Correlação diz se duas variáveis caminham juntas. Regressão linear diz o quanto — e permite prever o valor de uma variável a partir da outra. São perguntas diferentes, respondidas com ferramentas diferentes, e confundir as duas é um dos erros mais frequentes na fase Analyze de projetos Lean Six Sigma.
Uma equipe de melhoria identificou correlação forte entre a temperatura do forno de cura e a resistência do produto final. Isso confirma que as variáveis estão relacionadas. Mas não responde: se a temperatura subir 10°C, quanto muda a resistência? E qual seria a resistência esperada para uma temperatura de 185°C? Essas perguntas exigem regressão linear — não apenas correlação.
O que é regressão linear
Regressão linear é um modelo estatístico que descreve matematicamente a relação entre uma variável dependente (Y) e uma ou mais variáveis independentes (X). O modelo assume que essa relação pode ser aproximada por uma reta — daí o nome “linear”.
Na regressão linear simples, há uma única variável independente. A equação tem a forma Y = β₀ + β₁X + ε — onde β₀ é o valor de Y quando X é zero (intercepto), β₁ é quanto Y muda para cada unidade de X (inclinação) e ε é o erro que o modelo não consegue explicar. Na prática: se temperatura (X) explica resistência (Y) e o modelo retorna Y = 12,4 + 2,3X, isso significa que cada grau Celsius adicional está associado a 2,3 unidades a mais de resistência — e que a 185°C a resistência esperada é 12,4 + 2,3 × 185 = 438 unidades.
Na regressão linear múltipla, há mais de uma variável independente: Y = β₀ + β₁X₁ + β₂X₂ + … + βₙXₙ + ε. Cada coeficiente representa o efeito isolado daquela variável sobre Y, mantendo as outras constantes.
O modelo é construído pelo método dos mínimos quadrados: encontra os valores de β₀ e β₁ que minimizam a soma dos quadrados dos resíduos — a distância entre os valores reais de Y e os valores previstos pelo modelo. Na prática: entre infinitas retas que poderiam ser traçadas sobre os pontos de temperatura e resistência, o método escolhe a única que torna o erro total de previsão o menor possível — não a reta que parece mais bonita, mas a que minimiza matematicamente o quanto cada ponto real se distancia do que o modelo prevê.
Correlação antes de regressão — sempre
Antes de construir qualquer modelo de regressão, o gráfico de dispersão e o coeficiente de correlação de Pearson (r) precisam ser verificados. Eles respondem se existe relação linear entre as variáveis — e se o modelo de regressão faz sentido ser construído.
O coeficiente r varia de -1 a +1. Valores próximos de +1 indicam correlação linear positiva forte (X aumenta, Y aumenta). Valores próximos de -1 indicam correlação linear negativa forte (X aumenta, Y diminui). Valores próximos de zero indicam ausência de relação linear — e nesses casos, construir uma regressão linear não faz sentido, mesmo que o software a calcule sem erro.
Um exemplo clássico na literatura de estatística: dados de população e número de cegonhas coletados em Oldenburg entre 1930 e 1936 mostram correlação positiva forte. A conclusão aparente — que cegonhas causam nascimentos — é absurda. O exemplo, citado por Robert Matthews em 1999 como ilustração de correlação espúria, mostra que correlação alta apenas indica que as variáveis se movem juntas; a relação causal precisa ser estabelecida por conhecimento do processo, não pelo valor de r.
No contexto do DMAIC, isso significa que a regressão confirma e quantifica uma relação — mas a hipótese de causalidade precisa vir da análise do processo, do diagrama de causa e efeito e do conhecimento técnico da equipe.
Como interpretar os resultados da regressão
Os três elementos centrais do output de qualquer regressão linear são o R², os coeficientes e os resíduos. Interpretar apenas o R² — o erro mais comum — garante conclusões incompletas.
R² — coeficiente de determinação
O R² mede a proporção da variação de Y que é explicada pelo modelo. Um R² de 0,82 significa que 82% da variação na variável dependente é explicada pelas variáveis independentes incluídas no modelo — e 18% é variação não explicada (erro, variáveis omitidas, aleatoriedade).
O erro mais comum é interpretar R² alto como garantia de modelo bom. R² alto com resíduos com padrão sistemático indica que o modelo está errado — talvez a relação não seja linear, talvez exista uma variável importante não incluída. R² moderado com resíduos aleatórios pode indicar um modelo adequado para o propósito.
