As determinantes locais da paradiplomacia: o caso dos municípios ...

modelo utilizado se encaixa bem nos dados ou se é influenciado por pequenos números de
caso e o segundo refere-se à capacidade de generalização do modelo.
Ambas as noções implicam em procedimentos e em cálculos para testar seus
aspectos. Não será desenvolvido esse tipo de explicação, mas será apresentado o que
essencialmente representam. De alguma forma eles estão hierarquicamente conectados, afinal
de contas, não se deseja generalizar um modelo que não se encaixa bem nos dados. A própria
generalização, tem problemas específicos já que se entende que ela não é possível, deve-se
reduzir o escopo de explicação do modelo apenas à amostra com os dados coletados.
A questão da adequação do modelo na regressão refere-se basicamente a dois tipos
de características de alguns poucos casos que podem influenciar mais o resultado (VD) do que
os demais: os outliers e os casos influentes (influencial cases). Ambos enviesam o modelo,
mas suas formas de mensuração se diferem. A primeira se concentra nos resíduos e nos erros
do modelo como um todo, enquanto que a segunda foca nas influências indevidas sobre os
parâmetros dos modelos, e possui uma série de técnicas de mensuração (distância de
Mahalanobis, distância de Cook, eigenvalues, etc.).
Quanto à generalização, viu-se anteriormente que é importante conseguir dizer algo
sobre a amostra que contém os dados, mas é mais interessante poder dizer algo sobre a
população da qual a amostra foi retirada. Essa é a ideia de generalização do modelo e para
conseguir calculá-la na regressão é necessário respeitar alguns pressupostos. Alguns já foram
vistos anteriormente, outros são específicos para esse modelo. Serão citados todos, mas se
deterá a três em especial, porque eles também são pressupostos da regressão logística.
Para a regressão linear as variáveis devem ser contínuas ou categóricas dicotômicas,
sendo que a variável dependente deve necessariamente ser contínua; as VI devem ter
variância diferente de 0; as VI não devem ser correlacionadas a variáveis externas ao modelo;
homoscedasticidade, ou seja, homogeneidade de variância dos resíduos; distribuição normal
dos erros; e independência dos valores da VD.
Além dessas, podem-se explicar melhor três pressupostos. O primeiro é o da
linearidade, representando simplesmente que os valores médios da variável dependente para
cada incremento das variáveis independentes residem sobre uma linha reta. Em outras
palavras, pressupõe-se que há relação linear no modelo, pois caso se encontre uma relação
não-linear usando um modelo linear ele dificilmente poderá ser generalizado.
O segundo pressuposto é o da independência de erros. Isso significa que para duas
observações quaisquer os seus resíduos não podem estar correlacionados. Esse pressuposto
pode ser analisado por testes como o de Durbin-Watson, que analisa uma série de correlações
entre erros. De forma específica, ele testa se resíduos adjacentes se correlacionam.
184