Por exemplo, digamos que queremos usar o n\u00famero de horas estudadas<\/em> para prever as notas dos exames<\/em> dos alunos de uma determinada faculdade. Podemos decidir adaptar os dois modelos de regress\u00e3o a seguir:<\/span><\/p>\n Modelo completo:<\/strong> pontua\u00e7\u00e3o = \u03b2 0<\/sub> + B 1<\/sub> (horas) + B 2<\/sub> (horas) 2<\/sup><\/span><\/p>\n Modelo reduzido:<\/strong> pontua\u00e7\u00e3o = \u03b2 0<\/sub> + B 1<\/sub> (horas)<\/span><\/p>\n O exemplo passo a passo a seguir mostra como realizar um teste de falta de ajuste em R para determinar se o modelo completo fornece um ajuste significativamente melhor do que o modelo reduzido.<\/span><\/p>\n Primeiro, usaremos o c\u00f3digo a seguir para criar um conjunto de dados contendo o n\u00famero de horas estudadas e as notas obtidas nos exames de 50 alunos:<\/span><\/p>\n A seguir, criaremos um gr\u00e1fico de dispers\u00e3o para visualizar a rela\u00e7\u00e3o entre horas e pontua\u00e7\u00e3o:<\/span> <\/p>\n A seguir, ajustaremos dois modelos de regress\u00e3o diferentes ao conjunto de dados:<\/span><\/p>\n A seguir, usaremos o comando anova()<\/strong> para realizar um teste de falta de ajuste entre os dois modelos:<\/span><\/p>\n A estat\u00edstica do teste F \u00e9 10,554<\/strong> e o valor p correspondente \u00e9 0,002144<\/strong> . Como este valor p \u00e9 inferior a 0,05, podemos rejeitar a hip\u00f3tese nula do teste e concluir que o modelo completo fornece um ajuste estatisticamente significativamente melhor do que o modelo reduzido.<\/span><\/p>\n Finalmente, podemos visualizar o modelo final (o modelo completo) em rela\u00e7\u00e3o ao conjunto de dados original:<\/span> <\/p>\n Podemos ver que a curva do modelo se ajusta muito bem aos dados.<\/span><\/p>\n Como realizar regress\u00e3o linear simples em R<\/a> Um teste de falta de ajuste \u00e9 usado para determinar se um modelo de regress\u00e3o completo fornece ou n\u00e3o um ajuste significativamente melhor a um conjunto de dados do que uma vers\u00e3o reduzida do modelo. Por exemplo, digamos que queremos usar o n\u00famero de horas estudadas para prever as notas dos exames dos alunos de […]<\/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-1462","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Etapa 1: criar e visualizar um conjunto de dados<\/strong><\/span><\/h3>\n
#make this example reproducible\n<\/span>set. seeds<\/span> (1)\n\n#create dataset\n<\/span>df <- data. frame<\/span> (hours = runif<\/span> (50, 5, 15), score=50)\ndf$score = df$score + df$hours^3\/150 + df$hours* runif<\/span> (50, 1, 2)\n\n#view first six rows of data\n<\/span>head(df)\n\n hours score\n1 7.655087 64.30191\n2 8.721239 70.65430\n3 10.728534 73.66114\n4 14.082078 86.14630\n5 7.016819 59.81595\n6 13.983897 83.60510<\/strong><\/pre>\n #load ggplot2 visualization package\n<\/span>library<\/span> (ggplot2)\n\n#create scatterplot\n<\/span>ggplot(df, aes<\/span> (x=hours, y=score)) +\n geom_point()<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/manquefit1.png\")
<\/p>\n Etapa 2: ajustar dois modelos diferentes ao conjunto de dados<\/strong><\/span><\/h3>\n
#fit full model\n<\/span>full <- lm(score ~ poly<\/span> (hours,2), data=df)\n<\/span>\n#fit reduced model\nreduced <- lm(score ~ hours, data=df)<\/span><\/span>\n<\/span><\/strong><\/pre>\n Etapa 3: realizar um teste de falta de ajuste<\/strong><\/span><\/h3>\n
#lack of fit test\n<\/span>anova(full, reduced)\n\nAnalysis of Variance Table\n\nModel 1: score ~ poly(hours, 2)\nModel 2: score ~ hours\n Res.Df RSS Df Sum of Sq F Pr(>F) \n1 47 368.48 \n2 48 451.22 -1 -82.744 10.554 0.002144 **\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n Passo 4: Visualize o modelo final<\/strong><\/span><\/h3>\n
ggplot(df, aes<\/span> (x=hours, y=score)) + \n geom_point() +\n stat_smooth(method=' lm<\/span> ', formula = y ~ poly<\/span> (x,2), size = 1) + \n xlab(' Hours Studied<\/span> ') +\n ylab(' Score<\/span> ')<\/strong><\/span> <\/pre>\n![\"Visualizando](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/manquefit2.png\")
<\/p>\n Recursos adicionais<\/strong><\/span><\/h3>\n
Como realizar regress\u00e3o linear m\u00faltipla em R<\/a>
Como realizar regress\u00e3o polinomial em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"