{ "cells": [ { "cell_type": "markdown", "metadata": { "id": "6CVSusieBZ6j" }, "source": [ "# Aula 5 - Regressão Linear e Intervalos de Confiança" ] }, { "cell_type": "markdown", "metadata": { "id": "YPYJSVakFQkF" }, "source": [ "## Regressão Linear\n", "- Análise usada para prever o valor de uma variável X (dependente) com base no valor de outra Y (independente).\n", "- Estima os coeficientes da equação linear, envolvendo uma ou mais variáveis independentes que melhor preveem o valor da variável dependente.\n", "- Se ajusta a uma linha reta ou superficial que minimiza as discrepâncias entre os valores de saída previstos e reais.\n", "- Há calculadoras de regressão linear simples que usam um método dos mínimos quadrados para descobrir a linha de melhor ajuste para um conjunto de dados emparelhados. " ] }, { "cell_type": "markdown", "metadata": { "id": "wShnrJMhDmfd" }, "source": [ "Neste capítulo, trabalharemos novamente na investigação dos efeitos de concussões relacionadas ao esporte. Os dados são baseados na ferramenta de avaliação [IMPACT](http://www.impacttest.com).\n", "\n", "A ferramenta IMPACT tem seis métricas primárias, sendo elas:\n", "\n", "- Memória Verbal\n", "- Memória Visual\n", "- Velocidade visual motora\n", "- Tempo de Reação\n", "- Controle de Impulso\n", "- Nota total do sintoma" ] }, { "cell_type": "code", "execution_count": 1, "metadata": { "id": "ID4TORJfFtfU" }, "outputs": [], "source": [ "# Importar bibliotecas\n", "import pandas as pd\n", "import numpy as np\n", "import matplotlib.pyplot as plt\n", "import seaborn as sns\n", "from scipy.stats import linregress" ] }, { "cell_type": "code", "execution_count": 4, "metadata": { "id": "IH2zLC9y-8ps" }, "outputs": [], "source": [ "impact = pd.read_csv('../data/impact.csv')" ] }, { "cell_type": "code", "execution_count": 5, "metadata": { "colab": { "base_uri": "https://localhost:8080/", "height": 287 }, "id": "tqGBgT7zPTGr", "outputId": "1155c35c-09e6-44a4-c962-c566fa6215c2" }, "outputs": [ { "data": { "text/html": [ "
\n", " | subject | \n", "condition | \n", "verbal_memory_baseline | \n", "visual_memory_baseline | \n", "visual-motor_speed_baseline | \n", "reaction_time_baseline | \n", "impulse_control_baseline | \n", "total_symptom_baseline | \n", "verbal_memory_retest | \n", "visual_memory_retest | \n", "visual-motor_speed_retest | \n", "reaction_time_retest | \n", "impulse_control_retest | \n", "total_symptom_retest | \n", "
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | \n", "1 | \n", "control | \n", "95 | \n", "88 | \n", "35.29 | \n", "0.42 | \n", "11 | \n", "0 | \n", "97 | \n", "86 | \n", "35.61 | \n", "0.65 | \n", "10 | \n", "0 | \n", "
1 | \n", "2 | \n", "control | \n", "90 | \n", "82 | \n", "31.47 | \n", "0.63 | \n", "7 | \n", "0 | \n", "86 | \n", "80 | \n", "37.01 | \n", "0.49 | \n", "7 | \n", "0 | \n", "
2 | \n", "3 | \n", "control | \n", "87 | \n", "77 | \n", "30.87 | \n", "0.56 | \n", "8 | \n", "0 | \n", "90 | \n", "79 | \n", "20.15 | \n", "0.75 | \n", "9 | \n", "0 | \n", "
3 | \n", "4 | \n", "control | \n", "84 | \n", "72 | \n", "41.87 | \n", "0.66 | \n", "7 | \n", "0 | \n", "85 | \n", "70 | \n", "33.26 | \n", "0.19 | \n", "8 | \n", "0 | \n", "
4 | \n", "5 | \n", "control | \n", "92 | \n", "77 | \n", "33.28 | \n", "0.56 | \n", "7 | \n", "1 | \n", "87 | \n", "77 | \n", "28.34 | \n", "0.59 | \n", "8 | \n", "1 | \n", "