Uma forma de calcular a influ\u00eancia das observa\u00e7\u00f5es \u00e9 usar uma m\u00e9trica conhecida como DFFITS<\/strong> , que significa \u201cdiferen\u00e7a nos ajustes\u201d.<\/span><\/p>\n Essa m\u00e9trica nos diz o quanto as previs\u00f5es feitas por um modelo de regress\u00e3o mudam quando omitimos uma observa\u00e7\u00e3o individual.<\/span><\/p>\n Este tutorial mostra um exemplo passo a passo de como calcular e visualizar DFFITS 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 integrada dffits()<\/strong> para calcular o valor DFFITS para cada observa\u00e7\u00e3o no modelo:<\/span><\/p>\n Normalmente, analisamos mais de perto as observa\u00e7\u00f5es com valores de DFFITS acima de um limite de 2\u221a p\/n<\/span> onde:<\/span><\/p>\n Neste exemplo, o limite seria 0,5<\/strong> :<\/span><\/p>\n Podemos classificar as observa\u00e7\u00f5es com base em seus valores DFFITS para ver se alguma delas excede o limite:<\/span><\/p>\n Podemos ver que as primeiras cinco observa\u00e7\u00f5es t\u00eam um valor DFFITS superior a 0,5, o que significa que podemos querer estudar estas observa\u00e7\u00f5es mais de perto para determinar se elas t\u00eam uma grande influ\u00eancia no modelo.<\/span><\/p>\n Finalmente, podemos criar um gr\u00e1fico r\u00e1pido para visualizar os DFFITS para 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 o valor DFFITS correspondente para cada observa\u00e7\u00e3o.<\/span><\/p>\n Como realizar regress\u00e3o linear simples em R<\/a> Nas estat\u00edsticas, muitas vezes queremos saber qual a influ\u00eancia que diferentes observa\u00e7\u00f5es t\u00eam nos modelos de regress\u00e3o. Uma forma de calcular a influ\u00eancia das observa\u00e7\u00f5es \u00e9 usar uma m\u00e9trica conhecida como DFFITS , que significa \u201cdiferen\u00e7a nos ajustes\u201d. Essa m\u00e9trica nos diz o quanto as previs\u00f5es feitas por um modelo de regress\u00e3o mudam quando omitimos […]<\/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-1274","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Etapa 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: Calcular DFFITS para cada observa\u00e7\u00e3o<\/strong><\/span><\/h3>\n
#calculate DFFITS for each observation in the model\n<\/span>dffits <- as<\/span> . data<\/span> . frame<\/span> (dffits(model))\n\n#display DFFITS for each observation\n<\/span>challenges\n\n dffits(model)\nMazda RX4 -0.14633456\nMazda RX4 Wag -0.14633456\nDatsun 710 -0.19956440\nHornet 4 Drive 0.11540062\nHornet Sportabout 0.32140303\nValiant -0.26586716\nDuster 360 0.06282342\nMerc 240D -0.03521572\nMerc 230 -0.09780612\nMerc 280 -0.22680622\nMerc 280C -0.32763355\nMerc 450SE -0.09682952\nMerc 450SL -0.03841129\nMerc 450SLC -0.17618948\nCadillac Fleetwood -0.15860270\nLincoln Continental -0.15567627\nChrysler Imperial 0.39098449\nFiat 128 0.60265798\nHonda Civic 0.35544919\nToyota Corolla 0.78230167\nToyota Corona -0.25804885\nDodge Challenger -0.16674639\nAMC Javelin -0.20965432\nCamaro Z28 -0.08062828\nPontiac Firebird 0.67858692\nFiat X1-9 0.05951528\nPorsche 914-2 0.09453310\nLotus Europa 0.55650363\nFord Pantera L 0.31169050\nFerrari Dino -0.29539098\nMaserati Bora 0.76464932\nVolvo 142E -0.24266054\n<\/strong><\/pre>\n\n
#find number of predictors in model\n<\/span>p <- length<\/span> (model$coefficients)-1\n\n#find number of observations<\/span>\nn <- nrow<\/span> (mtcars)\n\n#calculate DFFITS threshold value<\/span>\nthresh <- 2* sqrt<\/span> (p\/n)\n\nthresh\n\n[1] 0.5\n<\/strong><\/pre>\n #sort observations by DFFITS, descending<\/span>\ndffits[ order<\/span> (-dffits[' dffits(model)<\/span> ']), ]\n\n [1] 0.78230167 0.76464932 0.67858692 0.60265798 0.55650363 0.39098449\n [7] 0.35544919 0.32140303 0.31169050 0.11540062 0.09453310 0.06282342\n[13] 0.05951528 -0.03521572 -0.03841129 -0.08062828 -0.09682952 -0.09780612\n[19] -0.14633456 -0.14633456 -0.15567627 -0.15860270 -0.16674639 -0.17618948\n[25] -0.19956440 -0.20965432 -0.22680622 -0.24266054 -0.25804885 -0.26586716\n[31] -0.29539098 -0.32763355\n<\/strong><\/pre>\n Etapa 3: Visualize os DFFITS para cada observa\u00e7\u00e3o<\/strong><\/span><\/h3>\n
#plot DFFITS values for each observation<\/span>\nplot(dffits(model), type = ' h<\/span> ')\n\n#add horizontal lines at absolute values for threshold<\/span>\nabline(h = thresh, lty = 2)\nabline(h = -thresh, lty = 2)\n<\/strong><\/pre>\n![\"DFFITS](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/dffits1.png\")
<\/p>\n Recursos adicionais<\/strong><\/span><\/h3>\n
Como realizar regress\u00e3o linear m\u00faltipla em R<\/a>
Como calcular estat\u00edsticas de alavancagem em R<\/a>
Como criar um gr\u00e1fico residual em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"