Normalmente, quando realizamos regress\u00e3o linear, queremos estimar o valor m\u00e9dio da vari\u00e1vel resposta.<\/span><\/p>\n No entanto, poder\u00edamos, em vez disso, usar um m\u00e9todo conhecido como regress\u00e3o quant\u00edlica<\/strong> para estimar qualquer<\/em> valor quant\u00edlico ou percentil do valor da resposta, como o percentil 70, o percentil 90, o percentil 98, etc.<\/span><\/p>\n Para realizar a regress\u00e3o quant\u00edlica em R, podemos usar a fun\u00e7\u00e3o rq()<\/strong> do pacote quantreg<\/a> , que usa a seguinte sintaxe:<\/span><\/p>\n Ouro:<\/span><\/p>\n Este tutorial fornece um exemplo passo a passo de como usar esta fun\u00e7\u00e3o para realizar regress\u00e3o quant\u00edlica em R.<\/span><\/p>\n Para este exemplo, criaremos um conjunto de dados contendo as horas estudadas e os resultados dos exames obtidos para 100 alunos diferentes de uma universidade:<\/span><\/p>\n A seguir, ajustaremos um modelo de regress\u00e3o quant\u00edlica usando horas estudadas como vari\u00e1vel preditora e notas em exames como vari\u00e1vel resposta.<\/span><\/p>\n Usaremos o modelo para prever o percentil 90 esperado das notas dos exames com base no n\u00famero de horas estudadas:<\/span><\/p>\n A partir do resultado podemos ver a equa\u00e7\u00e3o de regress\u00e3o estimada:<\/span><\/p>\n Pontua\u00e7\u00e3o do exame do percentil 90 = 60,25 + 2,437*(horas)<\/span><\/p>\n Por exemplo, a pontua\u00e7\u00e3o do percentil 90 para todos os alunos que estudam 8 horas deveria ser 79,75:<\/span><\/p>\n Percentil 90 da nota do exame = 60,25 + 2,437*(8) = 79,75<\/strong> .<\/span><\/p>\n A sa\u00edda tamb\u00e9m exibe os limites de confian\u00e7a superior e inferior para a intercepta\u00e7\u00e3o e os tempos da vari\u00e1vel preditora.<\/span><\/p>\n Tamb\u00e9m podemos visualizar os resultados da regress\u00e3o criando um gr\u00e1fico de dispers\u00e3o com a equa\u00e7\u00e3o de regress\u00e3o quant\u00edlica ajustada sobreposta no gr\u00e1fico:<\/span> <\/p>\n Ao contr\u00e1rio de uma linha de regress\u00e3o linear tradicional, observe que esta linha ajustada n\u00e3o passa pelo centro dos dados. Em vez disso, passa pelo percentil 90 estimado em cada n\u00edvel da vari\u00e1vel preditora.<\/span><\/p>\n Podemos ver a diferen\u00e7a entre a equa\u00e7\u00e3o de regress\u00e3o quant\u00edlica ajustada e a equa\u00e7\u00e3o de regress\u00e3o linear simples adicionando o argumento geom_smooth()<\/strong> :<\/span> <\/p>\n A linha preta apresenta a linha de regress\u00e3o quant\u00edlica ajustada para o percentil 90 e a linha azul apresenta a linha de regress\u00e3o linear simples, que estima o valor m\u00e9dio da vari\u00e1vel resposta.<\/span><\/p>\n Como esperado, a linha de regress\u00e3o linear simples percorre os dados e nos mostra o valor m\u00e9dio estimado das notas dos exames em cada n\u00edvel de hora.<\/span><\/p>\n Os tutoriais a seguir explicam como realizar outras tarefas comuns em R:<\/span><\/p>\n Como realizar regress\u00e3o linear simples em R<\/a> A regress\u00e3o linear \u00e9 um m\u00e9todo que podemos usar para compreender a rela\u00e7\u00e3o entre uma ou mais vari\u00e1veis preditoras e uma vari\u00e1vel de resposta . Normalmente, quando realizamos regress\u00e3o linear, queremos estimar o valor m\u00e9dio da vari\u00e1vel resposta. No entanto, poder\u00edamos, em vez disso, usar um m\u00e9todo conhecido como regress\u00e3o quant\u00edlica para estimar qualquer valor […]<\/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-1324","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n library<\/span> (quantreg)\n\nmodel <- rq(y ~ x, data = dataset, tau = 0.5<\/span> )\n<\/strong><\/pre>\n\n
Passo 1: Insira os dados<\/strong><\/span><\/h2>\n
#make this example reproducible\n<\/span>set.seed(0)\n\n#create data frame<\/span> \nhours <- runif(100, 1, 10)\nscore <- 60 + 2*hours + rnorm(100, mean=0, sd=.45*hours)\ndf <- data.frame(hours, score)\n\n#view first six rows<\/span>\nhead(df)\n\n hours score\n1 9.070275 79.22682\n2 3.389578 66.20457\n3 4.349115 73.47623\n4 6.155680 70.10823\n5 9.173870 78.12119\n6 2.815137 65.94716\n<\/strong><\/pre>\n Etapa 2: realizar a regress\u00e3o quant\u00edlica<\/strong><\/span><\/h2>\n
library<\/span> (quantreg)\n\n#fit model\n<\/span>model <- rq(score ~ hours, data = df, tau = 0.9<\/span> )\n\n#view summary of model\n<\/span>summary(model)\n\nCall: rq(formula = score ~ hours, tau = 0.9, data = df)\n\ntau: [1] 0.9\n\nCoefficients:\n coefficients lower bd upper bd\n(Intercept) 60.25185 59.27193 62.56459\nhours 2.43746 1.98094 2.76989\n<\/strong><\/pre>\n Passo 3: Visualize os resultados<\/strong><\/span><\/h2>\n
library<\/span> (ggplot2)\n\n#create scatterplot with quantile regression line\n<\/span>ggplot(df, aes(hours,score)) +\n geom_point() + \n geom_abline(intercept= coef<\/span> (model)[1], slope= coef<\/span> (model)[2])<\/strong> <\/pre>\n![\"Exemplo](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quantileregr1.png\")
<\/p>\n library<\/span> (ggplot2)\n\n#create scatterplot with quantile regression line and<\/em> simple linear regression line\n<\/span>ggplot(df, aes(hours,score)) +\n geom_point() + \n geom_abline(intercept= coef<\/span> (model)[1], slope= coef<\/span> (model)[2]) +\n geom_smooth(method=\" lm<\/span> \", se= F<\/span> )<\/strong> <\/pre>\n![\"Gr\u00e1fico](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quantileregr2.png\")
<\/p>\n Recursos adicionais<\/strong><\/span><\/h2>\n
Como realizar regress\u00e3o linear m\u00faltipla em R<\/a>
Como realizar regress\u00e3o quadr\u00e1tica em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"