Por exemplo, o gr\u00e1fico a seguir mostra um exemplo de decaimento logar\u00edtmico:<\/span> <\/p>\n Para este tipo de situa\u00e7\u00e3o, a rela\u00e7\u00e3o entre uma vari\u00e1vel preditora e uma vari\u00e1vel resposta poderia ser bem modelada utilizando regress\u00e3o logar\u00edtmica.<\/span><\/p>\n A equa\u00e7\u00e3o para um modelo de regress\u00e3o logar\u00edtmica assume a seguinte forma:<\/span><\/p>\n y = a + b*ln(x)<\/strong><\/span><\/p>\n Ouro:<\/span><\/p>\n O exemplo passo a passo a seguir mostra como realizar a regress\u00e3o logar\u00edtmica em R.<\/span><\/p>\n Primeiro, vamos criar dados falsos para duas vari\u00e1veis: x<\/em> e y<\/em> :<\/span><\/p>\n A seguir, vamos criar um gr\u00e1fico de dispers\u00e3o r\u00e1pido para visualizar a rela\u00e7\u00e3o entre x<\/em> e y<\/em> :<\/span> <\/p>\n No gr\u00e1fico, podemos ver que existe um padr\u00e3o claro de decaimento logar\u00edtmico entre as duas vari\u00e1veis. O valor da vari\u00e1vel de resposta, y<\/em> , diminui rapidamente no in\u00edcio e depois diminui com o tempo.<\/span><\/p>\n Portanto, parece sensato ajustar uma equa\u00e7\u00e3o de regress\u00e3o logar\u00edtmica para descrever a rela\u00e7\u00e3o entre as vari\u00e1veis.<\/span><\/p>\n A seguir, usaremos a fun\u00e7\u00e3o lm()<\/strong> para ajustar um modelo de regress\u00e3o logar\u00edtmica, usando o logaritmo natural de x<\/em> como vari\u00e1vel preditora e y<\/em> como vari\u00e1vel de resposta.<\/span><\/p>\n O valor F geral<\/a> do modelo \u00e9 828,2 e o valor p correspondente \u00e9 extremamente baixo (3.702e-13), indicando que o modelo como um todo \u00e9 \u00fatil.<\/span><\/p>\n Usando os coeficientes da tabela de sa\u00edda, podemos ver que a equa\u00e7\u00e3o de regress\u00e3o logar\u00edtmica ajustada \u00e9:<\/span><\/p>\n y = 63,0686 \u2013 20,1987 * ln(x)<\/strong><\/span><\/p>\n Podemos usar esta equa\u00e7\u00e3o para prever a vari\u00e1vel de resposta, y<\/em> , com base no valor da vari\u00e1vel preditora, x<\/em> . Por exemplo, se x<\/em> = 12, ent\u00e3o prever\u00edamos que y<\/em> seria 12,87<\/strong> :<\/span><\/p>\n y = 63,0686 \u2013 20,1987 * ln(12) = 12,87<\/strong><\/span><\/p>\n B\u00f4nus:<\/strong> sinta-se \u00e0 vontade para usar esta calculadora de regress\u00e3o logar\u00edtmica online para calcular automaticamente a equa\u00e7\u00e3o de regress\u00e3o logar\u00edtmica para um determinado preditor e vari\u00e1vel de resposta.<\/span><\/p>\n Finalmente, podemos criar um gr\u00e1fico r\u00e1pido para visualizar qu\u00e3o bem o modelo de regress\u00e3o logar\u00edtmica se ajusta aos dados:<\/span><\/span> <\/p>\n Podemos ver que o modelo de regress\u00e3o logar\u00edtmica faz um bom trabalho ao ajustar este conjunto de dados espec\u00edfico.<\/span><\/p>\n Como realizar regress\u00e3o linear simples em R<\/a> A regress\u00e3o logar\u00edtmica \u00e9 um tipo de regress\u00e3o usada para modelar situa\u00e7\u00f5es em que o crescimento ou decl\u00ednio acelera rapidamente no in\u00edcio e depois diminui com o tempo. Por exemplo, o gr\u00e1fico a seguir mostra um exemplo de decaimento logar\u00edtmico: Para este tipo de situa\u00e7\u00e3o, a rela\u00e7\u00e3o entre uma vari\u00e1vel preditora e uma vari\u00e1vel resposta […]<\/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-1451","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/expregexcel2.png\")
<\/p>\n\n
Etapa 1: crie os dados<\/strong><\/span><\/h3>\n
x=1:15\n\ny=c(59, 50, 44, 38, 33, 28, 23, 20, 17, 15, 13, 12, 11, 10, 9.5)\n<\/strong><\/pre>\n
Etapa 2: visualize os dados<\/strong><\/h3>\n
plot(x, y)<\/strong> <\/pre>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/logregr1.png\")
<\/p>\n Etapa 3: Ajustar o modelo de regress\u00e3o logar\u00edtmica<\/strong><\/span><\/h3>\n
#fit the model<\/span>\nmodel <- lm(y ~ log<\/span> (x))<\/strong>\n\n#view the output of the model<\/span>\nsummary(model)\n\nCall:\nlm(formula = y ~ log(x))\n\nResiduals:\n Min 1Q Median 3Q Max \n-4.069 -1.313 -0.260 1.127 3.122 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 63.0686 1.4090 44.76 1.25e-15 ***\nlog(x) -20.1987 0.7019 -28.78 3.70e-13 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 2.054 on 13 degrees of freedom\nMultiple R-squared: 0.9845, Adjusted R-squared: 0.9834 \nF-statistic: 828.2 on 1 and 13 DF, p-value: 3.702e-13<\/strong><\/pre>\n Passo 4: Visualize o modelo de regress\u00e3o logar\u00edtmica<\/strong><\/span><\/h3>\n
#plot x vs. y<\/span>\nplot(x, y)\n\n#define x-values to use for regression line\n<\/span>x=seq(from= 1<\/span> , to= 15<\/span> , length. out<\/span> = 1000<\/span> )\n\n#use the model to predict the y-values based on the x-values\n<\/span>y=predict(model,newdata=list(x=seq(from= 1<\/span> ,to= 15<\/span> ,length. out<\/span> = 1000<\/span> )),\n interval=\" confidence<\/span> \")\n\n#add the fitted regression line to the plot (lwd specifies the width of the line)\n<\/span>matlines(x,y, lwd= 2<\/span> )\n<\/strong><\/pre>\n![\"Regress\u00e3o](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/logregr2.png\")
<\/p>\n Recursos adicionais<\/strong><\/span><\/h3>\n
Como realizar regress\u00e3o linear m\u00faltipla em R<\/a>
Como realizar regress\u00e3o quadr\u00e1tica em R<\/a>
Como realizar regress\u00e3o exponencial em R<\/a>
Como realizar regress\u00e3o polinomial em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"