Modelagem da dinâmica espacial como uma ... - mtc-m12:80 - Inpe

acontece, esses relacionamentos são linearizados através de transformações matemáticas
de modo a ajustá-los ao modelo de regressão.
O modelo de regressão linear no caso multivariado é obtido a partir da equação geral:
Yi = β 0 + β1X
i1
+ β2
X i2
+ ... + β p−1X
i,
p−1
+ εi
169
, (5.72)
onde Yi é a resposta obtida na i-ésima observação; ß0, ß1,…,ßp-1 são parâmetros para
serem estimados; Xi1,…,Xi,p-1 são variáveis conhecidas; εi são erros independentes com
distribuição normal, com média igual a zero e variância constante – N (0,σ 2 ); i são as
observações, i = 1, 2, …, n.
A função resposta do modelo, que é a média de várias observações, é dada por:
E (Y) = ß 0 + ß 1X 1 + ß 2X 2 + ... + ß p-1X p-1
. (5.73)
O parâmetro ß0 refere-se ao intercepto do plano de regressão. Se nenhuma das variáveis
independentes pode assumir valor zero, ß0 perde o seu significado. Contudo, muitos
estatísticos preferem incluí-lo no modelo final por razões de ajuste matemático.
O parâmetro ß1 corresponde à alteração média na variável de saída E (Y) para cada
unidade de incremento no valor de X1, mantendo-se todas as outras variáveis
independentes constantes, e assim por diante para os parâmetros remanescentes
associados com as variáveis explicativas.
5.3.2.2 Análise Exploratória
Um dos primeiros passos para se conduzir uma análise de regressão linear é a
verificação de independência entre as observações obtidas para a variável resposta ou de
saída (Yi). Isto é feito por meio de um teste intitulado função de autocorrelação
(“Autocorrelation Function” - ACF), a qual checa as correlações em uma série temporal
através de intervalos dela mesma. Autocorrelações são calculadas para 1, 2, …, n
intervalos determinados. A ACF pode ser executada de maneira parcial, quando ela