Enunciado

Os dados a seguir refletem as informações colhidas

em 17 hospitais navais norte-americanos em várias localidades ao redor do mundo. As variáveis regressoras são variáveis relacionadas à carga de trabalho, ou seja, itens que

resultam na necessidade de pessoal na instalação de um

hospital. Uma breve descrição das variáveis está a seguir:

y = horas trabalhadas no mês,

Xj = média da carga diária de pacientes,

x, = exposições mensais aos raios X,

x, = dias por mês em que as camas ficaram ocupadas,

x. = população elegível na área/1000,

x. = média do tempo de estada do paciente, em dias O objetivo aqui é produzir uma equação empírica

que irá estimar (ou prever) a necessidade de pessoal para

os hospitais navais. Estime a equação de regressão linear

múltipla

Passo 1

Saaaalve, tranquilo? Vamos lá resolver mais uma questão juntos?! 😊

Os dados fornecidos aqui refletem informações retiradas de 17 hospitais navais dos EUA em vários locais ao redor do mundo. Aqui temos que estimar a equação de regressão múltipla da forma dada como

μ Y ∣ x 1 , x 2 , x 3 , x 4 , x 5 = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 3 + β 4 x 4 + β 5 x 5

As variáveis em estudo são as seguintes:Trabalho de parto Carga média diária do paciente Exposições mensais -raio = y Mensais Jornadas-leito ocupadas mensais = x 1 População elegível na área/1000 X = x 2 = x 3 Tempo médio de permanência do paciente, em dias = x 4

Passo 2

O modelo estimado para o modelo acima é o seguinte:, considerando que y ˆ = b 0 + b 1 x 1 + b 2 x 2 + b 3 x 3 + b 4 x 4 + b 5 x 5 e b 0 ,   b 1 ,   b 2 ,   b 3 ,   b 4 são estimativas menos quadradas de b 5 β 0 , β 1 , β 2 , β 3 , β 4 e β 5 respectivamente. A solução para os coeficientes de regressão é dada da seguinte forma: b ˆ = X ' X - 1 X ' y , que também é conhecida como estimativas OLS ou estimativas de mínimos quadrados ordinários.

Passo 3

Aqui, usamos a tecnologia MINITAB para analisar o conjunto de dados fornecido. A saída é a seguinte:A equação de regressão é

y = 1721 - 7.5 × 1 + 0.0563 × 2 + 1.31 × 3 - 4.10 × 4 - 360 × 5  Predictor Coef SE Coef TP   Constant  172110591.620.133 x 1 - 7.4797.48 - 0.080.940 x 20.056330.020982.690.021 x 31.3083.0860.420.680 x 4 - 4.1017.090 - 0.580.575 x 5 - 359.6208.2 - 1.730.112 S = 633.826 R - S q = 99.1 % R - S q ( a d j ) = 98.7 %

Passo 4

Aqui a saída assim gerada diz que o modelo de regressão múltipla ajustado tem melhor o conjunto de dados dado, uma vez que o valor r-quadrado ajustado (coeficiente de determinação) é, 98.7 ou seja, aproximadamente 99 % das variações totais na variável resposta pode ser explicado pelas variáveis explicativas e o restante 1 % por alguns outros fatores desconhecidos. Os regressos estimadosnos coeficientes são

b 0 = 1721 , b 1 = - 7.5 , b 2 = 0.0563 , b 3 = 1.31 b 4 = - 4.10  and  b 5 = - 360

Resposta

Resposta nos passos.

Exercícios de Livros Relacionados

Há importantes aplicaçôes nas quais, devido a restriçooes científicas conhecidas, a reta de regressáo deve passar na origem (ou seja, o intercepto deve ser 0). Em outras palavras, o modelo deveria ser
Os seguintes dados representam as notas de quí­mica para uma amostra aleatória de 12 calouros de certauniversidade juntamente com suas pontuações em umteste de inteligência administrado enquanto ainda
Em relação ao Exercício 11.7, construa(a) um intervalo de confiança de 95% para a média dasvendas semanais quando são gastos $ 45 em publicidade;(b) um intervalo de predição de 95% para a venda semana
Mostre que, em um conjunto de dados de regressão linear múltipla, ∑ i = 1 n   h i = p
Um engenheiro de uma indústria de semicondutores deseja modelar a relação entre o ganho de um equipamento ou hFE (y) e três parâmetros: emissor-RS C^),base-RS ( x ,) e emissor para a base-RS (a\ ). O