da disciplina Regressão linear múltipla Regressão linear múltipla para dados repetidos Validação da predição Correlação múltipla Análise de componentes principais Análise discriminante de Fisher Análise de variância multivariada - MANOVA Análise de variáveis canônicas

4 Avaliações Uma Prova Trabalhos semanais Trabalho final: Cada aluno deverá apresentar um seminário e um trabalho escrito sobre aplicações de técnicas da estatística multivariada em sua tese.

5 Recursos computacionais SAS: recomendado para análises estatísticas multivariadas por Revistas de nível internacional.

6 Local para baixar arquivos da disciplina pela Internet multivariada.htm

7 Modelos Lineares (revisão) Universidade Federal Rural do Rio de Janeiro CPGA-CS

8 Modelos lineares Seja Y a variável que queremos predizer a partir de um conjunto de variáveis preditoras X, X,..., X p. Então podemos escrever: Y f X,X,,X, Y representa a resposta; X,X,..., X p são as variáveis estudadas; ε representa outro conjunto de variáveis não consideradas no estudo; p

9 Requisitos da função f Deve prestar-se ao tratamento matemático; Deve ser adequada para o conjunto de dados em estudo; Deve ser simples ou pelo menos mais simples dentre as concorrentes.

10 Condição para que um modelo seja linear Um modelo para as observações Y será linear se: (Y ) Vamos estudar o caso em que os erros são normalmente distribuídos, independentes e homocedásticos. Y, ~ N, Este modelo é definido como Modelo Linear de Gauss-Markov-Normal.

11 A superfície de resposta É a superfície gerada pelos valores da variável de resposta. O modelo linear para uma única variável de resposta Y com p variáveis preditoras é: Y i X i X i p X pi e i i,,,n. Y i = superfície de resposta n = número de observações; p = número de variáveis preditoras. O modelo linear é a chave do negócio, isto é, tem inúmeras aplicações na estatística multivariada.

12 Conseqüências da estimação Duas situações são encontradas na modelagem. A matriz X X de variáveis preditoras X é de posto coluna completo. Neste caso o modelo é chamado de posto completo ou modelo de regressão. É o modelo que estamos estudando;. A matriz X X de variáveis preditoras X é de posto coluna incompleto. Neste caso o modelo é chamado de posto incompleto é o modelo da ANOVA (ANalysis Of VAriance)

13 Conseqüências da estimação Posto ou Rank de matrizes Número de linhas ou colunas linearmente independentes de uma matriz. Em nosso caso, o posto é o número de colunas linearmente independentes da matriz X X, sendo X a matriz dos valores das variáveis preditoras ou independentes No programa computacional MATLAB o comando rank faz uma estimativa do posto de matrizes.

14 Conseqüências da estimação Condições para que a matriz X X seja de posto coluna completo O posto ou rank da matriz X X deve ser igual a p+, ou seja: posto X' X p p é o número de variáveis preditoras estudas no modelo.

15 Conseqüências da estimação Condições para que a matriz X X tenha inversa (X X) - As matrizes que possuem inversa são chamadas NÃO SINGULARES. Somente matrizes quadradas podem ser não singulares. Contudo, nem toda matriz quadrada é não singular;

16 Conseqüências da estimação Quando uma matriz quadrada é singular? Seu determinante é nulo; det(x X) Ao menos uma de suas raízes características é nula. As raízes características são os autovalores da matriz; eig(x X) Seu posto é menor que p; rank(x X) Não é definida positiva ou negativa.

17 Conseqüências da estimação Matriz definida positiva (negativa) Quando todos os autovalores são positivos (negativos).

18 Regressão Linear Múltipla

19 Introdução É uma técnica da estatística multivariada utilizada para a predição de valores de uma ou mais variáveis de resposta (dependentes) a partir de diversas variáveis preditoras ou independentes. JOHNSON, R. A.; WICHERN, D. W. Applied multivariate statistical analysis. 5th ed. Upper Saddle River, New Jersey: Prentice-Hall,, 767 p.

