{"id":1313,"date":"2023-07-26T22:05:53","date_gmt":"2023-07-26T22:05:53","guid":{"rendered":"https:\/\/statorials.org\/pt\/tracar-regressao-linear-multipla-em-r\/"},"modified":"2023-07-26T22:05:53","modified_gmt":"2023-07-26T22:05:53","slug":"tracar-regressao-linear-multipla-em-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/pt\/tracar-regressao-linear-multipla-em-r\/","title":{"rendered":"Como plotar resultados de regress\u00e3o linear m\u00faltipla em r"},"content":{"rendered":"

<\/p>\n

\n

Quando realizamos regress\u00e3o linear simples<\/a> em R, \u00e9 f\u00e1cil visualizar a linha de regress\u00e3o ajustada porque estamos trabalhando apenas com uma \u00fanica vari\u00e1vel preditora e uma \u00fanica vari\u00e1vel de resposta<\/a> .<\/span><\/p>\n

Por exemplo, o c\u00f3digo a seguir mostra como ajustar um modelo de regress\u00e3o linear simples a um conjunto de dados e representar graficamente os resultados:<\/span> <\/p>\n

 #create dataset\n<\/span>data <- data.frame(x = c(1, 1, 2, 4, 4, 5, 6, 7, 7, 8, 9, 10, 11, 11),\n                   y = c(13, 14, 17, 23, 24, 25, 25, 24, 28, 32, 33, 35, 40, 41))\n\n#fit simple linear regression model\n<\/span>model <- lm(y ~ x, data = data)\n\n#create scatterplot of data\n<\/span>plot(data$x, data$y)\n\n#add fitted regression line\n<\/span>abline(model)\n<\/strong><\/pre>\n
\"Tra\u00e7ando<\/p>\n
 Em vez disso, podemos usar gr\u00e1ficos de vari\u00e1veis adicionadas<\/strong> (\u00e0s vezes chamados de “gr\u00e1ficos de regress\u00e3o parcial”), que s\u00e3o gr\u00e1ficos individuais que exibem o relacionamento entre a vari\u00e1vel de resposta e uma vari\u00e1vel preditora, enquanto controlam a presen\u00e7a de outras vari\u00e1veis preditoras no modelo<\/em> .<\/span><\/p>\n
 O exemplo a seguir mostra como realizar regress\u00e3o linear m\u00faltipla em R e visualizar os resultados usando gr\u00e1ficos de vari\u00e1veis anexados.<\/span><\/p>\n
 Exemplo: plotando resultados de regress\u00e3o linear m\u00faltipla em R<\/strong><\/span><\/h3>\n
 Suponha que ajustamos o seguinte modelo de regress\u00e3o linear m\u00faltipla a um conjunto de dados em R usando o conjunto de dados mtcars<\/strong> integrado:<\/span><\/p>\n
 #fit multiple linear regression model\nmodel <- lm(mpg ~ disp + hp + drat, data = mtcars)\n<\/span>\n#view results of model\nsummary(model)\n\nCall:\nlm(formula = mpg ~ disp + hp + drat, data = mtcars)\n\nResiduals:\n    Min 1Q Median 3Q Max \n-5.1225 -1.8454 -0.4456 1.1342 6.4958 \n\nCoefficients:\n             Estimate Std. Error t value Pr(>|t|)   \n(Intercept) 19.344293 6.370882 3.036 0.00513 **\navailable -0.019232 0.009371 -2.052 0.04960 * \nhp -0.031229 0.013345 -2.340 0.02663 * \ndrat 2.714975 1.487366 1.825 0.07863 . \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.008 on 28 degrees of freedom\nMultiple R-squared: 0.775, Adjusted R-squared: 0.7509 \nF-statistic: 32.15 on 3 and 28 DF, p-value: 3.28e-09\n<\/span><\/span><\/strong><\/pre>\n
 A partir dos resultados, podemos ver que o valor p para cada um dos coeficientes \u00e9 inferior a 0,1. Para simplificar, assumiremos que cada uma das vari\u00e1veis preditoras \u00e9 significativa e deve ser inclu\u00edda no modelo.<\/span><\/p>\n
 Para produzir gr\u00e1ficos de vari\u00e1veis anexadas, podemos usar a fun\u00e7\u00e3o avPlots()<\/strong> do pacote car<\/strong> :<\/span> <\/p>\n
 #load car package\nlibrary(car)\n<\/span>\n#produce added variable plots\navPlots(model)<\/span>\n<\/span><\/strong><\/pre>\n
\"Tra\u00e7ando<\/p>\n
 Veja como interpretar cada enredo:<\/span><\/p>\n
 No entanto, quando realizamos regress\u00e3o linear m\u00faltipla,<\/a> torna-se dif\u00edcil visualizar os resultados porque existem m\u00faltiplas vari\u00e1veis preditoras e n\u00e3o podemos simplesmente tra\u00e7ar uma linha de regress\u00e3o em um gr\u00e1fico 2D.<\/span><\/p>\n