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
  1. O que é a regressão ortogonal?
  2. Quando usar a regressão ortogonal?
  3. Diretrizes para o uso correto da regressão ortogonal
  4. Alternativas: quando não usar a regressão ortogonal
  5. Exemplo de regressão ortogonal
  6. Como usar a regressão ortogonal

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:

  1. Reúna os dados necessários.
Orthogonal Regression — figure 1
  1. Agora, analise os dados no Zometric Statistical Software em https://statsai.zometric.com/.
  2. Para encontrar a regressão ortogonal, escolha Statistical module> Regression>Orthogonal Regression.
  3. Na ferramenta, insira os dados e as demais entradas da seguinte forma:
Orthogonal Regression — figure 2

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

Orthogonal Regression — figure 3Orthogonal Regression — figure 4

Como usar a regressão ortogonal

O guia é o seguinte:

  1. Faça login no Zometric Statistical Software em https://statsai.zometric.com/
  2. Na página inicial, escolha Statistical Tool> Regression > Orthogonal Regression.
  3. 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.
  4. Em seguida, preencha as opções necessárias.
  5. 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.

Orthogonal Regression — figure 5

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.