Regressão Linear Explicada: Reta, R² e Previsão
A regressão linear é a ferramenta mais usada para prever uma variável a partir de outra: ela resume a relação entre as duas em uma reta, escolhida para ficar o mais perto possível dos pontos. Neste artigo, você vai ver como a reta é calculada, o que significam o declive, o intercepto e o R², e por que a reta não deve ser usada fora dos dados.
Em resumo: A regressão linear resume a relação entre duas variáveis em uma reta, ŷ = a + bx, escolhida pelo método dos mínimos quadrados. Nos dados de 1 a 10, a reta é ŷ = 1,200 + 0,964x, com R² = 0,9286: 92,86% da variação de y é explicada por x.
Imagine que você anota, para 10 pessoas, as horas de estudo por semana (x) e a nota na prova (y). Os pontos sobem juntos — mais estudo, nota maior — mas não em linha perfeita. A regressão linear traça a reta que melhor resume essa subida: com ela, você prevê a nota de quem estudou 6 horas, mesmo sem ter visto essa pessoa antes.
A reta é ŷ = a + bx, escolhida pelo método dos mínimos quadrados: a que minimiza a soma dos quadrados dos resíduos — as distâncias verticais entre os pontos e a reta. Neste artigo, vamos calcular essa reta passo a passo nos dados de 1 a 10, montar a tabela ANOVA completa, interpretar o R² e ver dois exemplos — gastos com propaganda e vendas, e o crescimento de crianças — além do passo a passo no Excel.
O que é regressão linear?
A regressão linear modela a relação entre duas variáveis — uma independente (x, a que explica) e uma dependente (y, a que queremos prever) — com uma reta: ŷ = a + bx. O ŷ (lê-se «y chapéu») é o valor previsto de y para um dado x; a é o intercepto (o valor de ŷ quando x = 0) e b é o declive (quanto ŷ muda quando x aumenta 1).
ŷ = a + bx
A regressão é usada para prever (qual será y para um x novo?), para quantificar (quanto y muda quando x muda 1?) e para explicar (quanto da variação de y é explicada por x?). Ela só faz sentido quando a relação entre x e y é aproximadamente linear — se os pontos formam uma curva, a reta não serve.
Não confunda regressão com correlação: a correlação (r) mede a força e a direção da relação; a regressão usa essa relação para prever. As duas andam juntas — e vamos ver a diferença em detalhe mais adiante. Para revisar a correlação, veja correlação vs causalidade e a calculadora de coeficiente de correlação.
Os mínimos quadrados: como a reta é escolhida
Qual reta passa «mais perto» dos pontos? O método dos mínimos quadrados responde: a reta que minimiza a soma dos quadrados dos resíduos — as diferenças entre o valor observado (y) e o valor previsto (ŷ). Elevar ao quadrado evita que desvios positivos e negativos se cancelem.
As contas usam três somas: Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² e Sxy = Σ(x − x̄)(y − ȳ). Com elas, o declive é b = Sxy / Sxx e o intercepto é a = ȳ − b·x̄. A reta sempre passa pelo ponto (x̄, ȳ) — o centro dos dados.
b = Sxy / Sxx
a = ȳ − b·x̄
O exemplo principal: os dados de 1 a 10
Vamos calcular a reta para 10 pares de valores: x vai de 1 a 10 e y é 2, 3, 5, 4, 6, 8, 7, 9, 11, 10. São dados simples, mas a conta é a mesma de qualquer regressão — só muda o tamanho da tabela.
- Calcule as médias: a média de x é 5,5 e a média de y é 6,5.
- Calcule as somas: Sxx = 82,5, Syy = 82,5 e Sxy = 79,5.
- Calcule o declive: b = Sxy / Sxx = 79,5 / 82,5 = 0,9636.
- Calcule o intercepto: a = ȳ − b·x̄ = 6,5 − 0,9636 × 5,5 = 1,2000. A reta é ŷ = 1,200 + 0,964x.
