Abaixo você encontra uma lista de situações de pesquisa. Para cada uma delas indique se - apropriado é proceder uma análise de regressão ou uma de correlação. Justifique sua indicação.
0 tempo de treinamento influi no desempenho profissional?

Passo 1

O enunciado pergunta claramente: “Tempo de treinamento influi no desempenho profissional?”
Informações dadas (explicitamente ou implícitas):
  • A variável explicativa (possível causa/preditor) é o tempo de treinamento — chamar de X. É uma variável numérica (tempo, por exemplo em horas).
  • A variável resposta (possível efeito/outcome) é o desempenho profissional — chamar de Y. Geralmente medida por uma pontuação, produtividade, avaliação etc., também numérica.
  • A pergunta usa a palavra “influi”, ou seja há interesse em saber se alterações em X provocam/estão associadas a alterações em Y.
    Não há dados concretos fornecidos no enunciado; apenas a estrutura da pergunta.

Passo 2

Decisão do método: é mais apropriado proceder com uma análise de regressão (mais precisamente regressão linear simples se a relação esperada for aproximadamente linear).
Justificativa curta (a ser detalhada nos passos seguintes): a pergunta é de tipo causal/efeito ou preditivo — queremos saber o efeito de X sobre Y (ou usar X para prever Y). Correlação descreve apenas a associação simétrica entre duas variáveis, sem dar um modelo de previsão/efeito; regressão fornece um parâmetro (inclinação) que quantifica quanto muda a expectativa de Y quando X muda, e permite teste formal de H_0:\beta_1=0.

Passo 3

Diferença entre correlação e regressão (didático, sem jargões):
  • Correlação (coeficiente de Pearson r):
    • Mede a força e direção da associação linear entre duas variáveis de forma simétrica: r\in[-1,1].
    • Se r é perto de 1, X e Y tendem a aumentar juntos; se perto de -1, quando uma aumenta a outra diminui; r perto de 0 indica pouca associação linear.
    • Não fornece sentido de causa nem uma equação de previsão.
    • Fórmula (conceito): \displaystyle r = \dfrac{\sum (x_i-\bar{x})(y_i-\bar{y})}{\sqrt{\sum (x_i-\bar{x})^2\;\sum (y_i-\bar{y})^2}}. Aqui \bar{x} e \bar{y} são as médias amostrais.
  • Regressão linear simples:
    • Modelo: \displaystyle Y_i = \beta_0 + \beta_1 X_i + \varepsilon_i.
    • \beta_0 é o valor médio de Y quando X=0 (intercepto), \beta_1 é a variação esperada em Y por unidade de aumento em X (inclinação), \varepsilon_i é o erro aleatório.
    • Serve para estimar efeito (influência) de X sobre Y e para previsão de Y dado X.
    • Permite testes estatísticos (por exemplo testar se \beta_1=0) e avaliar o ajuste (coeficiente de determinação R^2).

Passo 4

Fórmulas práticas de regressão (o que você precisa saber e interpretar na prova):
  • Estimadores por mínimos quadrados ordinários: \hat{\beta}_1 = \dfrac{\sum (x_i-\bar{x})(y_i-\bar{y})}{\sum (x_i-\bar{x})^2}, \qquad \hat{\beta}_0 = \bar{y} - \hat{\beta}_1\bar{x}.
    • Interpretação: \hat{\beta}_1 = aumento médio esperado em Y quando X aumenta 1 unidade.
  • Relação entre \hat{\beta}_1 e o coeficiente de correlação r: \hat{\beta}_1 = r\,\dfrac{s_y}{s_x},onde s_x e s_y são os desvios-padrão amostrais de X e Y. Assim r e \hat{\beta}_1 estão ligados, mas transmitem informações diferentes: r é sem unidade, \hat{\beta}_1 tem unidade de Y por unidade de X.

