regressão

Com base nos dados da pesquisa realizada nas entregas anteriores, foi possivel criar um modelo de regressão linear para as variáveis: número de carros por domicílio e e número de carros por pessoa em cada domicílio. A hipótese inicial do relatório é de que a variável independente (número de carros por domicílio) afete de maneira positiva a variável dependente (número de carros por pessoa em cada domicílio).
Utilizando o Excel foi possivel encontrar a equação de regressão linear simples estimada =b0+b1x em que b0= 0.1116 e b1= 0.1649. Além disso, identificamos o coeficiente de determinação de 0.7232 que pode ser interpretado como a porcentagem da soma total dos quadrados que pode ser explicada usando a equação de regressão estimada. A fórmula para calcular o é dada por
Gráfico

Com os gráficos é possível deduzir se os resíduos da amostra seguem ou não uma distribuição normal. O gráfico que deixa mais clara a tendência de os resíduos amostrais seguirem uma distribuição normal é o histograma. Isto se deve ao fato de sua aparência. O histograma dos resíduos da amostra encontrada na pesquisa tem uma aparência muito próxima a uma distribuição normal, mostrando que estes resíduos amostrais se distribuem normalmente para pesquisa efetuada. Outro gráfico que representa grande importância na análise dos resíduos é o de “resíduo por observação”. Neste gráfico foi capaz de observar que nas primeiras observações o resíduo era mais concentrado próximo ao eixo principal, e conforme o número das observações vai aumentando, os resíduos vão ficando mais dispersos no gráfico, ou seja os erros estão aumentando, com isto pode-se concluir que o modelo fica enviesado.
Em suma, o modelo de regressão linear do relatório é uma maneira eficiente de explicar a relação entre o número total de carros por domicílio e o número de carros por pessoa em cada domicílio. Para que o modelo linear se ajustasse mais precisamente seria necessário que a elasticidade do modelo fosse mais