Regressão ortogonal (Deming)
A regressão ortogonal (também conhecida como regressão de Deming ou regressão com erros nas variáveis) é um método estatístico usado para determinar a relação entre dois sistemas de medição ou duas variáveis contínuas quando ambas as variáveis contêm erro de medição — e não apenas a variável de resposta. Diferentemente da regressão padrão, que pressupõe erro apenas na variável Y, a regressão ortogonal considera a incerteza nas medições de X e de Y simultaneamente, produzindo uma reta de melhor ajuste mais precisa e não viesada.
Última revisão
Conclusão principal
A regressão ortogonal (também conhecida como regressão de Deming) é um método estatístico usado para determinar a relação entre dois sistemas de medição ou duas variáveis contínuas quando ambos contêm erro de medição.
Nesta página
O que é a regressão ortogonal?
A regressão ortogonal (também conhecida como regressão de Deming ou regressão com erros nas variáveis) é um método estatístico usado para determinar a relação entre dois sistemas de medição ou duas variáveis contínuas quando ambas as variáveis contêm erro de medição — e não apenas a variável de resposta. Diferentemente da regressão padrão, que pressupõe erro apenas na variável Y, a regressão ortogonal considera a incerteza nas medições de X e de Y simultaneamente, produzindo uma reta de melhor ajuste mais precisa e não viesada.
Ela é mais comumente usada para avaliar se dois métodos de medição, instrumentos ou laboratórios produzem resultados equivalentes — por exemplo, comparando um novo método de ensaio com um método de referência estabelecido para determinar se podem ser usados de forma intercambiável.
Quando usar a regressão ortogonal?
- Use quando quiser comparar dois métodos de medição para determinar se eles produzem resultados equivalentes no mesmo conjunto de itens.
- Use quando ambas as variáveis comparadas contêm erro de medição — se apenas a variável Y tem erro, use o Fit Line Model padrão.
- Use quando o objetivo é estabelecer a equivalência ou a intercambialidade de métodos — por exemplo, validar um método de ensaio mais rápido ou mais barato em relação a um padrão de referência aceito.
- Use quando precisar estimar a verdadeira relação entre duas variáveis que são ambas medidas de forma imprecisa, em vez de usar uma relação distorcida pela desconsideração do erro da variável X.
- Use em estudos laboratoriais, clínicos, de fabricação e de calibração em que a comparação de sistemas de medição é um requisito central.
Diretrizes para o uso correto da regressão ortogonal
- Ambas as variáveis devem ser contínuas — a regressão ortogonal não é apropriada para dados categóricos ou por atributos.
- A razão das variâncias do erro (a razão entre a variância do erro de medição de X e a variância do erro de medição de Y) deve ser especificada ou estimada — a premissa padrão é que ambas as variáveis têm o mesmo erro de medição (razão = 1), mas isso deve ser verificado ou ajustado com base na capacidade conhecida do sistema de medição.
- Colete pares de dados suficientes — meça o mesmo conjunto de itens com ambos os métodos. Recomenda-se um mínimo de 30 a 50 observações pareadas para produzir estimativas estáveis e confiáveis da reta de regressão.
- Garanta que a faixa dos itens medidos cubra toda a faixa operacional de interesse — uma faixa de medição estreita produzirá estimativas pouco confiáveis da inclinação e do intercepto e dificultará a sustentação de conclusões sobre a equivalência dos métodos.
- Após o ajuste, examine o intervalo de confiança da inclinação — se o intervalo contém 1.0, os dois métodos têm respostas proporcionalmente equivalentes. Examine o intervalo de confiança do intercepto — se ele contém 0, não há vício sistemático fixo entre os métodos.
- Verifique os gráficos de resíduos para confirmar que as premissas do modelo são atendidas e que nenhuma observação incomum está influenciando de forma desproporcional a reta ajustada.
- Não extrapole as conclusões para além da faixa de itens testada — a equivalência dos dois métodos só é demonstrada dentro da faixa medida.
Alternativas: quando não usar a regressão ortogonal
- Se apenas a variável de resposta (Y) contém erro de medição e o preditor (X) é medido com erro desprezível ou é um valor controlado e exato, use Fit Line Model ou Fit Regression Model — a regressão ortogonal corrigiria em excesso e produziria uma estimativa viesada da inclinação.
- Se o objetivo é prever uma resposta a partir de preditores em vez de comparar dois sistemas de medição, use o Fit Regression Model — a regressão ortogonal foi projetada especificamente para a comparação de métodos, não para a previsão.
- Se a razão das variâncias do erro é totalmente desconhecida e não pode ser estimada a partir de um estudo do sistema de medição, os resultados da regressão ortogonal serão pouco confiáveis — realize antes um estudo de Gage R&R ou uma análise do sistema de medição para quantificar o erro de cada variável antes de prosseguir.
- Se você tem mais de duas variáveis para comparar ou modelar simultaneamente, use o Fit Regression Model ou a análise multivariada .
- Se as duas variáveis comparadas estão em escalas diferentes ou medem características fundamentalmente diferentes, um estudo de comparação de métodos não é apropriado — a regressão ortogonal exige que ambas as variáveis meçam a mesma grandeza subjacente.
- Se a variável de resposta é categórica ou binária, use a regressão logística .
Exemplo de regressão ortogonal
Um engenheiro compara um novo monitor de pressão arterial com um dispositivo existente medindo a pressão arterial sistólica de 60 indivíduos com ambos os instrumentos. Para avaliar a equivalência, usa-se a regressão ortogonal, já que ambos os dispositivos têm erro de medição. Em estudos anteriores, a variância do novo monitor foi de 1.08 e a do monitor existente, de 1.20. O novo monitor é tratado como a resposta e o dispositivo existente como o preditor, o que dá uma razão das variâncias do erro de 0.90 para a análise. Os passos são os seguintes:
- Reúna os dados necessários.

