<\/p>\n
Para ajustar um modelo de regress\u00e3o linear<\/a> em R, podemos usar o comando lm()<\/strong> .<\/span><\/p>\n Para exibir a sa\u00edda do modelo de regress\u00e3o, podemos ent\u00e3o usar o comando summary()<\/strong> .<\/span><\/p>\n Este tutorial explica como interpretar cada valor da sa\u00edda da regress\u00e3o em R.<\/span><\/p>\n O c\u00f3digo a seguir mostra como ajustar um modelo de regress\u00e3o linear m\u00faltipla com o conjunto de dados mtcars<\/strong> integrado usando hp<\/em> , drat<\/em> e wt<\/em> como vari\u00e1veis preditoras e mpg<\/em> como vari\u00e1vel de resposta:<\/span><\/p>\n Veja como interpretar cada valor na sa\u00edda:<\/span><\/p>\n Esta se\u00e7\u00e3o nos lembra a f\u00f3rmula que usamos em nosso modelo de regress\u00e3o. Podemos ver que usamos mpg<\/strong> como vari\u00e1vel de resposta e hp<\/strong> , drat<\/strong> e wt<\/strong> como vari\u00e1veis preditoras. Cada vari\u00e1vel veio do conjunto de dados chamado mtcars<\/strong> .<\/span><\/p>\n Esta se\u00e7\u00e3o exibe um resumo da distribui\u00e7\u00e3o dos res\u00edduos do modelo de regress\u00e3o. Lembre-se de que um res\u00edduo \u00e9 a diferen\u00e7a entre o valor observado e o valor previsto do modelo de regress\u00e3o.<\/span><\/p>\n O res\u00edduo m\u00ednimo foi -3,3598<\/strong> , o res\u00edduo mediano foi -0,5099<\/strong> e o res\u00edduo m\u00e1ximo foi 5,7078<\/strong> .<\/span><\/p>\n Esta se\u00e7\u00e3o exibe os coeficientes estimados do modelo de regress\u00e3o. Podemos usar esses coeficientes para formar a seguinte equa\u00e7\u00e3o de regress\u00e3o estimada:<\/span><\/p>\n mpg = 29,39 \u2013 0,03*hp + 1,62*drat \u2013 3,23*peso<\/span><\/p>\n Para cada vari\u00e1vel preditora, recebemos os seguintes valores:<\/span><\/p>\n Estimativa:<\/strong> o coeficiente estimado. Isto nos diz o aumento m\u00e9dio na vari\u00e1vel de resposta associado a um aumento de uma unidade na vari\u00e1vel preditora, assumindo que todas as outras vari\u00e1veis preditoras permanecem constantes.<\/span><\/p>\n Padr\u00e3o.<\/strong> Erro<\/strong> : Este \u00e9 o erro padr\u00e3o do coeficiente. Esta \u00e9 uma medida da incerteza da nossa estimativa do coeficiente.<\/span><\/p>\n Valor t:<\/strong> Esta \u00e9 a estat\u00edstica t para a vari\u00e1vel preditora, calculada como (Estimativa) \/ (Erro padr\u00e3o).<\/span><\/p>\n Pr(>|t|):<\/strong> Este \u00e9 o valor p que corresponde \u00e0 estat\u00edstica t. Se este valor estiver abaixo de um determinado n\u00edvel alfa (por exemplo 0,05), a vari\u00e1vel preditiva \u00e9 considerada estatisticamente significativa.<\/span><\/p>\n Se utiliz\u00e1ssemos um n\u00edvel alfa de \u03b1 = 0,05 para determinar quais preditores foram significativos neste modelo de regress\u00e3o, dir\u00edamos que hp<\/strong> e wt<\/strong> s\u00e3o preditores estatisticamente significativos, enquanto drat<\/strong> n\u00e3o \u00e9.<\/span><\/p>\n Esta se\u00e7\u00e3o final exibe v\u00e1rios n\u00fameros que nos ajudam a avaliar at\u00e9 que ponto o modelo de regress\u00e3o se ajusta ao nosso conjunto de dados.<\/span><\/p>\n Erro padr\u00e3o residual:<\/strong> indica a dist\u00e2ncia m\u00e9dia entre os valores observados e a linha de regress\u00e3o. Quanto menor o valor, melhor o modelo de regress\u00e3o ser\u00e1 capaz de ajustar os dados.<\/span><\/p>\n Os graus de liberdade s\u00e3o calculados como nk-1 onde n = n\u00famero total de observa\u00e7\u00f5es e k = n\u00famero de preditores. Neste exemplo, mtcars tem 32 observa\u00e7\u00f5es e usamos 3 preditores no modelo de regress\u00e3o, ent\u00e3o os graus de liberdade s\u00e3o 32 \u2013 3 \u2013 1 = 28.<\/span><\/p>\n M\u00faltiplo R-quadrado:<\/strong> Isso \u00e9 chamado de coeficiente de determina\u00e7\u00e3o. Diz-nos quanto da vari\u00e2ncia na vari\u00e1vel de resposta<\/a> pode ser explicada pelas vari\u00e1veis preditoras.