20 Introdução (Cont.) Pode também ser utilizada para estudar o efeito dos preditores sobre as variáveis de resposta. Primeiro trabalho sobre o assunto: Regression Towards Mediocrity in Heredity Stature. Journal of the Anthropological Institute, 5 (885) Mediocridade em função da estatura hereditária Estatística UNIVARIADA. Segundo JOHNSON & WICHERN () nesse artigo o autor não percebeu a importância da técnica para análises multivariadas.

21 Modelagem da Regressão Linear

22 Pressuposições da modelagem O modelo utilizado é o de Gauss-Markov-Normal Pressupõe que a resposta apresenta uma média. Pressupõe ainda que essa média contem erros provenientes de medições aleatórias e de outras fontes não explicitadas pelo modelo. O erro, e conseqüentemente a resposta, são tratados como variáveis aleatórias, que o comportamento é caracterizado assumindo-se uma distribuição NORMAL para os dados experimentais.

23 Estimadores dos parâmetros pelo método dos mínimos quadrados Este método consiste em se determinar o estimador que minimiza a soma do quadrado das diferenças entre valores observados e valores preditos pelo modelo. Y X é o modelo linear Queremos determinar ˆ o estimador de

24 O erro do modelo na forma matricial é: X Y p pn n n p p n n, X X X X X X X X X X, Y Y Y,Y e e e O problema consiste em se ajustar um modelo de regressão. O erro da modelagem Estimadores dos parâmetros pelo método dos mínimos quadrados

25 Modelo de regressão O estimador de beta é chamado de beta chapéu e pode ser determinado por outros métodos de minimização do erro, como por exemplo o método da máxima verossimilhança.,n.,,,i X ˆ X ˆ X ˆ ˆ Ŷ pi p i i i p ˆ ˆ ˆ ˆ Estimadores dos parâmetros pelo método dos mínimos quadrados

26 Estimadores dos parâmetros pelo método dos mínimos quadrados O método dos mínimos quadrados Sabendo que o erro do modelo é: Y X Então o somatório ao quadrado das diferenças dos erros pode ser representado na forma matricial por: Z Y X De acordo com o método temos que minimizar Z

27 Estimadores dos parâmetros pelo método dos mínimos quadrados Minimização da função Z Z Y X Z ' Y X Y X Z Y' ' X' Y X Z Y' Y Y' X ' X' Y ' X' X As matrizes Y Xβ e β X Y uma é a transposta da outra e são de dimensão x, então as matrizes são iguais.

28 Estimadores dos parâmetros pelo método dos mínimos quadrados Diferenciando a função Z Z Y' Y ' X' Y ' X' X dz d' X' Y d' X' X ' X' X d As matrizes (dβ )X Xβ e β X X(dβ) uma é a transposta da outra e são de dimensão x, então as matrizes são iguais. dz dz d' X' Y d' X' d' X' X X' Y X

29 Estimadores dos parâmetros pelo método dos mínimos quadrados Fazendo com que a diferencial de Z seja igual a zero dz Para que a diferencial de Z seja zero d' X' X X' Y Para que dz seja zero, (X Xβ-X Y) deve ser igual a zero. X' X ˆ X' Y

30 Estimadores dos parâmetros pelo método dos mínimos quadrados O beta chapéu Assim é chamado o vetor estimador dos parâmetros de beta. O vetor beta chapéu é determinado resolvendo-se o sistema de equações normais: X' X ˆ X' Y

31 Estimadores dos parâmetros pelo método dos mínimos quadrados Solução do sistema de equações normais Multiplicando-se ambos os membros do sistema de equações por X' X ˆ X' Y X' X Temos: X' X X' X' X X' Y X ˆ X' X X' Y ˆ O modelo de regressão pressupõe um beta chapéu único não tendencioso (blue). Mas isso precisa de ser testado.

32 Regressão Linear Múltipla Conseqüências da estimação O modelo que estamos estudando é o Linear de Gauss-Markov-Normal. Y X, ~ N, Y X este é o erro do modelo

33 Conseqüências da estimação da A média do modelo linear Y população, média' X '. é a esperança matemática também conhecido como Quando trabalhos com dados experimentais assumimos que o estimador da média x barra pode representar a média μ da população. Mas depois precisamos testar se isso é verdadeiro.

