Trabalho de Regressao

Objetivo do Trabalho Para o trabalho você deve selecionar uma base de dados que trate de um tema de seu interesse ou que você tenha acesso como dados de uma empresa e aplicar os conceitos de regressão discutidos na disciplina O trabalho deve ser estruturado como um relatório contendo hipóteses claras e uma análise detalhada das variáveis Onde Encontrar Bases de Dados Aqui estão algumas sugestões de fontes de dados IBGE Instituto Brasileiro de Geografia e Estatística Base completa para análises regionais e nacionais sobre temas como demografia economia e mercado de trabalho Banco Mundial Dados econômicos e sociais globais para análises comparativas entre países Kaggle Diversidade de datasets sobre temas variados como marketing saúde e finanças Portal Brasileiro de Dados Abertos Dados governamentais em saúde educação segurança e infraestrutura Bases de Empresas e Instituições Se você tiver acesso a dados internos como vendas satisfação do cliente ou desempenho eles podem ser usados para uma análise específica Estrutura do Relatório O relatório deve seguir a estrutura abaixo Introdução o Apresente o problema que será abordado e descreva brevemente o tema escolhido o Defina as hipóteses do trabalho explicando o que você espera encontrar na análise de regressão Dados e Métodos o Descreva a base de dados utilizada e as variáveis escolhidas Identifique claramente a variável dependente VD e as variáveis independentes VI o Explique o método estatístico usado para testar as hipóteses incluindo o tipo de regressão e qualquer técnica adicional por exemplo controle de multicolinearidade uso de variáveis dummy Análise dos Resultados o Apresente uma estatística descritiva da amostra o Apresente a análise completa dos resultados dos modelos de regressão Inclua tabelas e gráficos para ilustrar suas descobertas e comente sobre cada uma delas o Destaque se encontrou outliers como lidou com possíveis problemas como multicolinearidade Discussão e Conclusão o Interprete os resultados à luz das hipóteses iniciais Explique o que os resultados indicam e quais implicações práticas e gerenciais eles podem ter o Apresente recomendações baseadas na análise Relatório deve conter no máximo 10 páginas Além do relatório o grupo deve encaminhar o script do python com os outputs utilizados no relatório Critérios de Avaliação O trabalho será avaliado com base nos seguintes critérios Clareza e Objetividade Explicações claras objetivas e bem estruturadas Profundidade Analítica Uso adequado dos conceitos de regressão e ferramentas estatísticas Verificação de suposições como presença de outliers e análise de multicolinearidade serão valorizadas Apresentação Visual e Interpretação Qualidade dos gráficos e tabelas e clareza nas interpretações Alinhamento com as Hipóteses Conexão entre os resultados e as hipóteses propostas inicialmente Analise de Regressao Aplicada ao Medical Cost Personal Dataset December 4 2025 1 Introducao O custo com despesas medicas e um dos principais desafios enfrentados por sistemas de saude e operadoras de seguros Diferentes caracterısticas individuais como idade estilo de vida e condicoes corporais podem influenciar de forma significativa o valor gasto anualmente pelos beneficiarios Neste contexto o presente trabalho tem como objetivo analisar os fatores que determinam o custo anual de despesas medicas utilizando o Medical Cost Personal Dataset disponıvel publicamente no Kaggle A analise sera conduzida por meio de regressao linear multipla permitindo avaliar o impacto de variaveis como idade ındice de massa corporal IMC numero de filhos gˆenero tabagismo e regiao geografica sobre os gastos medicos A escolha deste dataset se justifica pela relevˆancia pratica e pela clareza das variaveis disponıveis adequadas as tecnicas estudadas na disciplina A partir disso formulamos as seguintes hipoteses H1 Indivıduos fumantes apresentam gastos medicos significativamente maiores H2 Idade exerce influˆencia positiva sobre os gastos medicos H3 IMC mais elevado esta associado a maiores despesas medicas H4 O numero de filhos contribui positivamente para o aumento dos gastos H5 Variaveis categoricas como sexo e regiao possuem impacto estatıstico menor O estudo busca identificar relacoes estatisticamente significativas e interpretar suas implicacoes praticas contribuindo para compreensao de padroes de despesas em saude 1 2 Dados e Metodos O Medical Cost Personal Dataset contem 1338 observacoes cada uma representando um beneficiario de plano de saude As variaveis disponıveis incluem Variavel Dependente VD charges gasto medico anual Variaveis Independentes VI age idade sex gˆenero transformada em dummy sex male bmi ındice de massa corporal children numero de filhos smoker tabagismo transformada em dummy smoker yes region regiao dummies northwest southeast southwest O modelo de regressao linear multipla foi ajustado utilizando o metodo dos mınimos quadrados ordinarios OLS Tambem foi aplicada analise de multicolinearidade por meio do Fator de Inflacao da Variˆancia VIF e identificacao de outliers via escoreZ 3 Analise Descritiva As Tabelas 1 e 2 apresentam amostras dos dados brutos e as