Para regressão múltipla, o R² ajustado é mais adequado — ele penaliza a adição de variáveis que não contribuem para o modelo, evitando o problema de R² artificialmente alto por excesso de preditores.
Coeficientes — o que cada variável contribui
Cada coeficiente β tem associado um p-valor que indica se aquela variável é estatisticamente significativa para explicar Y. P-valor abaixo de 0,05 indica que o coeficiente é significativamente diferente de zero — ou seja, aquela variável contribui para o modelo. P-valor acima de 0,05 sugere que a variável pode ser removida sem perda significativa de capacidade explicativa.
O valor do coeficiente β₁ tem interpretação direta: para cada unidade de aumento em X, Y muda em β₁ unidades, mantendo as outras variáveis constantes. Em uma regressão que modela resistência (Y) em função de temperatura (X), β₁ = 2,3 significa que cada grau Celsius adicional está associado a um aumento de 2,3 unidades na resistência.
Análise de resíduos — a verificação obrigatória
Resíduos são as diferenças entre os valores reais e os valores previstos pelo modelo. Para um modelo válido, os resíduos devem ser aleatórios — sem padrão sistemático, sem tendência, sem heterocedasticidade (variância crescente ou decrescente ao longo de X).
Antes de usar qualquer resultado da regressão para tomar decisão, o gráfico de resíduos precisa ser verificado. Padrão em curva nos resíduos indica que a relação não é linear e o modelo precisa ser transformado. Padrão em funil indica heterocedasticidade — a variação do erro não é constante, e os intervalos de confiança do modelo não são confiáveis.
Dois exemplos com dados reais
Uma distribuidora de alimentos queria entender o impacto do tempo de armazenamento (X, em dias) na perda de peso dos produtos embalados (Y, em gramas). Com 45 amostras coletadas ao longo de 30 dias, o modelo de regressão retornou: Perda de peso = 1,8 + 0,34 × dias de armazenamento, com R² = 0,79 e p-valor do coeficiente de tempo = 0,001. Interpretação: cada dia adicional de armazenamento está associado a uma perda média de 0,34g. Para um produto armazenado por 20 dias, a perda esperada é 1,8 + 0,34 × 20 = 8,6g. Com R² de 79% e resíduos sem padrão sistemático, o modelo foi considerado adequado para definir o prazo máximo de estoque antes que a perda comprometa a especificação de peso mínimo.
Um hospital queria modelar o tempo de permanência pós-cirurgia (Y, em horas) em função de três variáveis: idade do paciente (X₁), tipo de anestesia (X₂, codificada como 0 ou 1) e complexidade da cirurgia em pontos (X₃). Com 120 casos, o modelo múltiplo retornou R² ajustado = 0,68, com os três coeficientes significativos (p < 0,05). O coeficiente de X₁ foi 0,12 — cada ano a mais de idade está associado a 0,12 hora a mais de permanência. O coeficiente de X₂ foi 3,4 — pacientes com anestesia geral permanecem em média 3,4 horas a mais que os com anestesia local. Esse modelo passou a orientar a alocação de leitos na UTI pós-operatória, permitindo prever a demanda com antecedência de 24 horas com acurácia suficiente para reduzir o cancelamento de cirurgias por falta de leito de 8,3% para 3,1%.
Quando usar regressão linear no DMAIC
A regressão linear é uma ferramenta da fase Analyze — especificamente quando X e Y são ambos contínuos e a equipe quer quantificar a relação entre eles. A distinção entre usar regressão ou ANOVA depende do tipo de variável independente: X contínuo → regressão; X discreto (turno, operador, fornecedor) → ANOVA.
Regressão linear também aparece na fase Improve para modelar o comportamento esperado após a mudança — e validar se o modelo previsto antes corresponde ao resultado observado depois. E na fase Control, como base para definir limites de ajuste: se a temperatura sobe além de X, o modelo prevê que a resistência cai abaixo da especificação mínima.
No Lean Six Sigma, a regressão linear é uma das ferramentas mais poderosas da estatística Six Sigma — e uma das mais mal usadas. A maioria dos profissionais verifica o R² e para. O R² alto com resíduos com padrão indica modelo errado com aparência de certo. O R² moderado com resíduos aleatórios pode ser um modelo honesto e útil. A regressão linear bem aplicada começa antes de rodar o modelo — na pergunta certa, no gráfico de dispersão e na verificação dos resíduos depois. Quem pula essas etapas obtém um número com aparência de resposta.
