Entenda como uma reta se ajusta a dados reais, o que significa "melhor ajuste" e por que o método dos mínimos quadrados é tão fundamental em pesquisa clínica.
Conceitos Fundamentais
Regressão linear descreve a relação entre duas variáveis quantitativas através de uma reta. Dado um conjunto de pares (x, y), buscamos a reta que melhor representa o padrão subjacente nos dados.
Para cada observação, o resíduo (εᵢ) é a distância vertical entre o valor observado e o valor previsto pela reta. Nesta atividade, os resíduos aparecem como segmentos laranjas.
Uma reta ajustada gera resíduos pequenos; uma reta ruim gera resíduos grandes.
Para medir o ajuste geral da reta, somamos os quadrados de todos os resíduos. Quanto menor o RSS, melhor o ajuste.
Por que elevar ao quadrado? Para penalizar erros grandes de forma desproporcional e para tratar resíduos positivos e negativos igualmente.
O método OLS encontra os valores de β₀ e β₁ que minimizam o RSS. A solução analítica é única e computacionalmente eficiente:
Nesta atividade, você ajusta manualmente — e depois compara com a solução OLS.
A regressão linear é uma ferramenta central em epidemiologia clínica, medicina baseada em evidências e pesquisa em saúde. Ela permite quantificar relações entre variáveis — como a associação entre horas de sono e desempenho cognitivo, entre IMC e pressão arterial, ou entre atividade física e glicemia — expressando essa relação de forma precisa, interpretável e testável.
Compreender o método dos mínimos quadrados não é apenas um requisito técnico: é entender por que a reta que minimiza os quadrados dos erros é a escolha ótima, e o que acontece com o ajuste quando os dados têm outliers, variabilidade alta ou relações não lineares.
Agora que você conhece os conceitos — experimente ajustar retas em dados reais da saúde.
7 rounds · 7 datasets clínicos · Ajuste a reta contra o relógio
e aprenda regressão linear na prática. Lucky 7!
—
Cada pixel representa uma combinação de inclinação (eixo X) e intercepto (eixo Y). Cores escuras = RSS baixo (bom ajuste). Cores claras = RSS alto (ajuste ruim). O ● ponto verde é a solução ótima. O ● ponto branco é sua posição atual.
Um guia passo a passo para tirar o máximo do Linear Regression Lab.
Na aba Atividade, clique em "▶ Jogar" para começar. O Lab tem 7 rounds sequenciais — cada um apresenta um dataset clínico diferente, com dificuldade crescente e tempo limite próprio (25s nos primeiros, até 15s nos últimos).
Antes de cada round aparece uma tela com o contexto clínico do dataset, o tempo disponível, o nível de dificuldade e uma dica quando o dataset tiver alguma particularidade (relação negativa, outliers, escala comprimida). Leia antes de clicar em "Começar Rodada →".
Arraste os círculos azuis nas extremidades da reta para cima ou para baixo para girar e ajustar a inclinação. Você também pode arrastar a linha azul diretamente para cima ou para baixo para mover a reta verticalmente. Os segmentos laranjas são os resíduos — observe-os encolherem quando o ajuste melhora.
Quando sentir que o ajuste está bom, clique em "🎯 Confirmar ajuste" para terminar antes do tempo. Quanto mais cedo você confirmar com um bom ajuste, maior o bônus de velocidade — que pode valer até 50 pts extras por round.
Após cada round (exceto o último), aparecem 4 perguntas conceituais sobre o que você acabou de praticar. Se errar, o app mostra a resposta correta e uma explicação — leia antes de clicar em "Continuar →". As perguntas evoluem ao longo do Lab: de conceitos básicos até causalidade e limitações do modelo linear.
No final de cada round, a solução ótima é revelada e o heatmap fica disponível. Abra "Paisagem do RSS" para ver o espaço de parâmetros: cada pixel é uma combinação de β₁ e β₀, cores escuras = RSS baixo. O ponto branco é sua posição, o ponto verde é a solução OLS — observe como a superfície é uma parabolóide com mínimo único.
Esta atividade interativa foi desenvolvida para apoiar o ensino de regressão linear e mínimos quadrados em cursos da área da saúde. O objetivo é proporcionar aprendizagem ativa: ao ajustar a reta manualmente, o aluno desenvolve intuição visual sobre o que significa minimizar o RSS.
Os datasets são fictícios, apenas para fins ilustrativos.