Uma forma de calcular a influ\u00eancia das observa\u00e7\u00f5es \u00e9 usar uma m\u00e9trica conhecida como DFBETAS<\/strong> , que nos informa o efeito padronizado em cada coeficiente da remo\u00e7\u00e3o de cada observa\u00e7\u00e3o individual.<\/span><\/p>\n Essa m\u00e9trica nos d\u00e1 uma ideia da influ\u00eancia de cada observa\u00e7\u00e3o em cada estimativa de coeficiente em um determinado modelo de regress\u00e3o.<\/span><\/p>\n Este tutorial mostra um exemplo passo a passo de como calcular e visualizar DFBETAS 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 dfbetas()<\/strong> para calcular os valores DFBETAS para cada observa\u00e7\u00e3o no modelo:<\/span><\/p>\n Para cada observa\u00e7\u00e3o, podemos ver a diferen\u00e7a na estimativa do coeficiente para a origem, a vari\u00e1vel disp<\/em> e a vari\u00e1vel hp<\/em> que ocorre quando removemos aquela observa\u00e7\u00e3o espec\u00edfica.<\/span><\/p>\n Geralmente, consideramos que uma observa\u00e7\u00e3o tem forte influ\u00eancia na estimativa de um determinado coeficiente se tiver um valor DBETAS superior a um limite de 2\/\u221a n<\/span> onde n<\/em> \u00e9 o n\u00famero de observa\u00e7\u00f5es.<\/span><\/p>\n Neste exemplo, o limite seria 0,3535534<\/strong> :<\/span><\/p>\n Passo 3: Visualize o DFBETAS<\/strong><\/p>\n Finalmente, podemos criar gr\u00e1ficos para visualizar o valor DFBETAS para cada observa\u00e7\u00e3o e para cada preditor no modelo:<\/span> <\/p>\n Em cada gr\u00e1fico, o eixo x exibe o \u00edndice de cada observa\u00e7\u00e3o no conjunto de dados e o valor y exibe os DFBETAS correspondentes para cada observa\u00e7\u00e3o e cada preditor.<\/span><\/p>\n No primeiro gr\u00e1fico podemos ver que tr\u00eas observa\u00e7\u00f5es excedem o valor limite absoluto de 0,3535534<\/strong> e no segundo gr\u00e1fico podemos ver que duas observa\u00e7\u00f5es excedem o valor limite absoluto.<\/span><\/p>\n Podemos optar por estudar estas observa\u00e7\u00f5es mais de perto para determinar se elas t\u00eam uma influ\u00eancia indevida na estimativa dos coeficientes do modelo.<\/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 DFBETAS , que nos informa o efeito padronizado em cada coeficiente da remo\u00e7\u00e3o de cada observa\u00e7\u00e3o individual. Essa m\u00e9trica nos d\u00e1 uma ideia da […]<\/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-1275","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
#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 DFBETAS para cada observa\u00e7\u00e3o<\/strong><\/span><\/h3>\n
#calculate DFBETAS for each observation in the model\n<\/span>dfbetas <- as<\/span> . data<\/span> . frame<\/span> (dfbetas(model))\n\n#display DFBETAS for each observation\n<\/span>dfbetas\n\n (Intercept) disp hp\nMazda RX4 -0.1174171253 0.030760632 1.748143e-02\nMazda RX4 Wag -0.1174171253 0.030760632 1.748143e-02\nDatsun 710 -0.1694989349 0.086630144 -3.332781e-05\nHornet 4 Drive 0.0577309674 0.078971334 -8.705488e-02\nHornet Sportabout -0.0204333878 0.237526523 -1.366155e-01\nValiant -0.1711908285 -0.139135639 1.829038e-01\nDuster 360 -0.0312338677 -0.005356209 3.581378e-02\nMerc 240D -0.0312259577 -0.010409922 2.433256e-02\nMerc 230 -0.0865872595 0.016428917 2.287867e-02\nMerc 280 -0.1560683502 0.078667906 -1.911180e-02\nMerc 280C -0.2254489597 0.113639937 -2.760800e-02\nMerc 450SE 0.0022844093 0.002966155 -2.855985e-02\nMerc 450SL 0.0009062022 0.001176644 -1.132941e-02\nMerc 450SLC 0.0041566755 0.005397169 -5.196706e-02\nCadillac Fleetwood 0.0388832216 -0.134511133 7.277283e-02\nLincoln Continental 0.0483781688 -0.121146607 5.326220e-02\nChrysler Imperial -0.1645266331 0.236634429 -3.917771e-02\nFiat 128 0.5720358325 -0.181104179 -1.265475e-01\nHonda Civic 0.3490872162 -0.053660545 -1.326422e-01\nToyota Corolla 0.7367058819 -0.268512348 -1.342384e-01\nToyota Corona -0.2181110386 0.101336902 5.945352e-03\nDodge Challenger -0.0270169005 -0.123610713 9.441241e-02\nAMC Javelin -0.0406785103 -0.141711468 1.074514e-01\nCamaro Z28 0.0390139262 0.012846225 -5.031588e-02\nPontiac Firebird -0.0549059340 0.574544346 -3.689584e-01\nFiat X1-9 0.0565157245 -0.017751582 -1.262221e-02\nPorsche 914-2 0.0839169111 -0.028670987 -1.240452e-02\nLotus Europa 0.3444562478 -0.402678927 2.135224e-01\nFord Pantera L -0.1598854695 -0.094184733 2.320845e-01\nFerrari Dino -0.0343997122 0.248642444 -2.344154e-01\nMaserati Bora -0.3436265545 -0.511285637 7.319066e-01\nVolvo 142E -0.1784974091 0.132692956 -4.433915e-02\n<\/strong><\/pre>\n #find number of observations<\/span>\nn <- nrow<\/span> (mtcars)\n\n#calculate DFBETAS threshold value<\/span>\nthresh <- 2\/ sqrt<\/span> (n)\n\nthresh\n\n[1] 0.3535534\n<\/strong><\/pre>\n #specify 2 rows and 1 column in plotting region<\/span>\nby(mfrow=c(2,1))\n\n#plot DFBETAS for disp<\/em> with threshold lines<\/span>\nplot(dfbetas$disp, type=' h<\/span> ')\nabline(h = thresh, lty = 2)\nabline(h = -thresh, lty = 2)\n\n#plot DFBETAS for hp<\/em> with threshold lines<\/span> \nplot(dfbetas$hp, type=' h<\/span> ')\nabline(h = thresh, lty = 2)\nabline(h = -thresh, lty = 2)\n<\/strong><\/pre>\n![\"DFBETAS](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/dfbetas1.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 calcular DFFITS em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"