estatısticas descritivas das variaveis contınuas respectivamente Table 1 Primeiras linhas do dataset age sex bmi children smoker region charges 19 female 2790 0 yes southwest 1688492 18 male 3377 1 no southeast 172555 28 male 3300 3 no southeast 444946 33 male 2270 0 no northwest 2198447 32 male 2888 0 no northwest 386686 2 Table 2 Estatısticas descritivas age bmi children charges Media 3921 3066 109 1327042 Desviopadrao 1405 610 121 1211001 Mınimo 18 1596 0 112187 25 27 2629 0 474028 50 39 3040 1 938203 75 51 3469 2 1663991 Maximo 64 5313 5 6377042 A distribuicao dos gastos medicos apresenta assimetria positiva sugerindo a presenca de valores extremos Graficos exploratorios histograma boxplots e scatterplots confir mam que fumantes possuem gastos substancialmente superiores reforcando a hipotese H1 4 Resultados da Regressao O primeiro modelo estimado com todas as observacoes apresentou R2 0751 e R2 ajustado de 0749 indicando que 75 da variacao nos gastos medicos e explicada pelas variaveis independentes Os resultados completos estao apresentados na Tabela 3 Table 3 Resultados do modelo OLS completo Variavel Coeficiente Erro Padrao t pvalor Intercepto 11940 988 12086 0001 age 25686 1190 21587 0001 bmi 33919 2860 11860 0001 children 47550 13780 3451 0001 sex male 13131 33294 0394 0693 smoker yes 23850 413 57723 0001 region northwest 35296 47628 0741 0459 region southeast 103502 47869 2162 0031 region southwest 96005 47793 2009 0045 41 Graficos Exploratorios Os graficos a seguir foram produzidos para investigar a distribuicao das variaveis e possıveis padroes de comportamento 3 Figure 1 Distribuicao dos gastos medicos charges Figure 2 Gastos medicos por status de fumante smoker 4 Figure 3 Relacao entre idade e gastos medicos Figure 4 Relacao entre IMC e gastos medicos Os graficos mostram claramente que fumantes possuem gastos muito superiores ao restante da populacao Alem disso observase tendˆencia crescente entre idadeIMC e as despesas medicas 5 42 Interpretacao dos Coeficientes Idade um aumento de 1 ano esta associado a um acrescimo medio de aproximada mente 256 nos gastos medicos confirmando H2 IMC o coeficiente positivo e significativo indica que indivıduos com maior IMC tendem a ter maiores despesas confirmando H3 Numero de filhos o efeito e positivo e significativo sugerindo que famılias maiores podem demandar mais servicos medicos apoiando H4 Tabagismo a variavel smoker yes apresenta o maior coeficiente de todo o mod elo indicando aumento medio de 23850 nos gastos medicos H1 e fortemente confirmada Sexo e regiao efeitos fracos ou nao significativos exceto pequenas diferencas regionais o que confirma H5 43 Multicolinearidade A Tabela 4 apresenta os valores de VIF Table 4 Analise de multicolinearidade VIF Variavel VIF Constante 3552 age 102 bmi 111 children 100 sex male 101 smoker yes 101 region northwest 152 region southeast 165 region southwest 153 Os valores estao muito abaixo do limiar crıtico de 5 indicando ausˆencia de multi colinearidade relevante O modelo e estatisticamente estavel 44 Analise dos Outliers A identificacao de outliers via escoreZ encontrou cinco observacoes com z 3 Elas estavam associadas principalmente a indivıduos fumantes com gastos acima de 50000 6 Apos remover esses pontos extremos foi ajustado um novo modelo resultando em R2 0753 ligeiramente superior Os coeficientes permaneceram praticamente idˆenticos demonstrando que o modelo e robusto a presenca de outliers 5 Discussao Os resultados obtidos reforcam achados ja reconhecidos na literatura sobre planos de saude o tabagismo e o fator isolado mais significativo no aumento das despesas medicas Alem disso idade e IMC tambem influenciam fortemente os gastos indicando que condicoes crˆonicas e fatores metabolicos desempenham papel central no custo assistencial Variaveis como sexo nao apresentaram significˆancia o que sugere que diferencas de gˆenero tˆem impacto mınimo quando controlados fatores comportamentais e clınicos Diferencas regionais foram pequenas mas estatisticamente significativas no sudeste e sudoeste indicando possıveis variacoes de precos ou acesso ao sistema de saude 6 Conclusao A analise de regressao permitiu identificar os principais determinantes dos gastos medicos As hipoteses formuladas foram amplamente confirmadas Fumantes gastam significativamente mais com impacto medio superior a 23000 Idade e IMC sao determinantes importantes do custo O numero de filhos possui efeito moderado porem significativo Sexo nao apresenta impacto estatisticamente relevante Esses resultados possuem implicacoes praticas relevantes para operadoras de saude que podem utilizar tais informacoes para Desenvolver polıticas de prevencao para fumantes e indivıduos com IMC elevado Ajustar modelos atuariais de precificacao Identificar perfis de risco e estruturar programas preventivos Em sıntese o Medical Cost Personal Dataset oferece uma excelente base para analise de regressao permitindo modelar de forma clara os fatores que influenciam despesas medicas 7 Referˆencias Kaggle Medical Cost Personal Dataset Disponıvel em httpswwwkagglecom Wooldridge J M 2018 Introductory Econometrics A Modern Approach Cen gage Learning 8