<\/p>\n
Um teste de raz\u00e3o de verossimilhan\u00e7a<\/strong> compara a qualidade do ajuste de dois modelos de regress\u00e3o aninhados.<\/span><\/p>\n Um modelo aninhado<\/a> \u00e9 simplesmente um modelo que cont\u00e9m um subconjunto de vari\u00e1veis preditoras no modelo de regress\u00e3o geral.<\/span><\/p>\n Por exemplo, suponha que temos o seguinte modelo de regress\u00e3o com quatro vari\u00e1veis preditoras:<\/span><\/p>\n Y = \u03b2 0<\/sub> + \u03b2 1<\/sub> x 1<\/sub> + \u03b2 2<\/sub> x 2<\/sub> + \u03b2 3<\/sub> x 3<\/sub> + \u03b2 4<\/sub> x 4<\/sub> + \u03b5<\/span><\/p>\n Um exemplo de modelo aninhado seria o seguinte modelo com apenas duas das vari\u00e1veis preditoras originais:<\/span><\/p>\n Y = \u03b2 0<\/sub> + \u03b2 1<\/sub> x 1<\/sub> + \u03b2 2<\/sub> x 2<\/sub> + \u03b5<\/span><\/p>\n Para determinar se esses dois modelos s\u00e3o significativamente diferentes, podemos realizar um teste de raz\u00e3o de verossimilhan\u00e7a que utiliza as seguintes hip\u00f3teses nulas e alternativas:<\/span><\/p>\n H 0<\/sub> :<\/strong> O modelo completo e o modelo aninhado ajustam-se igualmente bem aos dados. Ent\u00e3o, voc\u00ea deve usar modelo aninhado<\/strong> .<\/span><\/p>\n HA<\/sub> :<\/strong> O modelo completo ajusta os dados significativamente melhor do que o modelo aninhado. Ent\u00e3o voc\u00ea tem que usar o modelo completo<\/strong> .<\/span><\/p>\n Se o valor p do teste estiver abaixo de um certo n\u00edvel de signific\u00e2ncia (por exemplo, 0,05), ent\u00e3o podemos rejeitar a hip\u00f3tese nula e concluir que o modelo completo proporciona um ajuste significativamente melhor.<\/span><\/p>\n O exemplo a seguir mostra como realizar um teste de raz\u00e3o de verossimilhan\u00e7a em R.<\/span><\/p>\n O c\u00f3digo a seguir mostra como ajustar os dois modelos de regress\u00e3o a seguir em R usando dados do conjunto de dados integrado mtcars<\/strong> :<\/span><\/p>\n Modelo completo:<\/strong> mpg = \u03b2 0<\/sub> + \u03b2 1<\/sub> dispon\u00edvel + \u03b2 2<\/sub> carb + \u03b2 3<\/sub> hp + \u03b2 4<\/sub> cil<\/span><\/p>\n Modelo:<\/strong> mpg = \u03b2 0<\/sub> + \u03b2 1<\/sub> dispon\u00edvel + \u03b2 2<\/sub> carb<\/span><\/p>\n Usaremos a fun\u00e7\u00e3o lrtest()<\/strong> do pacote lmtest<\/strong> para realizar um teste de raz\u00e3o de verossimilhan\u00e7a nestes dois modelos:<\/span><\/p>\n A partir do resultado, podemos ver que a estat\u00edstica do teste qui-quadrado \u00e9 2,0902<\/strong> e o valor p correspondente \u00e9 0,3517<\/strong> .<\/span><\/p>\n Como esse valor p n\u00e3o \u00e9 inferior a 0,05, n\u00e3o conseguiremos rejeitar a hip\u00f3tese nula.<\/span><\/p>\n Isso significa que o modelo completo e o modelo aninhado ajustam-se igualmente bem aos dados. Devemos, portanto, usar o modelo aninhado, porque as vari\u00e1veis preditoras adicionais no modelo completo n\u00e3o proporcionam uma melhoria significativa no ajuste.<\/span><\/p>\n Poder\u00edamos ent\u00e3o realizar outro teste de raz\u00e3o de verossimilhan\u00e7a para determinar se um modelo com uma \u00fanica vari\u00e1vel preditora \u00e9 significativamente diferente de um modelo com ambos os preditores:<\/span><\/p>\n Pelo resultado, podemos ver que o valor p do teste da raz\u00e3o de verossimilhan\u00e7a \u00e9 0,008136<\/strong> . Como esse n\u00famero \u00e9 menor que 0,05, rejeitar\u00edamos a hip\u00f3tese nula.<\/span><\/p>\n Assim, concluir\u00edamos que o modelo de dois preditores proporciona uma melhoria significativa no ajuste em rela\u00e7\u00e3o ao modelo de preditor \u00fanico.<\/span><\/p>\n Ent\u00e3o, nosso modelo final seria:<\/span><\/p>\n mpg = \u03b2 0<\/sub> + \u03b2 1<\/sub> dispon\u00edvel + \u03b2 2<\/sub> carboidratos<\/span><\/p>\n Como realizar regress\u00e3o linear simples em R<\/a> Um teste de raz\u00e3o de verossimilhan\u00e7a compara a qualidade do ajuste de dois modelos de regress\u00e3o aninhados. Um modelo aninhado \u00e9 simplesmente um modelo que cont\u00e9m um subconjunto de vari\u00e1veis preditoras no modelo de regress\u00e3o geral. Por exemplo, suponha que temos o seguinte modelo de regress\u00e3o com quatro vari\u00e1veis preditoras: Y = \u03b2 0 + […]<\/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-1256","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Exemplo: teste de raz\u00e3o de verossimilhan\u00e7a em R<\/strong><\/span><\/h3>\n
library<\/span> (lmtest)<\/span>\n\n#fit full model<\/span>\nmodel_full <- lm(mpg ~ disp + carb + hp + cyl, data = mtcars)\n\n#fit reduced model\n<\/span>model_reduced <- lm(mpg ~ disp + carb, data = mtcars)\n\n#perform likelihood ratio test for differences in models\n<\/span>lrtest(model_full, model_reduced)\n\nLikelihood ratio test\n\nModel 1: mpg ~ disp + carb + hp + cyl\nModel 2: mpg ~ available + carb\n #Df LogLik Df Chisq Pr(>Chisq)\n1 6 -77.558 \n2 4 -78.603 -2 2.0902 0.3517<\/strong><\/pre>\n library<\/span> (lmtest)<\/span>\n\n#fit full model<\/span>\nmodel_full <- lm(mpg ~ disp + carb, data = mtcars)\n\n#fit reduced model\n<\/span>model_reduced <- lm(mpg ~ disp, data = mtcars)\n\n#perform likelihood ratio test for differences in models\n<\/span>lrtest(model_full, model_reduced)\n\nLikelihood ratio test\n\nModel 1: mpg ~ available + carb\nModel 2: mpg ~ available\n #Df LogLik Df Chisq Pr(>Chisq) \n1 4 -78.603 \n2 3 -82.105 -1 7.0034 0.008136 **\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1<\/strong><\/pre>\n Recursos adicionais<\/strong><\/span><\/h3>\n
Como realizar regress\u00e3o linear m\u00faltipla em R<\/a>
Como interpretar c\u00f3digos de significado em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"