Regressão Linear (OLS) no SPSS com análise de pressupostos

Análise completa de regressão linear com pressupostos de normalidade e homocedasticidade analisados. ### A regressão verifica-se se uma determinada variável pode ser predita a partir de uma ou de um conjunto de outras variáveis explicativas. O relacionamento estudado não implica causa e efeito (que deve vir da teoria). ### 𝑌𝑖 = 𝛽0 + 𝛽1X1 + 𝛽2X2 + ... + 𝛽kXk+𝐸𝑖 i = 1, 2, ..., n k = 1, 2, ..., m Teste de hipóteses dos estimadores Intercepto 𝐻0: 𝛽_0=0 𝐻_1:𝛽_0≠0 Estimadores das variáveis independentes (i = 1, 2, ..., n) 𝐻0: 𝛽i=0 𝐻1: 𝛽i≠0 ##Pressupostos A verificação de normalidade pode ser feita tanto visualmente (histogramas), ou por testes ou por medidas de assimetria e curtose dos resíduos do modelo. Assimetria e curtose entre -1 e 1 no SPSS. O teste de Shapiro-Wilk tem mais poder do que o Kolmogorov-Smirnov. Em amostras grandes (maiores que 30 ou 40), qualquer desvio de normalidade é detectado. Logo, em amostras grandes, a violação de normalidade não deve ser um problema grave. Ghasemi A, Zahediasl S. Normality Tests for Statistical Analysis: A Guide for Non-Statisticians. Int J Endocrinol Metab. 2012;10(2):486-9. DOI: 10.5812/ijem.3505 Valor mínimo aceitável do VIF (FIV): 5,0 Verificar se há correlações entre as variáveis independentes superiores a 0,70. ▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬ Music by Wavecont, #Video Link:    • Wavecont - Uplifting Corporate [Copyright ...   ▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