Jobbkarakteristiskmodell

Nesse estagio deve-se interpretar a variável estatística de regressão pela avaliação dos coeficientes de regressão estimados em termos de sua explicação da variável dependente. Avalia-se com isto não apenas o modelo de regressão estimado, mas também as variáveis independentes que foram eventualmente omitidas se uma busca seqüencial ou abordagem combinatória foi empregada. Assim após avaliar os coeficientes estimados, deve-se também avaliar o impacto potencial de variáveis omitidas para garantir que a significância gerencial seja avaliada, juntamente com a significância estatística.

3.6.1 Avaliação da equação com os coeficientes de regressão

Os coeficientes de regressão estimados devem ser usados para calcular os valores previstos para cada observação e para expressar a variação esperada na variável dependente para cada variação unitária nas variáveis independente. A interpretação da variável estatística de regressão acontece com a estimação do modelo concluída, a variável estatística de regressão especificada e os testes diagnósticos que confirmam a adequação dos resultados administrativos, nessa etapa pode-se examinar a equação a qual inclui X1, X2,..., Xn “variáveis da equação”. A Tabela dos coeficientes fornece a equação de explicação a partir da coluna “coeficientes”, nessa coluna o termo constante e os coeficientes para X1, X2,..., Xn sendo a equação escrita como:

.

X

X

X

β

β

β

ε

β

+

+

+

+

=

Y

Κ

3.6.2 Avaliação da importância relativa das variáveis independentes com o coeficiente beta

Com a equação definida pode-se verificar o nível de importância relativa das variáveis individuais na explicação geral do problema. Nessa situação todas as variáveis devem ser

expressa em uma escala única, e assim comparações diretas podem ser feitas. Mas na maioria dos casos, os coeficientes β são empregados para que comparações diretas possam ser feitas. Na Tabela de coeficientes na coluna “coeficientes padronizados de regressão”. Assim sendo é possível efetuar comparações diretas entre as variáveis para se certificar de sua importância relativa na variável estatística de regressão.

3.6.3 Avaliação dos efeitos da multicolinearidade

Em todas as análises de variáveis estatísticas de regressão, deve ser observado o impacto da multicolinearidade, ou seja, variáveis altamente colineares podem afetar negativamente o resultado. Para resolver esse problema duas medidas estão disponíveis para testar o impacto da colinearidade: Cálculo dos valores da tolerância e do VIF.

O valor da tolerância é a quantidade da variância da variável explicada pelas outras variáveis, ou seja, uma alta tolerância indica pouca colinearidade. O fator de inflação VIF é o contrario da tolerância, logo são procurados valores VIF pequenos como indicativo de baixa inter-correlação entre as variáveis.

Nessa abordagem a multicolinearidade pode afetar substancialmente as variáveis incluídas por último na equação, assim sendo apos avaliar os coeficientes estimados, se deve também avaliar o impacto potencial de variáveis omitidas a fim de garantir a significância gerencial da pesquisa.

Multicolinearidade – é a correlação entre as variáveis independentes. Esse é um problema de dados, e não de especificação do modelo. A situação ideal era ter diversas variáveis independentes altamente correlacionadas com a variável dependente, porém com pouca correlação entre elas próprias. A tarefa fundamental é: avaliar o grau de multicolinearidade e determinar seu impacto sobre os resultados e as ações corretivas se for o caso.

Os efeitos da multicolinearidade podem ser classificados em termos de explicação e estimação. Os efeitos da explicação se referem principalmente a habilidade do procedimento de regressão e do pesquisador em representar e compreender os efeitos de cada variável independente na variável estatística. Quando ocorre multicolinearidade, o processo de separação de efeitos individuais se torna mais difícil. Primeiro, ela limita o tamanho do

coeficiente de determinação e fica cada vez mais difícil acrescentar uma única previsão explanatória a partir de variáveis adicionais. Segundo, ela torna a determinação da contribuição de cada variável independente mais complexa porque os efeitos das variáveis independentes estão confusos, ou seja, a quantia de variância única para as variáveis independentes é reduzida a níveis que torna a estimação de seus efeitos individuais muito problemáticos.

Além dos efeitos na explicação, se podem ter grandes efeitos na estimativa dos coeficientes e em seus testes de significância estatística. Primeiro analisa-se o caso extremo de multicolinearidade em que duas ou mais variáveis são perfeitamente correlacionadas, chamado de singularidade, esse efeito impede a estimação de quaisquer coeficientes. Nesse caso a singularidade deve ser removida antes que a estimação dos coeficientes possa prosseguir.

Identificação da Multicolinearidade – A maneira mais simples e obvia de se identificar a colinearidade é um exame da matriz de correlação para as variáveis independentes. A presença de altas correlações é a primeira indicação de colinearidade substancial. Duas das maneiras mais comuns para avaliar a colinearidade são: o valor de tolerância e seu inverso o fator de inflação de variância (VIF). Essas medidas dizem-nos o grau em que cada variável independente é explicada pelas demais variáveis independentes. Em termos simples, cada variável independente se torna uma dependente e passa por uma regressão em relação às demais variáveis independentes. Tolerância é a quantia de variabilidade da variável independente selecionada não explicada pelas outras variáveis independentes. Logo valores pequenos de tolerância denotam colinearidade elevada. Segundo HAIR et al., (2005) um valor de referência comum é uma tolerância de 0,10, o que corresponde a um valor de VIF acima de 10.