- Avalie o ajuste: r = 0,9636, R² = 0,9286 e s = 0,8581 — e monte a tabela ANOVA.
| x | y | ŷ | Resíduo (y − ŷ) |
|---|---|---|---|
| 1 | 2 | 2,164 | −0,164 |
| 2 | 3 | 3,127 | −0,127 |
| 3 | 5 | 4,091 | +0,909 |
| 4 | 4 | 5,055 | −1,055 |
| 5 | 6 | 6,018 | −0,018 |
| 6 | 8 | 6,982 | +1,018 |
| 7 | 7 | 7,945 | −0,945 |
| 8 | 9 | 8,909 | +0,091 |
| 9 | 11 | 9,873 | +1,127 |
| 10 | 10 | 10,836 | −0,836 |
Os resíduos somam zero — como sempre acontece nos mínimos quadrados. A soma dos quadrados dos resíduos é SQRes = 5,89. A tabela ANOVA separa a variação total de y (SQTotal = 82,50) na parte explicada pela reta (SQReg = 76,61) e na parte que sobra (SQRes = 5,89):
| Fonte | SQ | gl | QM | F |
|---|---|---|---|---|
| Regressão | 76,61 | 1 | 76,61 | 104,04 |
| Resíduo | 5,89 | 8 | 0,74 | |
| Total | 82,50 | 9 |
O teste F (104,04) e o teste t do declive (t = 10,20) dizem a mesma coisa aqui: o declive é diferente de zero — x explica y. O intervalo de 95% para o declive é [0,746; 1,181]: com 95% de confiança, cada unidade a mais de x aumenta y entre 0,746 e 1,181. Como o intervalo não inclui zero, o efeito é significativo. Para entender o intervalo, veja o que é intervalo de confiança.
Previsões: para x = 6 (dentro dos dados), ŷ = 1,200 + 0,964 × 6 = 6,982. Para x = 12 (fora dos dados), ŷ = 12,764 — mas isso é extrapolação, e vamos ver por que é arriscado. Confira a reta na calculadora de regressão linear: informe os pares e veja o declive, o intercepto, o R² e a ANOVA.
Visualizando: a dispersão e a reta
O gráfico abaixo mostra os 10 pontos e a reta dos mínimos quadrados. Repare como a reta passa pelo meio da nuvem de pontos — e como o ponto vermelho, em x = 12, está fora dos dados.
O que significa o R² na regressão linear?
O R² (coeficiente de determinação) é a fração da variação de y explicada pela reta: R² = SQReg / SQTotal. Nos dados de 1 a 10, R² = 76,61 / 82,50 = 0,9286: 92,86% da variação de y é explicada por x — e só 7,14% fica por conta dos resíduos.
R² = 1 significa ajuste perfeito: todos os pontos estão sobre a reta. Por exemplo, com x de 1 a 5 e y = 3, 5, 7, 9, 11, a reta é ŷ = 1 + 2x e o R² é exatamente 1 — cada ponto cai sobre a reta, sem resíduo.
Mas «R² alto» não tem um valor mágico: em física, 0,99 é comum; em ciências sociais, 0,30 pode ser um bom resultado. O que importa é o contexto — e um R² alto não prova que x causa y. Um R² baixo também não significa que a reta é inútil: ela pode ser a melhor previsão disponível. Para medir a dispersão dos dados, veja a calculadora de desvio-padrão e como calcular desvio-padrão.
Exemplo resolvido: gastos com propaganda e vendas
Uma empresa brasileira anota, em 5 meses, o gasto com propaganda (x, em R$ mil) e as vendas (y, em R$ mil): (100; 500), (200; 900), (300; 1200), (400; 1600), (500; 1900). Quanto as vendas crescem por real investido?
| Mês | Gasto (x) | Vendas (y) | ŷ | Resíduo |
|---|---|---|---|---|
| 1 | 100 | 500 | 520 | −20 |
| 2 | 200 | 900 | 870 | +30 |
| 3 | 300 | 1200 | 1220 | −20 |
| 4 | 400 | 1600 | 1570 | +30 |
| 5 | 500 | 1900 | 1920 | −20 |
O declive é 3,500: cada R$ 1 mil a mais em propaganda está associado a R$ 3,5 mil a mais em vendas. O intercepto é 170 (R$ 170 mil): a previsão de vendas com gasto zero — um valor teórico, já que a empresa nunca gastou zero. O R² é 0,9976: 99,76% da variação das vendas é explicada pelo gasto. Com gasto de R$ 350 mil, a previsão é ŷ = 170 + 3,5 × 350 = 1395 — R$ 1.395 mil em vendas.
