Os métodos de seleção de variáveis são úteis quando realizamos uma regressão múltipla e nos deparamos com a questão de quais variáveis preditoras são importantes, dentre um conjunto maior de possíveis preditores. Essa tarefa consiste em identificar quais variáveis são importantes entre um conjunto maior de possíveis preditores. Uma maneira de fazer isso é através da utilização dos valores-p individuais para refazer manualmente o modelo com apenas as variáveis preditoras significativas, mas isso pode ser desafiador.
Para ajudar nessa tarefa, existem dois métodos automatizados de seleção de variáveis preditoras, conhecidos como métodos de seleção passo a passo. Esses métodos facilitam a seleção de variáveis significativas para o modelo testado e podem ser facilmente encontrados em softwares estatísticos, como o SPSS.
Neste post apresentamos dois métodos automatizados de seleção de variáveis preditoras para modelos de regressão múltipla. Esses métodos são chamados de métodos de seleção passo a passo (stepwise selection) e são amplamente disponíveis em softwares estatísticos como o SPSS. Eles ajudam a identificar as variáveis mais relevantes para o modelo testado, tornando a seleção de variáveis preditoras mais intuitiva.
Método Forward (ou forward selection)
No método Forward de seleção de variáveis para modelos de regressão, o processo começa com a escolha de um conjunto de possíveis variáveis preditoras. E ao executar a análise, em vez de começar com todas as variáveis no modelo, o processo começa com um “modelo vazio”, também conhecido como Modelo Nulo. A partir daí, as variáveis preditoras são adicionadas automaticamente ao modelo, uma por vez, começando com aquela que tem o menor valor-p. Esse processo continua até que todas as variáveis preditoras selecionadas tenham sido testadas e aquelas que não atingirem um limite pré-definido de valor-p (geralmente p acima de 0,05) sejam excluídas do modelo.
Método Backward (or backward elimination)
Outra alternativa de método passo a passo é a seleção Backward. Esse método começa com um modelo completo que inclui todas as variáveis consideradas (conhecido como Modelo Completo). Em seguida, uma a uma, as variáveis menos significativas são removidas, começando com aquela que tem o maior valor-p. Esse processo continua até que reste apenas as variáveis mais significativas para o modelo, ou até que nenhuma variável seja deixada no modelo.
Por que utilizar métodos de seleção passo a passo?
A seleção passo a passo fornece uma maneira reprodutível e objetiva de reduzir o número de preditores em comparação com a escolha manual de variáveis com base na opinião de especialistas que, com mais frequência do que gostaríamos de admitir, tende a provar a própria hipótese.
Porém, é importante destacar que a seleção automatizada de variáveis não deve substituir completamente o conhecimento prévio dos especialistas. Na verdade, variáveis consideradas importantes com base no conhecimento prévio devem ser incluídas no modelo e testadas.
Por outro lado, a seleção automatizada de variáveis pode ser muito útil na análise exploratória de dados, especialmente em casos em que há poucas evidências empíricas anteriores sobre as relações entre as variáveis investigadas, ou seja, quando o conhecimento prévio não está disponível. Nesses casos, a seleção automatizada de variáveis pode ajudar a identificar padrões ou relações inesperadas entre as variáveis, o que pode levar a novas hipóteses e descobertas interessantes.
Aproveite que você está por aqui e visite nossos posts sobre regressão linear simples e o poder preditivo da regressão linear.
Gostou desse conteúdo? Precisa aprender Análise de dados? Faça parte da Psicometria Online Academy: a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura aqui e nunca mais passe trabalho sozinho(a).
Uma resposta