Analisamos as “’Visualizações’ como variável dependente e ‘Tempo_de_exibicao_horas’ e ‘Impressões’ como variáveis independentes. Observamos resultados da regressão em que o R-quadrado do modelo é 0.981, o que significa que o modelo explica 98.1% da variância nos dados. 

Além disso, o valor de p para ‘Impressões’ é 0.000, o que significa que ele é estatisticamente significante. Por outro lado, o valor de p para ‘Tempo_de_exibicao’ é 0.894, tornando-o estatisticamente insignificante.

Para visualizar a relação entre cada par de variáveis, gráficos de dispersão foram criados para todas as possíveis combinações de pares de ‘Visualizações’, ‘Tempo de exibição (horas)’, ‘Impressões’, ‘Taxa de cliques de impressões (%)’ e ‘Duração média da visualização (segundos)’.

O modelo de regressão que melhor representa os dados é Visualizações = 8.1784 + 0.1538 * Tempo_de_exibicao + 0.0337 * Impressões. Este modelo explica 98,1% da variação nas ‘Visualizações’ dos dados. 

Ao analisar os gráficos de dispersão, observamos uma correlação positiva entre “Visualizações”, “Tempo de exibição (horas)” e “Impressões”. Isso significa que, quando uma dessas variáveis aumenta, as outras também tendem a aumentar. 

Por outro lado, “Taxa de cliques de impressões (%)” não parece ter uma correlação linear clara com nenhuma das outras variáveis.

“Duração média da visualização (segundos)” parece ter uma correlação positiva fraca com “Visualizações”, “Tempo de exibição (horas)” e “Impressões”, mas a correlação não é tão forte quanto entre as três primeiras variáveis.