--- title: "Métodos de entrada da regressão linear múltipla" url: https://www.blog.psicometriaonline.com.br/metodos-de-entrada-da-regressao-linear-multipla canonical: https://www.blog.psicometriaonline.com.br/metodos-de-entrada-da-regressao-linear-multipla language: pt-BR published: 2022-01-29T12:26:58.000Z updated: 2026-03-30T16:04:51.068Z modified: 2026-03-30T16:04:51.068Z author: "Alex França" categories: ["Análises bi e multivariadas"] tags: ["regressão"] description: "Veja o que são métodos de entrada na regressão linear múltipla e aprenda a escolher entre enter, forward, stepwise, backward e remove." source: Blog Psicometria Online --- # Métodos de entrada da regressão linear múltipla > 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 escolhe... 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](/o-que-e-regressao-linear-multipla), 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. ![métodos de entrada de variáveis no SPSS.](/uploads/2022-01_image-8.png) *Figura 1. Métodos de entradas de variáveis na regressão linear múltipla no SPSS.* 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 *R*² 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 *R*² 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](/o-que-e-correlacao-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 > **Como citar este artigo:** França, A. (2022, 29 de janeiro). Métodos de entrada da regressão linear múltipla. *Blog Psicometria Online*. https://www.blog.psicometriaonline.com.br/metodos-de-entrada-da-regressao-linear-multipla