<\/span><\/p>\n Este valor varia de 0 a 1. Quanto mais pr\u00f3ximo de 1, mais as vari\u00e1veis preditoras s\u00e3o capazes de prever o valor da vari\u00e1vel resposta.<\/span><\/p>\n R-quadrado ajustado:<\/strong> Esta \u00e9 uma vers\u00e3o modificada do R-quadrado que foi ajustada com base no n\u00famero de preditores no modelo. \u00c9 sempre menor que R ao quadrado.<\/span><\/p>\n O R-quadrado ajustado pode ser \u00fatil para comparar o ajuste de diferentes modelos de regress\u00e3o que usam diferentes n\u00fameros de vari\u00e1veis preditoras.<\/span><\/p>\n Estat\u00edstica F:<\/strong> Indica se o modelo de regress\u00e3o fornece um melhor ajuste aos dados do que um modelo que n\u00e3o cont\u00e9m vari\u00e1veis independentes. Essencialmente, testa se o modelo de regress\u00e3o como um todo \u00e9 \u00fatil.<\/span><\/p>\n Valor p:<\/strong> Este \u00e9 o valor p que corresponde \u00e0 estat\u00edstica F. Se este valor estiver abaixo de um certo n\u00edvel de signific\u00e2ncia (por exemplo, 0,05), ent\u00e3o o modelo de regress\u00e3o ajusta melhor os dados do que um modelo sem preditores.<\/span><\/p>\n Ao construir modelos de regress\u00e3o, esperamos que esse valor p esteja abaixo de um certo n\u00edvel de signific\u00e2ncia, pois indica que as vari\u00e1veis preditoras s\u00e3o realmente \u00fateis na previs\u00e3o do valor da vari\u00e1vel resposta.<\/span><\/p>\n Como realizar regress\u00e3o linear simples em R<\/a> Para ajustar um modelo de regress\u00e3o linear em R, podemos usar o comando lm() . Para exibir a sa\u00edda do modelo de regress\u00e3o, podemos ent\u00e3o usar o comando summary() . Este tutorial explica como interpretar cada valor da sa\u00edda da regress\u00e3o em R. Exemplo: Interpretando a sa\u00edda de regress\u00e3o em R O c\u00f3digo a seguir […]<\/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-1252","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Exemplo: Interpretando a sa\u00edda de regress\u00e3o em R<\/strong><\/h3>\n
#fit regression model using hp, drat, and wt as predictors\n<\/span>model <- lm(mpg ~ hp + drat + wt, data = mtcars)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nlm(formula = mpg ~ hp + drat + wt, data = mtcars)\n\nResiduals:\n Min 1Q Median 3Q Max \n-3.3598 -1.8374 -0.5099 0.9681 5.7078 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 29.394934 6.156303 4.775 5.13e-05 ***\nhp -0.032230 0.008925 -3.611 0.001178 ** \ndrat 1.615049 1.226983 1.316 0.198755 \nwt -3.227954 0.796398 -4.053 0.000364 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 2.561 on 28 degrees of freedom\nMultiple R-squared: 0.8369, Adjusted R-squared: 0.8194 \nF-statistic: 47.88 on 3 and 28 DF, p-value: 3.768e-11\n<\/strong><\/pre>\n Chamar<\/strong><\/span><\/h3>\n
Call:\nlm(formula = mpg ~ hp + drat + wt, data = mtcars)<\/strong><\/pre>\n
Res\u00edduos<\/strong><\/span><\/h3>\n
Residuals:\n Min 1Q Median 3Q Max \n-3.3598 -1.8374 -0.5099 0.9681 5.7078 \n<\/strong><\/pre>\n
Coeficientes<\/strong><\/span><\/h3>\n
Coefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 29.394934 6.156303 4.775 5.13e-05 ***\nhp -0.032230 0.008925 -3.611 0.001178 ** \ndrat 1.615049 1.226983 1.316 0.198755 \nwt -3.227954 0.796398 -4.053 0.000364 ***\n\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n
Avalia\u00e7\u00e3o da adequa\u00e7\u00e3o do modelo<\/strong><\/span><\/h3>\n
Residual standard error: 2.561 on 28 degrees of freedom\nMultiple R-squared: 0.8369, Adjusted R-squared: 0.8194 \nF-statistic: 47.88 on 3 and 28 DF, p-value: 3.768e-11\n<\/strong><\/pre>\n
Recursos adicionais<\/strong><\/span><\/h3>\n
Como realizar regress\u00e3o linear m\u00faltipla em R<\/a>
O que \u00e9 um bom valor de R ao quadrado?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"