<\/p>\n
Nas estat\u00edsticas, ajustamos modelos de regress\u00e3o<\/a> por dois motivos:<\/span><\/p>\n (1)<\/strong> Explique<\/em> a rela\u00e7\u00e3o entre uma ou mais vari\u00e1veis explicativas<\/a> e uma vari\u00e1vel de resposta<\/a> .<\/span><\/p>\n (2)<\/strong> Prever<\/em> os valores de uma vari\u00e1vel de resposta com base nos valores de uma ou mais vari\u00e1veis explicativas.<\/span><\/p>\n Quando nosso objetivo \u00e9 (2)<\/strong> prever<\/em> os valores de uma vari\u00e1vel resposta, queremos garantir que estamos usando o melhor modelo de regress\u00e3o poss\u00edvel para fazer isso.<\/span><\/p>\n Uma m\u00e9trica que podemos usar para encontrar o modelo de regress\u00e3o que far\u00e1 as melhores previs\u00f5es sobre novos dados \u00e9 a estat\u00edstica PRESS<\/strong> , que significa \u201c soma<\/strong> residual<\/strong> dos quadrados<\/strong> prevista<\/strong> \u201d.<\/span><\/p>\n \u00c9 calculado da seguinte forma:<\/span><\/p>\n PRESSIONE = \u03a3(e i<\/sub> \/ (1-h ii<\/sub> )) 2<\/sup><\/strong><\/span><\/p>\n Ouro:<\/span><\/p>\n Dados modelos de regress\u00e3o m\u00faltipla, aquele com o PRESS mais baixo deve ser selecionado como aquele que ter\u00e1 melhor desempenho em um novo conjunto de dados.<\/span><\/p>\n O exemplo a seguir mostra como calcular a estat\u00edstica PRESS para tr\u00eas modelos de regress\u00e3o linear diferentes em R.<\/span><\/p>\n Suponha que temos um conjunto de dados com tr\u00eas vari\u00e1veis explicativas, x1<\/sub> , x2<\/sub> e x3<\/sub> , e uma vari\u00e1vel de resposta y:<\/span><\/p>\n O c\u00f3digo a seguir mostra como ajustar tr\u00eas modelos de regress\u00e3o diferentes a este conjunto de dados usando a fun\u00e7\u00e3o lm()<\/strong> :<\/span><\/p>\n O c\u00f3digo a seguir mostra como calcular a estat\u00edstica PRESS para cada modelo.<\/span><\/p>\n Acontece que o modelo com a estat\u00edstica PRESS mais baixa \u00e9 o Modelo 2 com uma estat\u00edstica PRESS de 519,6435<\/strong> . Assim, escolher\u00edamos este modelo como o mais adequado para fazer previs\u00f5es sobre um novo conjunto de dados.<\/span><\/p>\n Introdu\u00e7\u00e3o \u00e0 regress\u00e3o linear simples<\/a> Nas estat\u00edsticas, ajustamos modelos de regress\u00e3o por dois motivos: (1) Explique a rela\u00e7\u00e3o entre uma ou mais vari\u00e1veis explicativas e uma vari\u00e1vel de resposta . (2) Prever os valores de uma vari\u00e1vel de resposta com base nos valores de uma ou mais vari\u00e1veis explicativas. Quando nosso objetivo \u00e9 (2) prever os valores de uma vari\u00e1vel […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-1035","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
Exemplo: C\u00e1lculo da estat\u00edstica PRESS<\/strong><\/span><\/h3>\n
data <- data.frame<\/span> (x1 = c(2, 3, 3, 4, 4, 6, 8, 9, 9, 9),\n x2 = c(2, 2, 3, 3, 2, 3, 5, 6, 6, 7),\n x3 = c(12, 14, 14, 13, 8, 8, 9, 14, 11, 7),\n y = c(23, 24, 15, 9, 14, 17, 22, 26, 34, 35))\n<\/strong><\/pre>\n model1 <- lm(y~x1, data=data)\n\nmodel2 <- lm(y~x1+x2, data=data)\n\nmodel3 <- lm(y~x2+x3, data=data)\n<\/strong><\/pre>\n
#create custom function to calculate the PRESS statistic<\/span>\nPRESS <- function<\/span> (model) {\n i <- residuals<\/span> (model)\/(1 - lm. influence<\/span> (model)$ hat<\/span> )\n sum(i^2)\n}\n\n#calculate PRESS for model 1<\/span>\nPRESS(model1)\n\n[1] 590.2197\n\n#calculate PRESS for model 2<\/span>\nPRESS(model2)\n\n[1] 519.6435\n\n#calculate PRESS for model 3<\/span>\nPRESS(model3)\n\n[1] 537.7503\n<\/strong><\/pre>\n Recursos adicionais<\/strong><\/span><\/h3>\n
O que \u00e9 um modelo parcimonioso?<\/a>
O que \u00e9 um bom valor de R ao quadrado?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"