Passo 5

Como testar formalmente se o tempo de treinamento “influi” (no sentido estatístico):
  • Hipóteses: H_0: \beta_1 = 0 \qquad\text{vs}\qquad H_a: \beta_1 \neq 0.
  • Estatística de teste (t): t = \dfrac{\hat{\beta}_1}{\mathrm{SE}(\hat{\beta}_1)},com n-2 graus de liberdade.
    A expressão prática para o erro padrão: \mathrm{SE}(\hat{\beta}_1)=\dfrac{s_e}{\sqrt{\sum (x_i-\bar{x})^2}},onde s_e^2 = \dfrac{1}{n-2}\sum \hat{\varepsilon}_i^2 \quad\text{e}\quad \hat{\varepsilon}_i = y_i - (\hat{\beta}_0 + \hat{\beta}_1 x_i).
  • Rejeita-se H_0 se |t| for maior que o quantil crítico para n-2 graus de liberdade (ou se p-valor < nível \alpha). Rejeitar indica evidência estatística de que o tempo de treinamento tem efeito linear sobre o desempenho.

Passo 6

Assunções da regressão que você precisa checar (e como checar de forma simples):
  • Linearidade: ver o gráfico de dispersão Y vs X. Se os pontos seguirem uma tendência aproximadamente reta, ok.
  • Independência dos erros: depende do desenho amostral (dados independentes).
  • Homoscedasticidade (variância constante dos erros): observar gráfico dos resíduos \hat{\varepsilon}_i vs valores ajustados; sem padrão de funil.
  • Normalidade dos erros (para testes e intervalos): checar histograma ou Q-Q plot dos resíduos; para amostras grandes, aspecto menos crítico (teorema do limite central).
    Se as assunções forem muito violadas, considerar transformações ou métodos mais robustos.

Passo 7

Orientação prática passo a passo para fazer na prova (sem software):
  1. Fazer um gráfico de dispersão de Y contra X e observar tendência.
  2. Calcular \bar{x} e \bar{y}.
  3. Calcular \sum (x_i-\bar{x})(y_i-\bar{y}) e \sum (x_i-\bar{x})^2.
  4. Obter \hat{\beta}_1 e \hat{\beta}_0 pelas fórmulas do Passo 4.
  5. Calcular resíduos \hat{\varepsilon}_i e s_e^2, então \mathrm{SE}(\hat{\beta}_1).
  6. Fazer o teste t para \beta_1 e/ou calcular p-valor; interpretar.
  7. Calcular r (se quiser) e R^2 = r^2 para ver a fração de variância explicada.
    Na prova, se pedirem só “influência”, explique: ajustei a regressão e testei H_0:\beta_1=0; se rejeitado, conclui-se que há evidência estatística de influência (comentar direção pelo sinal de \hat{\beta}_1).

Passo 8

Exemplo numérico pequeno (ilustrativo para fixar a conta, faça igual na prova):
  • Suponha 4 observações: X=\{1,2,3,4\}, Y=\{2,3,5,4\}.
  • Médias: \bar{x}=2{,}5, \bar{y}=3{,}5.
  • Calcular soma cruzada: \sum (x_i-\bar{x})(y_i-\bar{y}) = 4{,}0.
  • Calcular soma quadrada de X: \sum (x_i-\bar{x})^2 = 5{,}0.
  • Então \hat{\beta}_1 = \dfrac{4{,}0}{5{,}0}=0{,}8. Interpretação: em média, cada unidade de tempo de treinamento aumenta o desempenho em 0{,}8 unidades (da medida de Y).
  • Intercepto: \hat{\beta}_0 = 3{,}5 - 0{,}8\cdot 2{,}5 = 1{,}5.
  • Correlação: aqui r=0{,}8 e R^2=0{,}64, ou seja 64\% da variação em Y está explicada pela variação linear em X neste exemplo.
    Esse exemplo mostra como as fórmulas funcionam e a diferença entre r (medida de força) e \hat{\beta}_1 (tamanho do efeito).

Passo 9

Resumo prático e recomendação final didática:
  • Use análise de regressão quando a questão for “influi”, “afeta”, “prediz” — porque se quer estimar o efeito causal/preditivo e quantificá-lo ( \beta_1).
  • Pode-se também reportar o coeficiente de correlação r como medida descritiva da força da associação, mas a resposta para “influi” deve vir da regressão (estimador + teste).
  • Em prova: desenhe o scatter, ajuste a reta com as fórmulas mostradas, interprete \hat{\beta}_1 e informe o resultado do teste para \beta_1. Seja cuidadoso com as assunções e com a interpretação causal (observacional vs experimento aleatório).

Resposta

Regressão

Exercícios relacionados