\u00c9 calculado da seguinte forma:<\/span><\/p>\n Residual = Valor observado \u2013 Valor previsto<\/strong><\/span><\/p>\n Se plotarmos os valores observados e sobrepormos a linha de regress\u00e3o ajustada, os res\u00edduos de cada observa\u00e7\u00e3o<\/a> seriam a dist\u00e2ncia vertical entre a observa\u00e7\u00e3o e a linha de regress\u00e3o:<\/span> <\/p>\n Um tipo de res\u00edduo que costumamos usar para identificar valores discrepantes em um modelo de regress\u00e3o \u00e9 chamado de res\u00edduo padronizado<\/strong> .<\/span><\/p>\n \u00c9 calculado da seguinte forma:<\/span><\/p>\n r eu<\/sub> = e eu<\/sub> \/ s(e eu<\/sub> )<\/strong> = e eu<\/sub> \/ RSE\u221a 1-h ii<\/sub><\/span><\/strong><\/span><\/p>\n Ouro:<\/span><\/p>\n Na pr\u00e1tica, muitas vezes consideramos qualquer res\u00edduo padronizado cujo valor absoluto seja superior a 3 como um valor at\u00edpico.<\/span><\/p>\n Este tutorial fornece um exemplo passo a passo de como calcular res\u00edduos padronizados em R.<\/span><\/p>\n Primeiro, criaremos um pequeno conjunto de dados para trabalhar em R:<\/span><\/p>\n A seguir, usaremos a fun\u00e7\u00e3o lm()<\/strong> para ajustar um modelo de regress\u00e3o linear simples<\/a> :<\/span><\/p>\n A seguir, usaremos a fun\u00e7\u00e3o integrada rstandard()<\/strong> para calcular os res\u00edduos padronizados do modelo:<\/span><\/span><\/p>\n Podemos adicionar os res\u00edduos padronizados ao quadro de dados original, se desejarmos:<\/span><\/p>\n Podemos ent\u00e3o classificar cada observa\u00e7\u00e3o da maior para a menor com base em seu res\u00edduo padronizado para ter uma ideia de quais observa\u00e7\u00f5es est\u00e3o mais pr\u00f3ximas dos valores discrepantes:<\/span><\/p>\n A partir dos resultados, podemos ver que nenhum dos res\u00edduos padronizados excede o valor absoluto de 3. Assim, nenhuma das observa\u00e7\u00f5es parece ser discrepante.<\/span><\/p>\n Finalmente, podemos criar um gr\u00e1fico de dispers\u00e3o para visualizar os valores da vari\u00e1vel preditora em rela\u00e7\u00e3o aos res\u00edduos padronizados:<\/span><\/p>\n O que s\u00e3o res\u00edduos?<\/a> Um res\u00edduo \u00e9 a diferen\u00e7a entre um valor observado e um valor previsto em um modelo de regress\u00e3o . \u00c9 calculado da seguinte forma: Residual = Valor observado \u2013 Valor previsto Se plotarmos os valores observados e sobrepormos a linha de regress\u00e3o ajustada, os res\u00edduos de cada observa\u00e7\u00e3o seriam a dist\u00e2ncia vertical entre a observa\u00e7\u00e3o […]<\/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-1310","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n![\"Exemplo](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residus1-1.png\")
<\/p>\n\n
Passo 1: Insira os dados<\/strong><\/span><\/h3>\n
#create data<\/span>\ndata <- data.frame(x=c(8, 12, 12, 13, 14, 16, 17, 22, 24, 26, 29, 30),\n y=c(41, 42, 39, 37, 35, 39, 45, 46, 39, 49, 55, 57))\n\n#viewdata\n<\/span>data\n\n xy\n1 8 41\n2 12 42\n3 12 39\n4 13 37\n5 14 35\n6 16 39\n7 17 45\n8 22 46\n9 24 39\n10 26 49\n11 29 55\n12 30 57<\/strong><\/pre>\n Passo 2: Ajustar o modelo de regress\u00e3o<\/strong><\/span><\/h3>\n
#fit model\n<\/span>model <- lm(y ~ x, data=data)\n\n#view model summary\nsummary(model)<\/span> \n\nCall:\nlm(formula = y ~ x, data = data)\n\nResiduals:\n Min 1Q Median 3Q Max \n-8.7578 -2.5161 0.0292 3.3457 5.3268 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 29.6309 3.6189 8.188 9.6e-06 ***\nx 0.7553 0.1821 4.148 0.00199 ** \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 4.442 on 10 degrees of freedom\nMultiple R-squared: 0.6324, Adjusted R-squared: 0.5956 \nF-statistic: 17.2 on 1 and 10 DF, p-value: 0.001988<\/span><\/span><\/strong><\/pre>\n Passo 3: Calcular res\u00edduos padronizados<\/strong><\/span><\/h3>\n
#calculate the standardized residuals\n<\/span>standard_res <- rstandard(model)\n\n#view the standardized residuals<\/span>\nstandard_res\n\n 1 2 3 4 5 6 \n 1.40517322 0.81017562 0.07491009 -0.59323342 -1.24820530 -0.64248883 \n 7 8 9 10 11 12 \n 0.59610905 -0.05876884 -2.11711982 -0.06655600 0.91057211 1.26973888\n<\/strong><\/pre>\n #column bind standardized residuals back to original data frame\n<\/span>final_data <- cbind(data, standard_res)\n\n#view data frame<\/span>\n xy standard_res\n1 8 41 1.40517322\n2 12 42 0.81017562\n3 12 39 0.07491009\n4 13 37 -0.59323342\n5 14 35 -1.24820530\n6 16 39 -0.64248883\n7 17 45 0.59610905\n8 22 46 -0.05876884\n9 24 39 -2.11711982\n10 26 49 -0.06655600\n11 29 55 0.91057211\n12 30 57 1.26973888\n<\/strong><\/pre>\n #sort standardized residuals descending\nfinal_data[ order<\/span> (-standard_res),]\n\n xy standard_res\n1 8 41 1.40517322\n12 30 57 1.26973888\n11 29 55 0.91057211\n2 12 42 0.81017562\n7 17 45 0.59610905\n3 12 39 0.07491009\n8 22 46 -0.05876884\n10 26 49 -0.06655600\n4 13 37 -0.59323342\n6 16 39 -0.64248883\n5 14 35 -1.24820530\n9 24 39 -2.11711982<\/span><\/span><\/strong><\/pre>\n Passo 4: Visualize os res\u00edduos padronizados<\/strong><\/span><\/h3>\n
#plot predictor variable vs. standardized residuals\n<\/span>plot(final_data$x, standard_res, ylab=' Standardized Residuals<\/span> ', xlab=' x<\/span> ') \n\n#add horizontal line at 0\n<\/span>abline(0, 0)<\/span><\/span><\/strong><\/pre>\n Recursos adicionais<\/strong><\/span><\/h3>\n
O que s\u00e3o res\u00edduos padronizados?<\/a>
Introdu\u00e7\u00e3o \u00e0 regress\u00e3o linear m\u00faltipla<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"