Neste post, falaremos sobre métodos de entrada da regressão linear múltipla. Primeiramente, apresentaremos os cinco principais métodos. Além disso, junto à apresentação de cada método, explicaremos as características, vantagens e desvantagens deles. Por fim, daremos dicas sobre quando e como escolher o método mais adequado para a sua análise.
Métodos de entrada da regressão múltipla
Quando realizamos uma regressão linear múltipla, precisamos escolher entre cinco métodos de entrada de variáveis, a saber, enter, stepwise, forward, backward e remove. Por exemplo, a Figura 1 ilustra a janela de configuração de uma regressão linear no SPSS, mostrando esses cinco métodos de entrada de variáveis.
Cada um deles possui características distintas, com vantagens e desvantagens específicas. Em seguida, veremos cada um desses cinco métodos.
Método de entrada: enter
No método enter, inserimos todas as variáveis de uma só vez, em um único bloco. A partir dessa entrada, avaliam-se quais preditores são significativos.
- Vantagem: simplicidade do modelo.
- Desvantagem: pode intensificar problemas de multicolinearidade. Além disso, o R² total aparece, mas não mostra a porcentagem explicada por cada preditor individualmente.
Entretanto, é importante lembrar que esse método serve bem quando há teoria sólida guiando a inclusão dos preditores.
Métodos de entrada: stepwise e forward
No método stepwise, as variáveis são inseridas por etapas, conforme sua significância no teste F. O modelo começa com a variável mais forte e adiciona outras até que não haja variáveis significativas restantes.
- Vantagem: modelo mais parcimonioso e identificamos o R² incremental de cada variável.
- Desvantagem: o tamanho amostral pode influenciar a significância do F.
Já no método forward, o processo é similar ao stepwise. Contudo, as variáveis entram com base na correlação parcial da variável independente com a dependente — ou seja, as que têm maior correlação parcial entram primeiro.
- Vantagem: também gera um modelo mais enxuto, com R² incremental.
- Desvantagem: pode ser influenciado pela presença de outras variáveis no modelo.
Por isso, se você opta por métodos passo a passo, dê preferência ao forward, pois ele costuma ser menos propenso a excluir variáveis relevantes por conta da ordem de entrada.
Métodos de entrada: backward e remove
No método backward, todas as variáveis são inseridas inicialmente e, em seguida, removidas uma a uma. Primeiro, retira-se a variável menos significativa e repete-se a regressão até restarem apenas variáveis significativas.
- Vantagem: permite evitar erros de exclusão inadvertida, comuns em métodos “destrutivos” como stepwise e forward.
- Desvantagem: demanda mais planejamento inicial, já que você precisa incluir várias variáveis e rodar várias etapas desta regressão reversa.
No método remove, o próprio pesquisador decide quais variáveis excluir para comparar diferentes modelos.
- Vantagem: oferece total controle ao pesquisador, ideal para hipóteses específicas.
- Desvantagem: escolhas arbitrárias podem comprometer a validade dos resultados se não forem bem justificadas.
Métodos de entrada: qual deles escolher?
Anteriormente, vimos que cada método de entrada possui diferentes trade-offs, e nenhum é perfeito. Entretanto, quando há preocupação com erros de exclusão, o método backward se destaca por sua abordagem mais robusta. Já os métodos passo a passo oferecem informações sobre contribuições individuais, sendo o forward preferível ao stepwise.
Entretanto, se você deseja um modelo simples e teórico, o método enter pode ser uma boa escolha, desde que não haja correlação excessiva entre os preditores.
Referência
Field, A. (2017). Discovering statistics using IBM SPSS Statistics (5th ed.). Sage.
Como citar este post
França, A. (2022, 29 de janeiro). Método de entrada da regressão linear múltipla. Blog Psicometria Online. https://www.blog.psicometriaonline.com.br/metodos-de-entrada-da-regressao-linear-multipla/
