Com este trabalho, objetivou-se parametrizar e testar um modelo de regressão linear múltipla aplicado sobre os componentes principais mais significativos obtidos de séries de produtividades da cultura do café, representativas de três municípios da região Sul do Estado de Minas Gerais, tomando-se por base o modelo de Stewart et al. (1976), porém se acrescentando novas variáveis representadas por elementos agrometeorológicos, além das penalizações hídricas para os quatro trimestres do ciclo agrícola (julho a junho) da cultura. Tendo em vista ser o número de observações inferior à quantidade de variáveis, recorreu-se à análise multivariada de componentes principais para reduzir a dimensão do conjunto dessas variáveis. A análise de regressão linear múltipla foi aplicada nos três primeiros componentes principais. Os resultados dos testes apresentaram erros relativos percentuais das estimativas bastante discrepantes, ocorrendo tendência de superestimarem as produtividades; contudo, verificou-se que as estimativas pelo modelo tenderam a apresentar comportamento similar ao dos dados observados.

The objective of this work was to set up and test a multiple linear regression model applied to principal components for representative coffee crop yield series for three places in Southern Minas Gerais, based on the model proposed by Stewart et al. (1976), with new variables, represented by agrometeorological elements, besides the soil water depletion for the four quarterly periods in agricultural cycle (July to June). Since the number of observations was lower than the amount number of variables, we resorted to principal component analysis to reduce the dimension of this set of variables. The multiple linear regression analysis was applied to the first three principal components. In agreement with the tests, the model presented relative errors of estimates with high discrepancies and a tendency to overestimate productivity for the three places. However, it was verified that the estimates for the model tended to present behavior similar to observed data.