<\/p>\n
A fun\u00e7\u00e3o glm()<\/strong> em R pode ser usada para ajustar modelos lineares generalizados.<\/span> Este recurso \u00e9 particularmente \u00fatil para ajustar modelos de regress\u00e3o log\u00edstica<\/a> , modelos de regress\u00e3o de Poisson<\/a> e outros modelos complexos.<\/span><\/p>\n Depois de ajustarmos um modelo, podemos usar a fun\u00e7\u00e3o predizer()<\/strong> para prever o valor da resposta de uma nova observa\u00e7\u00e3o.<\/span><\/p>\n Esta fun\u00e7\u00e3o usa a seguinte sintaxe:<\/span><\/p>\n prever (objeto, novos dados, tipo = \u201cresposta\u201d)<\/strong><\/span><\/p>\n Ouro:<\/span><\/p>\n O exemplo a seguir mostra como ajustar um modelo linear generalizado em R e como usar o modelo para prever o valor da resposta de uma nova observa\u00e7\u00e3o que nunca foi vista antes.<\/span><\/p>\n Para este exemplo, usaremos o conjunto de dados R integrado chamado mtcars<\/strong> :<\/span><\/p>\n Ajustaremos o seguinte modelo de regress\u00e3o log\u00edstica no qual utilizamos as vari\u00e1veis disp<\/strong> e hp<\/strong> para prever a vari\u00e1vel resposta am<\/strong> (tipo de transmiss\u00e3o do carro: 0 = autom\u00e1tica, 1 = manual).<\/span><\/p>\n Podemos ent\u00e3o usar este modelo para prever a probabilidade de um carro novo ter uma transmiss\u00e3o autom\u00e1tica (am=0) ou manual (am=1) usando o seguinte c\u00f3digo:<\/span><\/p>\n O modelo prev\u00ea que a probabilidade de o novo carro ter transmiss\u00e3o manual (am = 1) \u00e9 de 0,004<\/strong> . Isso significa que \u00e9 muito prov\u00e1vel que este novo carro venha com transmiss\u00e3o autom\u00e1tica.<\/span><\/p>\n Observe que tamb\u00e9m podemos fazer v\u00e1rias previs\u00f5es ao mesmo tempo se tivermos um banco de dados contendo v\u00e1rios carros novos.<\/span><\/p>\n Por exemplo, o c\u00f3digo a seguir mostra como usar o modelo ajustado para prever a probabilidade de uma transmiss\u00e3o manual para tr\u00eas carros novos:<\/span><\/p>\n Veja como interpretar o resultado:<\/span><\/p>\n Os nomes das colunas no novo quadro de dados devem corresponder exatamente aos nomes das colunas no quadro de dados que foram usados para criar o modelo.<\/span><\/p>\n Observe que em nosso exemplo anterior, o quadro de dados que usamos para criar o modelo continha os seguintes nomes de colunas para nossas vari\u00e1veis preditoras:<\/span><\/p>\n Portanto, quando criamos o novo quadro de dados chamado newdata,<\/strong> tamb\u00e9m nomeamos as colunas:<\/span><\/p>\n Se os nomes das colunas n\u00e3o corresponderem, voc\u00ea receber\u00e1 a seguinte mensagem de erro:<\/span><\/p>\n Erro na avalia\u00e7\u00e3o (predvars, dados, env)<\/strong><\/span><\/p>\n Tenha isso em mente ao usar a fun\u00e7\u00e3o prever()<\/strong> .<\/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 fun\u00e7\u00e3o glm() em R pode ser usada para ajustar modelos lineares generalizados. Este recurso \u00e9 particularmente \u00fatil para ajustar modelos de regress\u00e3o log\u00edstica , modelos de regress\u00e3o de Poisson e outros modelos complexos. Depois de ajustarmos um modelo, podemos usar a fun\u00e7\u00e3o predizer() para prever o valor da resposta de uma nova observa\u00e7\u00e3o. Esta […]<\/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-1545","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
Exemplo: Usando a fun\u00e7\u00e3o de previs\u00e3o com glm em R<\/strong><\/span><\/h3>\n
#view first six rows of mtcars<\/em> data frame<\/span>\nhead(mtcars)\n\n mpg cyl disp hp drat wt qsec vs am gear carb\nMazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4\nMazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4\nDatsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1\nHornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1\nHornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2\nValiant 18.1 6 225 105 2.76 3,460 20.22 1 0 3 1<\/strong><\/pre>\n #fit logistic regression model<\/span>\nmodel <- glm(am ~ disp + hp, data=mtcars, family=binomial)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = am ~ disp + hp, family = binomial, data = mtcars)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.9665 -0.3090 -0.0017 0.3934 1.3682 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) 1.40342 1.36757 1.026 0.3048 \navailable -0.09518 0.04800 -1.983 0.0474 *\nhp 0.12170 0.06777 1.796 0.0725 .\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 43,230 on 31 degrees of freedom\nResidual deviance: 16,713 on 29 degrees of freedom\nAIC: 22,713\n\nNumber of Fisher Scoring iterations: 8\n<\/strong><\/pre>\n #define new observation\nnewdata = data. frame<\/span> (disp=200, hp=100)\n<\/span>\n#use model to predict value of am\npredict(model, newdata, type=\" response<\/span> \")\n\n 1 \n0.00422564\n<\/span><\/span><\/strong><\/pre>\n #define new data frame of three cars\nnewdata = data. frame<\/span> (disp=c(200, 180, 160),\n hp=c(100, 90, 108))\n\n#view data frame<\/span>\nnewdata\n\n hp disp\n1,200 100\n2 180 90\n3,160,108\n<\/span>\n#use model to predict value of am<\/em> for all three cars\npredict(model, newdata, type=\" response<\/span> \")\n\n 1 2 3 \n0.004225640 0.008361069 0.335916069 \n<\/span><\/span><\/strong><\/pre>\n\n
Coment\u00e1rios<\/strong><\/span><\/h2>\n
\n
\n
Recursos adicionais<\/strong><\/span><\/h2>\n
Como realizar regress\u00e3o linear m\u00faltipla em R<\/a>
Como realizar regress\u00e3o polinomial em R<\/a>
Como criar um intervalo de previs\u00e3o em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"