Da mesma forma, uma observa\u00e7\u00e3o \u00e9 considerada de alta alavancagem<\/strong> se tiver um ou mais valores para as vari\u00e1veis preditoras que sejam muito mais extremos em compara\u00e7\u00e3o com o restante das observa\u00e7\u00f5es no conjunto de dados.<\/span><\/p>\n Um dos primeiros passos em qualquer tipo de an\u00e1lise \u00e9 examinar mais de perto as observa\u00e7\u00f5es que possuem alta alavancagem, pois podem ter um grande impacto nos resultados de um determinado modelo.<\/span><\/p>\n Este tutorial mostra um exemplo passo a passo de como calcular e visualizar a alavancagem para cada observa\u00e7\u00e3o em um modelo em R.<\/span><\/p>\n Primeiro, criaremos um modelo de regress\u00e3o linear m\u00faltipla<\/a> usando o conjunto de dados mtcars<\/strong> integrado ao R:<\/span><\/p>\n A seguir, usaremos a fun\u00e7\u00e3o hatvalues()<\/strong> para calcular a alavancagem para cada observa\u00e7\u00e3o no modelo:<\/span><\/p>\n Normalmente, analisamos mais de perto as observa\u00e7\u00f5es com um valor de alavancagem superior a 2.<\/span><\/p>\n Uma maneira simples de fazer isso \u00e9 classificar as observa\u00e7\u00f5es com base no seu valor de alavancagem, em ordem decrescente:<\/span><\/p>\n Podemos ver que o maior valor de alavancagem \u00e9 0,4966<\/strong> . Como esse n\u00famero n\u00e3o \u00e9 maior que 2, sabemos que nenhuma das observa\u00e7\u00f5es em nosso conjunto de dados possui alta alavancagem.<\/span><\/p>\n Finalmente, podemos criar um gr\u00e1fico r\u00e1pido para visualizar a alavancagem de cada observa\u00e7\u00e3o:<\/span> <\/p>\n O eixo x exibe o \u00edndice de cada observa\u00e7\u00e3o no conjunto de dados e o valor y exibe a estat\u00edstica de alavancagem correspondente para cada observa\u00e7\u00e3o.<\/span><\/p>\n Como realizar regress\u00e3o linear simples em R<\/a> Nas estat\u00edsticas, uma observa\u00e7\u00e3o \u00e9 considerada at\u00edpica se o seu valor para a vari\u00e1vel de resposta for muito maior do que o resto das observa\u00e7\u00f5es no conjunto de dados. Da mesma forma, uma observa\u00e7\u00e3o \u00e9 considerada de alta alavancagem se tiver um ou mais valores para as vari\u00e1veis preditoras que sejam muito mais extremos em […]<\/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-1273","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Passo 1: Crie um modelo de regress\u00e3o<\/strong><\/span><\/h3>\n
#load the dataset<\/span>\ndata(mtcars)\n\n#fit a regression model<\/span>\nmodel <- lm(mpg~disp+hp, data=mtcars)\n\n#view model summary\n<\/span>summary(model)\n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 30.735904 1.331566 23.083 < 2nd-16 ***\navailable -0.030346 0.007405 -4.098 0.000306 ***\nhp -0.024840 0.013385 -1.856 0.073679 . \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.127 on 29 degrees of freedom\nMultiple R-squared: 0.7482, Adjusted R-squared: 0.7309 \nF-statistic: 43.09 on 2 and 29 DF, p-value: 2.062e-09\n<\/strong><\/pre>\n Passo 2: Calcule a alavancagem para cada observa\u00e7\u00e3o<\/strong><\/span><\/h3>\n
#calculate leverage for each observation in the model\n<\/span>hats <- as<\/span> . data<\/span> . frame<\/span> (hatvalues(model))\n\n#display leverage stats for each observation\n<\/span>hats\n\n hatvalues(model)\nMazda RX4 0.04235795\nMazda RX4 Wag 0.04235795\nDatsun 710 0.06287776\nHornet 4 Drive 0.07614472\nHornet Sportabout 0.08097817\nValiant 0.05945972\nDuster 360 0.09828955\nMerc 240D 0.08816960\nMerc 230 0.05102253\nMerc 280 0.03990060\nMerc 280C 0.03990060\nMerc 450SE 0.03890159\nMerc 450SL 0.03890159\nMerc 450SLC 0.03890159\nCadillac Fleetwood 0.19443875\nLincoln Continental 0.16042361\nChrysler Imperial 0.12447530\nFiat 128 0.08346304\nHonda Civic 0.09493784\nToyota Corolla 0.08732818\nToyota Corona 0.05697867\nDodge Challenger 0.06954069\nAMC Javelin 0.05767659\nCamaro Z28 0.10011654\nPontiac Firebird 0.12979822\nFiat X1-9 0.08334018\nPorsche 914-2 0.05785170\nLotus Europa 0.08193899\nFord Pantera L 0.13831817\nFerrari Dino 0.12608583\nMaserati Bora 0.49663919\nVolvo 142E 0.05848459\n<\/strong><\/pre>\n #sort observations by leverage, descending<\/span>\nhats[ order<\/span> (-hats[' hatvalues(model)<\/span> ']), ]\n\n [1] 0.49663919 0.19443875 0.16042361 0.13831817 0.12979822 0.12608583\n [7] 0.12447530 0.10011654 0.09828955 0.09493784 0.08816960 0.08732818\n[13] 0.08346304 0.08334018 0.08193899 0.08097817 0.07614472 0.06954069\n[19] 0.06287776 0.05945972 0.05848459 0.05785170 0.05767659 0.05697867\n[25] 0.05102253 0.04235795 0.04235795 0.03990060 0.03990060 0.03890159\n[31] 0.03890159 0.03890159\n<\/strong><\/pre>\n Passo 3: Visualize a alavancagem para cada observa\u00e7\u00e3o<\/strong><\/span><\/h3>\n
#plot leverage values for each observation<\/span>\nplot(hatvalues(model), type = ' h<\/span> ')\n<\/strong><\/pre>\n![\"alavancagem](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/effet-de-levier1.png\")
<\/p>\n Recursos adicionais<\/strong><\/span><\/h3>\n
Como realizar regress\u00e3o linear m\u00faltipla em R<\/a>
Como criar um gr\u00e1fico residual em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"