34 Conseqüências da estimação Os valores preditos pelo modelo Ŷ em X ˆ modelo, isto é, valores obtidos função são os valores de uma combinação linear de valores de variáveis estimador de,o ˆ. preditos para Y preditoras pelo X e do Quando trabalhos com dados experimentais determinamos o beta chapéu a partir de amostras da população. Por isso é que precisamos testar se esse beta é mesmo estimador não tendencioso.

35 Conseqüências da estimação O erro do modelo de regressão ˆ Y Ŷ ajustado, também chamado de resíduo ou desvio. Y X ˆ é o erro do modelo Este é o erro que calculamos quando trabalhamos com dados experimentais. É um vetor que descreve a distribuição dos dados experimentais. Muitas inferências sobre nossos dados podem ser feitas analisando-se esse vetor.

36 Conseqüências da estimação O que queremos modelar Y Y Ŷ ˆ : é o fenômeno que queremos modelar; Ŷ : é a modelagem do ˆ : é o erro na modelagem do fenômeno estudado; fenômeno. Quando trabalhos com dados experimentais assumimos que nossas observações são capazes de modelar o fenômeno, e depois testamos.

37 Prática Na tabela abaixo apresentamos os valores de uma amostra de 6 observações das variáveis Y i, X i e X i. Y i X i X i,5 6,5, 4,,5 4 6,5 3 6 Fonte: Apostila de INF 664 Modelos Lineares. Adair José Regazzi,UFV, Viçosa,.

38 Montar do sistema de equações normais X Quando a regressão é com intercepto adicionados uma coluna de uns na matriz de dados. X com intercepto X X sem intercepto 6,5,5,, 6,5,5 Y Resposta Y Prática

39 Obtenção da matriz X X Esta matriz é obtida multiplicando-se a transposta da matriz X por ela mesma X X' Prática

40 Obtenção da matriz X Y Esta matriz é obtida multiplicando-se a transposta da matriz X pelo vetor Y. 57 6,5,5,, 6,5, Y X' Prática

41 Prática Sistema de equações normais Estimativa de beta pelos método dos mínimos quadrados Bˆ Bˆ Bˆ ˆ : é o intercepto da equação de regressão; Y i e : são os regressores. 3X i X i : é a equação de regressão

42 Programa na linguagem MATLAB

43 Exemplos de comandos do Programa computacional MATLAB

44 Vetor de parâmetros Resultados obtidos no Programa computacional MATLAB Posto da matriz Determinante da matriz Autovalores da matriz

45 Análise de Variância da Regressão Linear

46 Análise de variância da regressão linear A análise de variância da regressão é a estatística utilizada para testar os regressores. A hipótese nula é que todos os regressores são iguais e zero. Caso isso não ocorra o resultado da análise é significativo, isto é, rejeita-se a hipótese nula. A análise de variância não testa o intercepto. H : p

47 Algumas Pressuposições do Modelo Beta chapéu é um estimador não tendencioso: ˆ A esperança do erro do modelo é zero e a esperança da variância dos erros é constante: e V I

48 Variâncias e Covariâncias do Vetor Estimador dos Parâmetros O vetor estimador dos parâmetros é beta chapéu: A covariância deste vetor é: Cov ( ˆ) [( ˆ ) ( ˆ ) ' ] (X'X) ˆ) Cov( ˆ) ( X ' X ) s ( ( ' ) Cov X X ˆ s é o Quadrado médio do resíduo.

49 Soma de Quadrado do Resíduo Soma dos quadrados dos desvios entre os valores observados e os estimados pela equação de regressão. SQ Re s n i Y i Ŷ i Escrito na forma matricial é: SQ Re s Y' Y ˆ' X' Y

50 Soma de Quadrado Total SQTotal n i Y i n i Y n i Matricialmente podemos escrever: SQTotal Y' Y c c n Y' u u' u é um vetor de s de dimensão n x. Y

51 Soma de Quadrado da Regressão SQ Re g n i Ŷ i Y Na forma matricial escrevemos: SQ Re g ˆ' X' Y n Y' uu' Y

52 Esquema da análise de variância Causa de variação da regressão GL SQ QM F Regressão p ˆ ' X ' Y c SQReg/p Resíduo n-p- Y ' Y ˆ ' X ' Y SQRes/n-p- Total n- Y ' c n =número de observações; p =número de variáveis Análise para dados não repetidos Y QM Re g QM Re s

53 Teste F dos parâmetros F é utilizado para testar a hipótese: H : p É o mesmo que testar se: p Se os erros e i têm distribuição normal e se o quociente F QM Re g QM Re s tem distribuição F (central) com p e n-p- graus de liberdade.

