--- title: "O que devo saber sobre o poder preditivo da regressão linear?" url: https://www.blog.psicometriaonline.com.br/o-que-devo-saber-sobre-o-poder-preditivo-da-regressao-linear canonical: https://www.blog.psicometriaonline.com.br/o-que-devo-saber-sobre-o-poder-preditivo-da-regressao-linear language: pt-BR published: 2022-06-07T14:04:39.000Z updated: 2026-03-30T15:53:54.359Z modified: 2026-03-30T15:53:54.359Z author: "Alex França" categories: ["Análises bi e multivariadas"] tags: ["regressão"] description: "Entenda como a regressão linear avalia o poder preditivo de variáveis com exemplos e aplicações práticas. Saiba mais!" source: Blog Psicometria Online --- # O que devo saber sobre o poder preditivo da regressão linear? > Neste post, você vai entender como a regressão linear pode ser usada para avaliar o poder preditivo de diferentes variáveis em contextos de pesquisa. Primeiramente, introduzimos o funcionamento da regressão linear e sua aplicação na análise de relações entre variáveis. Em seguida, discutimos os d... Neste post, você vai entender como a regressão linear pode ser usada para avaliar o poder preditivo de diferentes variáveis em contextos de pesquisa. Primeiramente, introduzimos o funcionamento da regressão linear e sua aplicação na análise de relações entre variáveis. Em seguida, discutimos os diferentes termos utilizados na literatura, o que pode gerar confusão sobre seu uso. Além disso, mostramos, por meio de um exemplo, os limites do modelo e os cuidados ao extrapolar previsões. Por fim, abordamos situações em que a regressão linear não é suficiente, indicando alternativas como a regressão logística. ## Introdução ao poder preditivo da regressão linear A regressão linear estabelece relações entre uma [variável dependente](/o-que-sao-variaveis-independentes-e-dependentes) contínua e uma ou mais variáveis independentes, conhecidas como preditoras. Dessa forma, usamos essas relações para prever ou explicar o comportamento da variável dependente. Além disso, é um dos métodos mais populares em análises preditivas, sendo frequentemente comparado a técnicas como árvores de decisão e algoritmos de *machine learning*. Por esse motivo, muitos pesquisadores se referem à regressão como uma forma de análise preditiva. **Saiba mais:** [**O que é machine learning?**](/o-que-e-machine-learning) ![banner do post sobre machine learning.](/uploads/2024-11_o-que-e-machine-learning.jpg) ## A confusão nos termos e o impacto no entendimento No entanto, um desafio comum é a variedade de termos usados na literatura estatística para descrever essa técnica. Diferentes autores adotam nomenclaturas distintas, o que pode ser confuso até mesmo para pesquisadores experientes. Portanto, compreender o real poder preditivo da regressão linear exige clareza conceitual. Por exemplo, veja alguns dos termos mais comuns: - **Análise de regressão**: é o nome mais genérico e amplamente utilizado, englobando tanto a regressão simples quanto a múltipla. - **Modelagem preditiva**: aparece em contextos aplicados, como *marketing* e saúde, com foco explícito na previsão de resultados. - **Modelos lineares**: enfatizam a estrutura matemática da regressão linear, sendo muito comuns em estatística clássica. - **Modelos lineares gerais (GLM)**: abrangem a regressão linear em sua forma matricial, incluindo variáveis contínuas e categóricas como preditores. - **Modelos de equações estruturais**: em contextos como a psicometria, a regressão linear é frequentemente tratada como um caso particular desse tipo de modelagem. - **Análise multivariada**: quando há múltiplos preditores, alguns autores categorizam a regressão múltipla dentro dessa abordagem. Essas diferentes nomenclaturas, embora relacionadas, nem sempre são equivalentes. Assim, é essencial verificar como cada autor define os termos que utiliza para evitar confusões conceituais — principalmente ao interpretar o poder preditivo atribuído ao modelo. ![imagem ilustrando o poder preditivo da regressão linear.](https://sdsclub.com/wp-content/uploads/2021/07/Linear-vs-Multiple-Regression-02-min-768x402.png) ## Limitações do poder preditivo Apesar de sua utilidade, o poder preditivo da regressão linear possui limitações importantes. Em primeiro lugar, devemos usar o modelo