Atenção: o intercepto correto é 170 — não 150, como aparece em um texto que circula na internet. A lição: recompute os números, nunca copie. E lembre-se: 5 pontos fazem uma reta bonita, mas frágil — com tão poucos dados, um mês atípico muda tudo
Posso usar a reta para prever fora dos dados?
Só com muito cuidado — e, em geral, não. A reta foi ajustada para x entre 1 e 10; fora desse intervalo, não há dados para garantir que a relação continua linear. Prever fora do intervalo é extrapolar.
O exemplo das crianças
Um estudo real com 18 crianças mediu a idade (em meses) e a altura (em cm). A reta ajustada foi ŷ = 0,4734x + 85,012, com r = 0,793 e R² = 0,6289. Dentro dos dados, a reta funciona bem. Mas se você usar a reta para uma criança de 200 meses (quase 17 anos), a previsão é ŷ = 0,4734 × 200 + 85,012 = 179,7 cm — cerca de 1,80 m. O número até parece plausível para um adolescente, mas o método não é: a reta foi ajustada para crianças pequenas, e nada garante que o crescimento continue linear até os 200 meses. Extrapolar é usar a reta onde ela não foi testada.
No exemplo de 1 a 10, prever para x = 12 (ŷ = 12,764) já é extrapolação: 12 está fora do intervalo 1–10. A previsão pode estar certa — ou não. A reta não avisa quando sai do seu território. Regra prática: só preveja dentro do intervalo de x observado; fora dele, colete mais dados ou avise que é uma extrapolação.
Correlação alta significa que a reta é boa?
Não necessariamente. A correlação r = 0,9636 nos dados de 1 a 10 é alta — e a reta é boa. Mas uma correlação alta pode esconder problemas: pontos influentes (um único ponto afastado puxa a reta), relação curva (os pontos seguem uma curva, mas a correlação linear ainda é alta) ou variância desigual (os resíduos crescem com x).
E o contrário também vale: uma correlação moderada pode dar uma reta útil. O R² diz quanto da variação é explicada; os resíduos dizem se o modelo linear é adequado. Sempre olhe o gráfico de dispersão e o gráfico de resíduos antes de confiar na reta.
E correlação não é causalidade: a reta mostra que x e y andam juntas, não que x causa y. Para a diferença completa, veja correlação vs causalidade e a calculadora de coeficiente de correlação.
Da reta ao próximo passo
A reta é o começo, não o fim. O que você faz depois depende do que os resíduos mostram:
| O que você vê | O que significa | O próximo passo |
|---|---|---|
| Resíduos sem padrão | O modelo linear é adequado | Use a reta (dentro dos dados), informe o R² e o intervalo do declive |
| Padrão curvo nos resíduos (forma de U) | A relação não é linear | Tente transformar uma variável (log, raiz) ou um modelo curvo |
| Resíduos em leque (funil) | A variância não é constante | Os intervalos ficam imprecisos; considere transformar y |
| R² baixo, mas declive significativo | A reta explica pouco, mas o efeito existe | Aceite, ou procure mais variáveis (regressão múltipla) |
| Um ponto muito afastado | Possível erro de digitação ou caso especial | Verifique o dado antes de decidir |
A regressão múltipla — com mais de uma variável x — é o passo natural seguinte: o método dos mínimos quadrados é o mesmo, só a conta cresce. Este artigo cobre apenas a regressão simples, com uma variável x.
