A análise de regressão é talvez a técnica estatística mais utilizada para investigar ou estimar a relação entre variáveis dependentes e um conjunto de variáveis explicativas independentes.
Este tipo de análise de dados também é usado como um termo abrangente para uma variedade de técnicas de análise de dados que são usadas num método de investigação qualitativa para modelar e analisar numerosas variáveis.
No método de regressão, a variável dependente é um elemento preditor ou explicativo e a variável dependente é o resultado ou uma resposta a uma consulta específica.
Vamos saber mais sobre as caraterísticas desta técnica de análise.
O que é a análise de regressão?
A análise de regressão é um método estatístico para examinar a relação entre duas ou mais variáveis e identificar quais as variáveis que têm maior impacto num tópico de interesse.
Este tipo de análise estatística permite uma classificação matemática através de diferentes perguntas, tais como: Que factores são mais importantes, que factores podem ser ignorados, como é que estes factores interagem uns com os outros e, finalmente, até que ponto te sentes confiante em relação a todos estes factores?
O processo de execução de uma regressão permite-te determinar com confiança quais os factores mais importantes, quais os que podem ser ignorados e como se influenciam mutuamente. determina quais os factores mais importantes, quais os que podem ser ignorados e como se influenciam mutuamente..
Dichos factores se denominan variables las cuales se clasifican en:
- Variável(eis) dependente(s): O fator mais importante, que estás a tentar compreender ou prever.
- Variável(eis) independente(s): Este é o fator que acreditas que pode ter impacto na tua variável dependente.
Utilizações da análise de regressão
A estudo de mercado A avaliação da satisfação do cliente é feita com base em três matrizes principais: satisfação do cliente, lealdade do cliente e defesa do cliente.
É de notar que, embora estas matrizes nos informem sobre a saúde e as intenções dos clientes, não nos dizem como melhorar a sua posição.
Por conseguinte, num inquérito, podemos perguntar aos consumidores porque estão insatisfeitos, o que é certamente uma forma de obter informações práticas.
No entanto, verificou-se que as pessoas têm frequentemente dificuldade em descrever a sua motivação ou desmotivação, ou em descrever a sua satisfação ou insatisfação. para descrever a sua motivação ou desmotivação, ou para descrever a sua satisfação ou insatisfação..
Além disso, as pessoas dão sempre uma importância indevida a alguns factores racionais, como o preço, a embalagem, etc.
Em geral, funciona como uma ferramenta de previsão analítica e preditiva nos estudos de mercado.
Quando utilizada como ferramenta de previsão, a análise de regressão pode servir para determinar os valores de vendas de uma organização tendo em conta os dados do mercado externo. Uma empresa multinacional realiza estudos de mercado para compreender o impacto de vários factores, como o PIB (Produto Interno Bruto), o IPC (Índice de Preços no Consumidor) e outros factores semelhantes no seu modelo de geração de receitas. Obviamente, a análise de regressão, tendo em conta os indicadores de marketing previstos, foi utilizada para prever uma tentativa de receitas que serão gerados nos próximos trimestres e mesmo nos anos futuros.
No entanto, quanto mais longe for o futuro, menos fiáveis se tornarão os dados e maior será a margem de erro.
ExemploUma empresa de purificadores de água queria compreender os factores que favorecem a marca.
Um inquérito era a melhor forma de chegar aos clientes actuais e potenciais.
Planeou um inquérito em grande escala aos consumidores Foi realizado um inquérito aos consumidores em grande escala e foi elaborado um questionário discreto utilizando a melhor ferramenta de inquérito.O inquérito colocava efetivamente uma série de questões relacionadas com a marca, a favorabilidade, a satisfação e a provável insatisfação. Depois de obter as melhores respostas ao inquérito, utilizou-se a análise de regressão para reduzir os dez principais factores responsáveis pela favorabilidade da marca.
Todos os atributos derivados, de uma forma ou de outra, destacaram a sua importância no impacto da elegibilidade dessa marca específica de purificador de água.
Como é que a análise de regressão fornece informações sobre os inquéritos
É fácil efetuar uma análise de regressão com o Excel ou o SPSS, mas ao fazê-lo tens de compreender a importância dos quatro números na interpretação dos dados.
Os primeiros dois dos quatro números estão diretamente relacionados com o próprio modelo de regressão.
- Valor F: Ajuda a medir a significância estatística do modelo do questionário.
Lembra-te que um valor F significativamente inferior a 0,05 é considerado mais significativo.
Um valor F inferior a 0,05 garante que os resultados da análise do inquérito não são aleatórios. - R-quadradoO valor a que a variável independente tenta explicar a quantidade de movimento de uma variável dependente.
Se o valor R-quadrado for 0,7, significa que 70% do movimento da variável dependente pode ser explicado por uma variável independente testada.
Isto significa que o resultado da análise do inquérito que vamos obter é de natureza altamente preditiva e pode ser considerado exato.
Os outros dois números referem-se a cada uma das variáveis independentes quando interpretas a análise de regressão.
- Valor de pValor P: Tal como o valor F, o valor P também tem um grande significado estatístico.
Além disso, aqui indica quão relevante e estatisticamente significativo é o efeito da variável independente.
Mais uma vez, procura um valor inferior a 0,05. - O quarto número refere-se ao coeficiente obtido após a medição do impacto das variáveis.
Por ejemplo, probamos múltiples variables independientes para obtener un coeficiente que nos diga “en qué valor se espera que aumente la variable dependiente cuando las variables independientes (que estamos considerando) aumentan en uno cuando todas las demás variables independientes están estancadas en el mismo valor”.
