Teste t e significância dos regressores: o que significa rejeitar β = 0

Toda saída de regressão traz, ao lado de cada coeficiente, um teste de significância — e da leitura dele dependem decisões importantes: a variável fica ou sai? O modelo atinge o grau pretendido? O que exatamente significa uma variável "significante a 5%"? Este artigo explica a lógica do teste t dos regressores, os limites que a NBR 14653-2 estabelece para cada grau de fundamentação e o que fazer quando uma variável importante teima em não passar.

A pergunta que o teste responde

Cada coeficiente estimado pelo modelo carrega incerteza: ele foi calculado a partir de uma amostra, e outra amostra do mesmo mercado produziria um número um pouco diferente. O teste t enfrenta a dúvida fundamental: o efeito desta variável é real, ou o coeficiente diferente de zero é apenas acaso amostral?

Formalmente, testa-se a hipótese nula de que o coeficiente verdadeiro é zero (β = 0) — ou seja, de que a variável não tem efeito sobre o valor. O teste calcula a estatística t, que é essencialmente a razão entre o coeficiente estimado e seu erro padrão:

t = coeficiente ÷ erro padrão do coeficiente

A intuição é direta: um coeficiente grande em relação à sua própria incerteza (t elevado, em módulo) dificilmente seria fruto do acaso — e a hipótese nula é rejeitada. Um coeficiente pequeno em relação ao erro padrão (t próximo de zero) é compatível com efeito nenhum — e a variável não se sustenta.

Nível de significância: o risco que se aceita correr

Rejeitar β = 0 nunca é certeza — é decisão sob risco controlado. O nível de significância é a probabilidade de rejeitar a hipótese nula quando ela era verdadeira: concluir que a variável tem efeito quando, na verdade, não tem.

Na prática, a saída do software reporta para cada variável o nível de significância observado (o famoso p-valor): a probabilidade de obter um t tão extremo quanto o calculado se o efeito verdadeiro fosse zero. A regra de decisão: significância observada menor que o limite adotado → variável aceita.

Detalhe técnico que a norma explicita: os limites se referem ao teste bicaudal — o somatório das probabilidades das duas caudas da distribuição. Verifique como seu software reporta (algumas saídas apresentam a significância unicaudal, que corresponde à metade), porque confundir as duas convenções muda o enquadramento.

Os limites da NBR 14653-2 por grau de fundamentação

A norma estabelece o nível de significância máximo admitido para cada regressor, como um dos itens — e item condicionante — da tabela de fundamentação:

Grau de fundamentação	Significância máxima de cada regressor (bicaudal)	Significância máxima do modelo (teste F)
Grau III	10%	1%
Grau II	20%	2%
Grau I	30%	5%

Duas leituras importantes dessa tabela:

• Vale para todas as variáveis. Uma única variável com significância de 12% limita o item ao Grau II — e, por ser condicionante, trava o enquadramento global do laudo nesse teto, como explicamos no artigo sobre grau de fundamentação e precisão;
• O teste F é outra verificação, não a mesma. O F testa a significância do modelo como um todo (a hipótese de que todos os coeficientes são simultaneamente zero). Modelo com F excelente e variáveis individuais fracas é combinação possível — e é a assinatura clássica de multicolinearidade.

Interpretando direito: o que o teste diz e o que não diz

• Significância não é importância. O teste diz que o efeito é distinguível de zero — não que é grande. Uma variável pode ser altamente significante com efeito economicamente irrelevante (comum em amostras grandes) ou ter efeito relevante mal estimado (comum em amostras pequenas);
• Não passar no teste não prova efeito nulo. Significa que a amostra não teve força para demonstrar o efeito — por poucos dados, pouca variação da característica na amostra, ou redundância com outra variável;
• O teste pressupõe resíduos bem comportados. Com heterocedasticidade ou não normalidade severa, os erros padrão saem distorcidos e as significâncias reportadas perdem o lastro — por isso o checklist de resíduos antecede a leitura dos testes, não o contrário.

Quando a variável importante não passa: o roteiro

A variável que o conhecimento de mercado diz ser relevante veio com significância de 35%. Antes de descartá-la — e antes de aceitar o rebaixamento do grau —, percorra as causas tratáveis:

1. Forma funcional. A relação pode ser curva e o modelo a tratou como reta — o efeito existe, mas mal especificado se dilui. Teste as transformações compatíveis com o comportamento esperado.

2. Multicolinearidade. Se a variável divide informação com outra, ambas saem enfraquecidas. A matriz de correlações e o teste do par suspeito esclarecem.

3. Pouca variação na amostra. Se quase todos os dados têm a mesma característica (todos os imóveis com 2 quartos, distâncias quase iguais), não há contraste para estimar o efeito. É problema de coleta — resolve-se diversificando a pesquisa de dados, não de fórmula.

4. Dados insuficientes na categoria. Para dummies, significância fraca e micronumerosidade costumam andar juntas: o coeficiente apoiado em poucos dados sai com erro padrão enorme.

5. Esgotadas as causas: a variável sai. Se nada disso resolve, a amostra não sustenta o efeito — e mantê-la no modelo compromete o enquadramento sem agregar explicação confiável. Registre no laudo que a variável foi testada e o motivo da exclusão: isso documenta diligência e antecipa o questionamento óbvio do revisor ("por que não considerou X?").

Erros comuns

• Confundir significância unicaudal com bicaudal no enquadramento.
• Declarar Grau III com alguma variável entre 10% e 20% de significância.
• Ler significância como importância econômica do efeito.
• Excluir sumariamente a variável fraca sem investigar forma funcional, colinearidade e amostra.
• Confiar nas significâncias de um modelo cujos resíduos violam os pressupostos.
• Aprovar o modelo pelo teste F ignorando variáveis individuais reprovadas — o enquadramento exige os dois.

Perguntas frequentes

Significância de 10% não é um critério "frouxo" comparado aos 5% da ciência?

Os 5% acadêmicos são convenção de pesquisa, não lei natural. A norma calibrou os limites à realidade das amostras de avaliação — menores e mais ruidosas que as de laboratório — escalonando o rigor pelos graus: 10% para o grau máximo, com tolerâncias maiores nos graus inferiores, compensadas pelos demais itens de fundamentação.

O intercepto (constante) também precisa passar no teste?

A exigência da norma recai sobre os regressores — as variáveis explicativas. O intercepto tem papel estrutural no modelo (e nas dummies, representa a categoria de referência); sua significância individual não é item de enquadramento.

Posso usar significância unicaudal se o sinal esperado é conhecido?

O teste unicaudal existe na estatística, mas o enquadramento normativo se refere ao somatório das duas caudas. Para efeito de grau de fundamentação, trabalhe com a convenção bicaudal — e confira qual delas seu software reporta.

Variável significante com sinal errado: mantenho?

Não — significância não absolve incoerência. Sinal contrário ao comportamento de mercado indica colinearidade, variável faltante ou vício amostral, e o modelo precisa ser revisto. Coeficiente que o avaliador não consegue defender perante o mercado não pertence ao laudo, por melhor que seja seu t.

Conclusão

O teste t responde uma pergunta modesta — este efeito se distingue do acaso? — e o enquadramento da norma a transforma em régua objetiva: 10%, 20% ou 30%, conforme o grau pretendido, para cada variável, sem exceção. A leitura madura do teste evita os dois extremos: nem a fé cega no p-valor (que ignora resíduos, coerência e importância econômica), nem o descarte apressado da variável fraca (que muitas vezes só precisava de outra forma funcional ou de mais dados). Significância se constrói com especificação e amostra — o teste apenas confere.