54 Quando o teste F é significativo? Quando F é maior que o tabelado; Quando rejeitamos a hipótese nula; Contudo não é possível concluir quais parâmetros são significativos; Exceto para o caso particular de p=.

55 Teste t dos parâmetros Utilizado para testar hipótese a respeito dos parâmetros da regressão. A estatística utilizada é: t ˆ i i s( ˆ ) i, associado a (n - p -) gl. O teste é significativo quando t é maior que o valor tabelado.

56 Hipóteses a Respeito dos Parâmetros no Modelo Linear A hipótese de nulidade pode ser construída a partir de m combinações lineares independentes H : c' c é uma matriz com m linhas e p+ colunas c' [c c c c p ]

57 θ é um vetor m-dimensional de constantes conhecidas. m

58 Estatística F usada para testar a hipótese H :c =θ Estatística de Wald Para teste F simultâneo dos parâmetros F(H ) (C' ˆ )' [C'(X' X) m ˆ C] (C' ˆ ) Sendo verdadeira a hipótese de nulidade a estatística F(H ) tem distribuição F com m e n-posto[x]=n-p- graus de liberdade.

59 Exemplo: testar a hipótese H : = = Posto [c ]=m= e : H : c' H 3 3 ˆ ' c 3 3 ˆ ' c

60 Exemplo: testar a hipótese H : = = c'(x' x) c c'(x' x) c , 5

61 Exemplo: testar a hipótese H : = = ˆ s QMR y' y n ˆ' x' y p 6 3,, 5,5 F(H ) 6, 75 ** F (;3) 3, 8 (,) % Rejeita-se a hipótese H : = =

62 Estatística t usada para testar a hipótese H :c =θ Podemos usar t para testar hipóteses a respeito de combinações lineares dos parâmetros t c' ˆ c', Vˆ( c' ˆ) associado a (n - p -) gl. n p n posto(x) GLR

63 Teste Simultâneo dos Parâmetros Testa uma única hipótese; Testa um vetor de betas; Não é o mesmo que testar os betas separadamente. Isto é, testar H : e H : Não é o mesmo que testar H : ou H :

64 Programa SAS (reg_cap.sas) proc reg data=sas.ind_v9; /*ndvi rnir gnir arvi savi gndvi*/ model N = gndvi; output out=p p=yhat r=resid; print p; run; quit; proc reg; model yhat=n; test N=, intercept=; run; plot yhat*n; run; quit;

65 Output do SAS Análise de variância do modelo de regressão The SAS System 3:5 Thursday, October 7, 9 5 The REG Procedure Model: MODEL Dependent Variable: N N Analysis of Variance Sum of Mean Source DF Squares Square F Value Pr > F Model Error Corrected Total 4 7 Root MSE 8.48 R-Square.767 Dependent Mean 6. Adj R-Sq.593 Coeff Var

66 Teste t dos beta-chapéu do modelo de regressão Parameter Estimates Parameter Standard Variable Label DF Estimate Error t Value Pr > t Intercept Intercept NDVI NDVI RNIR RNIR GNIR GNIR ARVI ARVI SAVI SAVI GNDVI GNDVI

67 Níveis de N preditos pelo modelo Dependent Predicted Obs Variable Value Residual Sum of Residuals E- Sum of Squared Residuals Predicted Residual SS (PRESS) 8335

68 Gráfico: Predito x Observado

69 Conclusão O modelo de regressão multivariado proposto não pode ser utilizado para predizer níveis de N aplicados no solo.

70 Exemplo de regressão linear múltipla com duas vaiáveis independentes Y X X,5 6,5 4,5 4 6,5 3 6

71 Programa SAS

72 Resumo do Stepwise

73 Valores preditos

74 Regressão entre predito e observado

75 Validação da predição