- Agora, analise os dados no Zometric Statistical Software em https://statsai.zometric.com/.
- Para encontrar a regressão ortogonal, escolha Statistical module> Regression>Orthogonal Regression.
- Na ferramenta, insira os dados e as demais entradas da seguinte forma:

5. Depois de usar a ferramenta mencionada acima, obtém-se a saída a seguir


Como usar a regressão ortogonal
O guia é o seguinte:
- Faça login no Zometric Statistical Software em https://statsai.zometric.com/
- Na página inicial, escolha Statistical Tool> Regression > Orthogonal Regression.
- Em seguida, atualize os dados manualmente ou copie todos os dados (Ctrl+C) de uma planilha do Excel e cole-os (Ctrl+V) aqui, ou então use a opção Load Example, em que os dados de exemplo serão carregados.
- Em seguida, preencha as opções necessárias.
- Por fim, clique em calculate na parte inferior da página para obter os resultados desejados.
No painel (dashboard) da regressão ortogonal, a janela é dividida em duas partes.

Na parte esquerda fica o painel de dados (Data Pane). No Data Pane, cada linha forma um subgrupo. Os dados podem ser inseridos manualmente, ou você pode copiar todos os dados (Ctrl+C) de uma planilha do Excel e colá-los (Ctrl+V) aqui.
Load example: Os dados de exemplo serão carregados.
Na parte direita, há várias opções, descritas a seguir:
- Response(Y): Selecione a coluna que contém as medições do método ou instrumento que você quer avaliar — normalmente o método novo, alternativo ou de teste que está sendo avaliado em relação a uma referência estabelecida. Essa é a variável plotada no eixo vertical. Em um estudo de comparação de métodos, costuma ser o sistema de medição mais novo, mais rápido ou mais barato, cuja equivalência com a referência precisa ser demonstrada.
- Predictor (X): Selecione a coluna que contém as medições do método de referência, estabelecido ou padrão — o sistema de medição já aceito como confiável e preciso. Essa é a variável plotada no eixo horizontal. As colunas Response e Predictor devem conter medições feitas no mesmo conjunto de itens ou amostras — cada linha representa um item medido pelos dois métodos.
- Error Variance Ratio (Y/X): Define a razão presumida entre a variância do erro de medição da variável Y e a variância do erro de medição da variável X. Essa é a entrada mais crítica e exclusiva da regressão ortogonal — ela informa ao modelo quanto erro existe em cada variável em relação à outra, de modo que a reta ajustada leve corretamente em conta a imprecisão das duas medições.
Perguntas frequentes
O que é a regressão ortogonal?
A regressão ortogonal, também conhecida como regressão de Deming ou regressão com erros nas variáveis, determina a relação entre dois sistemas de medição ou duas variáveis contínuas quando ambos contêm erro de medição. Diferentemente da regressão padrão, que pressupõe erro apenas em Y, ela considera a incerteza em X e em Y, produzindo uma reta de melhor ajuste mais precisa e não viesada.
Quando usar a regressão ortogonal em vez da regressão linear simples?
Use a regressão ortogonal para comparar dois métodos de medição, instrumentos ou laboratórios quando ambas as variáveis contêm erro de medição, por exemplo para validar um novo método de ensaio em relação a uma referência. Se apenas Y tem erro e X é um valor controlado ou exato, use o Fit Line ou o Fit Regression Model, pois a regressão ortogonal corrigiria a inclinação em excesso.
Como interpretar os resultados da regressão ortogonal?
Examine o intervalo de confiança da inclinação: se ele contém 1.0, os dois métodos têm respostas proporcionalmente equivalentes. Examine o intervalo de confiança do intercepto: se ele contém 0, não há vício sistemático fixa entre os métodos. Verifique os gráficos de resíduos e não extrapole a equivalência para além da faixa de itens testada.
O que é a razão das variâncias do erro na regressão ortogonal?
A razão das variâncias do erro é a razão entre a variância do erro de medição de Y e a de X. Ela informa ao modelo quanto erro existe em cada variável em relação à outra. O padrão pressupõe erro igual (razão 1), mas deve ser verificado ou estimado, por exemplo a partir de um estudo de Gage R&R. Use ao menos 30 a 50 observações pareadas.