Quando não usar regressão linear
Regressão linear não é adequada quando a relação entre X e Y não é linear — use transformação de variáveis ou modelos não-lineares. Não é adequada quando o objetivo é comparar grupos discretos — use teste de hipótese ou ANOVA. Não substitui o conhecimento do processo para estabelecer causalidade — correlação alta não prova que X causa Y. E não funciona bem com amostras muito pequenas (n < 20) ou com dados que violam fortemente a premissa de normalidade dos resíduos.
A formação Black Belt da EDTI cobre regressão linear simples e múltipla, análise de resíduos, transformação de variáveis e regressão logística — no contexto de projetos reais com orientação técnica.
Conteúdo revisado pelo Master Black Belt Marcelo Petenate, estatístico, formado pela Unicamp, mestre pela USP e especialista em Lean Six Sigma e melhoria contínua.
Regressão linear bem aplicada começa antes de rodar o modelo — na pergunta certa, no gráfico de dispersão, na verificação dos resíduos. Quem aprende a ferramenta fora desse contexto aprende a apertar o botão, não a interpretar o que o resultado está dizendo. O White Belt da EDTI não cobre regressão, mas cobre o raciocínio que antecede qualquer ferramenta estatística — e é por onde faz sentido começar.
Acesse o White Belt gratuito da EDTI.
Perguntas frequentes sobre regressão linear
O que é regressão linear simples?
Regressão linear simples é um modelo estatístico que descreve a relação entre uma variável dependente (Y) e uma única variável independente (X) por meio de uma equação de reta: Y = β₀ + β₁X. O modelo estima os coeficientes β₀ (intercepto) e β₁ (inclinação) que minimizam a soma dos quadrados das diferenças entre os valores reais e os valores previstos.
O que é R² em regressão linear?
R² é o coeficiente de determinação — mede a proporção da variação de Y que é explicada pelo modelo. Um R² de 0,75 indica que 75% da variação na variável dependente é explicada pelas variáveis independentes incluídas. R² alto não garante modelo correto: resíduos com padrão sistemático indicam que o modelo está mal especificado, independente do valor de R².
Qual a diferença entre correlação e regressão linear?
Correlação mede a força e a direção da relação linear entre duas variáveis — responde “existe relação?” e “qual a intensidade?”. Regressão linear quantifica essa relação matematicamente e permite prever Y a partir de X — responde “quanto muda Y para cada unidade de X?” e “qual o valor esperado de Y para determinado X?”. A correlação é sempre o primeiro passo; a regressão vem quando o objetivo é modelar e prever.
Quando usar regressão linear no DMAIC?
Regressão linear é usada principalmente na fase Analyze quando X e Y são ambos contínuos e o objetivo é quantificar a relação entre eles e criar um modelo preditivo. Se X é discreto (turno, operador, fornecedor), a ferramenta adequada é ANOVA. A regressão também aparece na fase Improve para validar o modelo preditivo após a intervenção e na fase Control para definir limites de ajuste baseados no modelo.
O que são resíduos em regressão linear?
Resíduos são as diferenças entre os valores reais de Y e os valores previstos pelo modelo. Para um modelo válido, os resíduos devem ser aleatórios — sem padrão sistemático, distribuídos de forma aproximadamente normal e com variância constante ao longo de X. Padrão em curva indica relação não-linear. Padrão em funil (variância crescente) indica heterocedasticidade. A análise de resíduos é obrigatória antes de usar qualquer resultado da regressão.
Correlação alta significa que X causa Y?
Não. Correlação alta indica que as variáveis se movem juntas — mas não estabelece causalidade. Duas variáveis podem ser correlacionadas porque ambas são causadas por uma terceira variável (confusão), porque o período de coleta criou uma relação espúria ou simplesmente por coincidência. A causalidade precisa ser estabelecida pelo conhecimento do processo e pela lógica técnica — não pelo valor do coeficiente de correlação.
Como aprender regressão linear aplicada a processos?
O contexto faz toda a diferença: regressão linear aprendida isoladamente de ferramentas como gráfico de dispersão, teste de hipótese e ANOVA perde muito do seu valor prático. A certificação Black Belt da EDTI cobre regressão no contexto completo da fase Analyze do DMAIC — com projetos reais e orientação técnica. Para quem está começando, o White Belt apresenta os fundamentos do método antes das ferramentas estatísticas avançadas. Acesse aqui.