Como fazer regressão linear no Excel
No Excel em português, coloque x na coluna A e y na coluna B. Depois use:
| Função | Fórmula | Resultado |
|---|---|---|
| INCLINAÇÃO(y; x) | =INCLINAÇÃO(B2:B11; A2:A11) | 0,9636 |
| INTERCEPÇÃO(y; x) | =INTERCEPÇÃO(B2:B11; A2:A11) | 1,2000 |
| RQUAD(y; x) | =RQUAD(B2:B11; A2:A11) | 0,9286 |
| TENDÊNCIA(y; x; novo_x) | =TENDÊNCIA(B2:B11; A2:A11; 6) | 6,982 |
| PROJ.LIN(y; x; VERDADEIRO; VERDADEIRO) | Matriz 5×2 (declive, intercepto, R², F, SQReg, SQRes) | Confirme com Ctrl+Shift+Enter |
Ou faça um gráfico de dispersão, clique com o botão direito em um ponto e escolha «Adicionar Linha de Tendência» — marque «Exibir Equação no gráfico» e «Exibir o valor de R-quadrado no gráfico». Para a referência das funções, veja Microsoft Support — Funções estatísticas (referência). E para conferir os números, use a calculadora de regressão linear.
Erros comuns
- Extrapolar sem avisar. Prever fora do intervalo de x sem dizer que é extrapolação — o leitor não sabe que a reta não foi testada ali.
- Ler causalidade na reta. A reta mostra que x e y andam juntas, não que x causa y. Correlação não é causalidade.
- Confiar só no R². Um R² alto não garante um modelo bom — e um R² baixo não significa que a reta é inútil. Olhe os resíduos.
- Ignorar os resíduos. O gráfico de resíduos revela curva, funil e pontos influentes que o R² esconde.
- Usar a reta com relação curva. Se os pontos formam uma curva, a reta não serve — transforme uma variável ou use um modelo curvo.
- Esquecer o intervalo do declive. O declive é uma estimativa: informe o intervalo de 95% — [0,746; 1,181] nos dados de 1 a 10. Veja o que é intervalo de confiança.
Perguntas frequentes
A regressão linear resume a relação entre duas variáveis em uma reta, ŷ = a + bx, escolhida pelo método dos mínimos quadrados. Ela serve para prever y a partir de x e para quantificar quanto y muda quando x muda.
É o critério que escolhe a reta: a reta dos mínimos quadrados é a que minimiza a soma dos quadrados dos resíduos — as distâncias verticais entre os pontos observados e a reta. Elevar ao quadrado evita que desvios positivos e negativos se cancelem.
O declive b é quanto ŷ muda quando x aumenta 1 unidade. Nos dados de 1 a 10, b = 0,9636: cada unidade a mais de x prevê 0,9636 a mais em y. Na propaganda, b = 3,5: cada R$ 1 mil a mais em propaganda prevê R$ 3,5 mil a mais em vendas.
O intercepto a é o valor previsto de y quando x = 0. Nos dados de 1 a 10, a = 1,2000. Muitas vezes ele não tem significado prático — é só o ponto onde a reta cruza o eixo y.
O R² é a fração da variação de y explicada pela reta, de 0 a 1. Nos dados de 1 a 10, R² = 0,9286: 92,86% da variação é explicada. Não há um valor universal de «bom»: em física, 0,99 é comum; em ciências sociais, 0,30 pode ser um bom resultado.
A correlação r mede a força e a direção da relação, de −1 a 1. A regressão dá uma reta de previsão, com declive e intercepto. Correlação alta não garante uma reta boa — verifique os resíduos.
Porque a reta foi ajustada dentro do intervalo de x observado — fora dele, não há dados para garantir que a relação continua linear. No exemplo das crianças, usar a reta até 200 meses prevê 179,7 cm, um uso absurdo do modelo. Preveja só dentro dos dados.
Use =INCLINAÇÃO(y; x) para o declive, =INTERCEPÇÃO(y; x) para o intercepto e =RQUAD(y; x) para o R². Para a tabela completa, use PROJ.LIN como fórmula de matriz — ou faça um gráfico de dispersão e adicione uma linha de tendência com a equação e o R².
Fontes: NIST/SEMATECH e-Handbook of Statistical Methods — Regressão linear · Microsoft Support — Funções estatísticas (referência) · Graça Martins (2019), Revista de Ciência Elementar, Casa das Ciências · Nossa metodologia.
Por Afan Shafiq — BS AI student