Em alguns casos, o coeficiente simples é substituído por um coeficiente normalizado que demonstra a contribuição de cada variável independente para mover ou causar uma alteração na variável dependente.
Tipos de análise de regressão
Os diferentes tipos de análise de regressão são os seguintes:
Modelo de regressão linear simples
A regressão linear simples é a técnica mais comummente utilizada, uma forma de modelar uma relação entre dois conjuntos de variáveis.
O resultado é uma equação que pode ser utilizada para fazer projecções ou estimativas sobre os dados.
Este modelo é considerado um preditor x e uma variável dependente ou resposta Y. Imagina que a verdadeira relação entre Y e x é uma linha reta e que a observação Y em cada nível x é uma variável aleatória.
O modelo de regressão linear simples caracteriza-se por prever a variável dependente através da seguinte equação:
E(Y/x) = 0 + β1 x
Em que a ordenada em relação à origem β0 e o declive β1 são os coeficientes desconhecidos da regressão. Algumas dicas que podes ter em conta quando utilizas o modelo de regressão linear simples são:
- É necessário ter cuidado na seleção das variáveis com as quais se constroem as equações de regressão e na determinação da forma do modelo.
- As relações de regressão só são válidas para valores de regressores que estejam dentro do intervalo dos dados originais.
Modelo de regressão linear múltipla
A regressão linear múltipla é uma técnica estatística que analisa situações que envolvem mais do que uma variável. Este método permite identificar quais são as variáveis independentes que podem explicar uma variável independente, testar as causas e prever aproximadamente os valores. O modelo de regressão linear múltipla pode ser descrito pela seguinte equação:
Y = 0 + β1X1 + β2X2 + … + βnXn + ε
Onde estás Y é uma variável dependente, β representa os seus estimadores e o ε representa o resíduo ou erro.
Modelo de regressão não linear
A regressão não linear é um processo mais complicado em que o número de parâmetros pode não coincidir com o número de variáveis explicativas.
Um exemplo de um modelo não linear nos parâmetros seria dado pela seguinte função exponencial:
Υ= αΧβ
Em muitos casos, as variáveis originais podem ser transformadas para converter a função não linear numa função linear e, assim, aplicar estas técnicas.
Assim, se a não linearidade afetar apenas as variáveis explicativas mas não os coeficientes, podem ser definidas novas variáveis.
Vantagens da utilização da análise de regressão num inquérito em linha
Estas são algumas das vantagens da realização de uma análise de regressão:
-
Obtém acesso a análises preditivas
Sabias que utilizar a análise de regressão para compreender o resultado de um inquérito é como ter o poder de descobrir oportunidades e riscos futuros?
Por exemplo, depois de ver uma determinada faixa horária de publicidade na televisão, podemos prever o número exato de empresas utilizando esses dados para estimar uma oferta máxima para essa faixa horária.
A indústria financeira e de seguros, no seu conjunto, baseia-se fortemente na análise de regressão dos dados dos inquéritos para identificar tendências e oportunidades para um planeamento e uma tomada de decisões mais precisos.
-
Melhorar a eficiência operacional
Sabias que as empresas utilizam a análise de regressão para otimizar os seus processos empresariais?
Por exemplo, antes de lançar uma nova linha de produtos, as empresas realizam inquéritos aos consumidores para compreender melhor o impacto de vários factores na produção, embalagem, distribuição e consumo desse produto.
As previsões baseadas em dados ajudam a eliminar as conjecturas, os pressupostos e as políticas internas da tomada de decisões.
Uma compreensão mais profunda das áreas que afectam a eficiência operacional e as receitas conduz a uma melhor otimização do negócio.
-
Apoio quantitativo à tomada de decisões
Atualmente, os estudos empresariais geram uma grande quantidade de dados relacionados com as finanças, as receitas, as operações, as compras, etc., e os proprietários de empresas dependem fortemente de vários modelos de análise de dados para tomar decisões empresariais informadas.
Por exemplo, a análise de regressão ajuda as empresas a tomar decisões estratégicas em matéria de pessoal.
Conduzir e interpretar os resultados da análise de regressão.O inquérito aos trabalhadores aumenta a compreensão da relação entre os trabalhadores e a empresa. Também ajuda a ter uma ideia justa de certas questões que podem afetar a cultura de trabalho, o ambiente de trabalho e a produtividade da organização. Além disso, através de interpretações inteligentes orientadas para o negócio, reduz a enorme pilha de dados brutos em informações acionáveis para uma tomada de decisões mais informada.
-
Evita erros baseados na intuição
Se souberes como utilizar a análise de regressão para interpretar os resultados dos inquéritos, podes facilmente fornecer à gestão apoio para tomar decisões informadas; mas sabias que também ajuda a evitar erros de julgamento?
Por exemplo, o gerente de um centro comercial acredita que, se a hora de fecho do centro comercial for prolongada, haverá mais vendas.
A análise de regressão contradiz esta crença, prevendo que o aumento do rendimento devido ao aumento das vendas não será suficiente para suportar o aumento das despesas devido ao prolongamento do horário de trabalho.
Importância da análise de regressão
A análise de regressão é útil para uma organização porque permite determinar o grau em que as variáveis independentes influenciam as variáveis dependentes.
Além disso, pode explicar um fenómeno e prever coisas sobre o futuro, bem como fornecer informações comerciais valiosas e acionáveis.
Este método fornece informações sobre a organização dos custos e a forma como as funções das variáveis podem afetar o produto. A realização de uma análise de regressão permitir-te-á tomar decisões de negócio mais informadas e eficientes e desenvolver estratégias para melhorar a qualidade dos teus produtos e serviços, o que, subsequentemente, beneficiará as receitas da tua organização.