somente para prever dados que estejam dentro do intervalo observado na amostra original. Em segundo lugar, as previsões devem se restringir à população da qual a amostra foi retirada. Ignorar essas recomendações pode levar a erros sérios de interpretação. ## Exemplo prático: altura e peso Considere o seguinte exemplo. Um médico coleta dados de altura (em cm) e peso (em kg) de 50 pacientes. Após ajustar um modelo de [regressão linear simples](/o-que-e-regressao-linear-simples), usando o peso como variável preditora e a altura como variável dependente, ele obtém a seguinte equação: ![equação preditiva da regressão linear.](/uploads/2022-06_equacao-do-modelo-de-regressao.jpg) A Figura 1 mostra os dados desses 50 pacientes, acompanhada da reta de regressão, que representa a equação preditiva que mostramos anteriormente. ![diagrama de dispersão com reta de melhor ajuste e predição.](/uploads/2022-06_poder-preditivo.jpg) *Figura 1. Diagrama de dispersão relacionando peso (kg) e altura (cm).* Desse modo, se um novo paciente pesa 70 kg, plugando esse valor na equação, o modelo prevê que ele terá 178 cm de altura: ![uso preditivo da equação da regressão linear.](/uploads/2022-06_equacao-do-modelo-de-regressao-previsao.jpg) Desse modo, o modelo de regressão serve como ferramenta preditiva útil, desde que respeitados os limites dos dados originais — como veremos na seção seguinte. ## Atenção aos limites da predição É fundamental respeitar os limites empíricos de qualquer modelo. No exemplo da Figura 1, estimamos a equação da reta apenas com dados de pacientes entre **55 kg** e **80 kg**; logo, aplicar a mesma equação para alguém de **40 kg** ou **100 kg** é temerário, pois nada garante que a relação peso → altura continue linear fora desse intervalo. A Figura 2 reforça essa ideia em outro cenário, onde usamos duas variáveis genéricas, *X* e *Y*, onde *X* é a variável preditora e *Y* é a variável dependente. ![poder preditivo e extrapolação do modelo para além da faixa onde estavam os dados originais.](/uploads/2022-06_poder-preditivo-extrapolacao.jpg) *Figura 2. Ilustração de uma extrapolação errônea do modelo de regressão para além da faixa linear genuína.* Repare que: - **Pontos azuis** (30 ≤ *X* ≤ 70) correspondem à amostra usada para ajustar a regressão; aqui a relação *X* → *Y* é realmente linear, e a reta sólida descreve bem os dados. - **Pontos laranjas** (*X* < 30 ou *X* > 70) não fizeram parte do ajuste, isto é, consistem em dados que não foram observados em nossa amostra. - A relação original, que se mostrou linear entre 30 e 70 é, na verdade, curvilinear quando consideramos todo o continuum da Variável X. Sendo assim, a mesma equação, prolongada como linha pontilhada vermelha, passa longe dos pontos observados—ou seja, gera previsões grosseiramente erradas. A lição da Figura 2 é clara: **um modelo linear só é válido dentro do domínio em que foi testado**. Extrapolar para além dos valores amostrados compromete seriamente a exatidão preditiva. ## Aplicações e extensões da regressão linear De maneira geral, a regressão linear é útil para investigar o quanto um conjunto de variáveis consegue explicar um resultado específico. Por exemplo, podemos explorar o poder preditivo de subescalas de um teste de inteligência sobre o desempenho em uma tarefa. Além disso, é possível testar se novas variáveis, como motivação, aumentam a capacidade explicativa do modelo. Assim, essa técnica oferece uma abordagem versátil para análises estatísticas. ## Quando o poder preditivo da regressão linear não é suficiente Entretanto, nem sempre devemos usar a regressão linear. Por exemplo, quando a variável dependente é categórica, técnicas como regressão logística binária (e.g., com vs. sem diagnóstico) ou [multinomial](/tipos-de-regressao-logistica) (e.g., transtorno da personalidade *borderline* vs. histriônica vs. narcisista) são mais adequadas. Essas alternativas lidam melhor com variáveis qualitativas, preservando o rigor das análises preditivas. ## Como citar este post > **Como citar este artigo:** França, A. (2022, 7 de junho). O que devo saber sobre o poder preditivo da regressão linear? *Blog Psicometria Online*. https://www.blog.psicometriaonline.com.br/o-que-devo-saber-sobre-o-poder-preditivo-da-regressao-linear