Ao trabalhar com modelos de regressão múltipla, é comum a necessidade de escolher entre diferentes c...

Alternativa E - As asserções são proposições verdadeiras, e a segunda justifica a primeira.

Introdução

A escolha do modelo de regressão múltipla ideal é um desafio comum em estatística e aprendizado de máquina. Tal escolha envolve balancear a capacidade do modelo de explicar a variância dos dados (qualidade de ajuste), sua complexidade (parcimônia) e sua capacidade de generalização (qualidade preditiva). Critérios como R², R² ajustado e o Cₚ de Mallows são ferramentas essenciais nesse processo, cada um oferecendo uma perspectiva diferente para avaliar os modelos candidatos.

Desenvolvimento

A seleção de modelos em regressão múltipla busca encontrar o melhor subconjunto de variáveis explicativas que minimize o erro de previsão e mantenha o modelo o mais simples possível.

• R² (Coeficiente de Determinação): Mede a proporção da variabilidade total da variável dependente que é explicada pelas variáveis independentes do modelo. Um R² mais alto geralmente indica um melhor ajuste. No entanto, o R² tende a aumentar com a adição de qualquer variável explicativa, mesmo que não seja significativa, levando a modelos superajustados (overfitting).

• R² Ajustado: Corrige o R² pela quantidade de variáveis explicativas no modelo e pelo tamanho da amostra. Ele penaliza a adição de variáveis irrelevantes, diminuindo quando uma variável adicionada não melhora significativamente o poder explicativo do modelo. Assim, o R² ajustado é uma medida mais confiável da qualidade de ajuste para comparação entre modelos com diferentes números de preditores, sendo preferível um valor mais alto.

• Cₚ de Mallows: É um critério de seleção de modelo que compara o erro quadrático médio (MSE) de um modelo de subconjunto com o MSE do modelo completo (com todas as variáveis candidatas). Ele busca encontrar um modelo com baixo erro de predição total, equilibrando a variância e o viés. A fórmula geral para Cₚ é: Cₚ = [SSEₚ / (s²)] - [n - 2 * (k)] Onde:

  • SSEₚ é a soma dos quadrados dos resíduos do modelo com p preditores.
  • s² é a estimativa do erro quadrático médio do modelo completo (considerado o "verdadeiro" erro).
  • n é o número de observações.
  • k é o número de parâmetros no modelo de subconjunto (incluindo o intercepto).

  Um modelo é considerado bom quando seu Cₚ se aproxima do número de parâmetros k (ou seja, p + 1, onde p é o número de preditores e 1 é o intercepto). Valores de Cₚ menores que k indicam que o modelo tem viés, enquanto valores muito maiores que k sugerem excesso de variância devido a preditores desnecessários. O objetivo é encontrar um modelo com Cₚ aproximadamente igual a k, indicando um bom equilíbrio entre viés e variância.

Análise

Vamos analisar os modelos propostos com base nos critérios apresentados:

| Critério | Modelo A | Modelo B | Modelo C | | :--------------- | :------- | :------- | :------- | | R² | 0,89 | 0,91 | 0,87 | | R² Ajustado | 0,83 | 0,84 | 0,85 | | Cₚ de Mallows | 7,1 | 11,0 | 3,9 |

Análise das Asserções:

• Asserção I: "O Modelo C apresenta o melhor equilíbrio entre qualidade de ajuste e parcimônia, sendo preferível para análise preditiva."

  • Verdadeira. Observando a tabela, o Modelo C possui o maior R² ajustado (0,85). Isso indica que, ao considerar o número de variáveis explicativas, ele tem a melhor capacidade de explicar a variância da variável dependente sem incluir preditores desnecessários. Além disso, o Modelo C apresenta o menor valor de Cₚ (3,9). Um Cₚ baixo, especialmente o mais baixo entre os modelos, sugere um bom balanço entre viés e variância, indicando parcimônia e uma boa capacidade preditiva.

• Asserção II: "O critério Cₚ de Mallows penaliza modelos com variância excessiva ou complexidade desnecessária, sendo ideal quando seu valor se aproxima do número de preditores mais um."

  • Verdadeira. Esta asserção descreve corretamente o propósito e a interpretação do Cₚ de Mallows. Ele de fato penaliza modelos que são excessivamente complexos ou que introduzem muita variância (o que acontece com preditores desnecessários) sem uma melhoria correspondente no ajuste. O valor ideal do Cₚ é quando ele se aproxima de k (o número de parâmetros, que é o número de preditores mais o intercepto), o que sugere um modelo que atinge um bom compromisso entre viés e variância do erro de predição.

Relação entre as Asserções: A Asserção I afirma que o Modelo C é o melhor devido ao seu equilíbrio entre qualidade de ajuste e parcimônia para predição. A Asserção II explica que o Cₚ de Mallows é um critério que avalia exatamente esse equilíbrio (penalizando complexidade e variância excessiva e sendo ideal próximo a k). A escolha do Modelo C, baseada em seu baixo Cₚ e alto R² ajustado, é uma aplicação direta do princípio descrito na Asserção II. Portanto, a segunda asserção justifica a primeira, fornecendo a base teórica para a preferência do Modelo C.

Conclusão

Ambas as asserções são verdadeiras. O Modelo C destaca-se pelos seus indicadores de qualidade de ajuste e parcimônia (maior R² ajustado e menor Cₚ), tornando-o o mais adequado para análise preditiva. Essa conclusão é justificada pela natureza do critério Cₚ de Mallows, que busca equilibrar o viés e a variância do modelo, penalizando a complexidade desnecessária e indicando um modelo ideal quando seu valor se aproxima do número de parâmetros.

Alternativa E.