Em termos simples, mede o desvio padr\u00e3o dos res\u00edduos num modelo de regress\u00e3o.<\/span><\/p>\n \u00c9 calculado da seguinte forma:<\/span><\/span><\/p>\n Erro padr\u00e3o residual = \u221a \u03a3(y \u2013 \u0177) 2<\/sup> \/df<\/span><\/span><\/strong><\/p>\n Ouro:<\/span><\/p>\n Quanto menor o erro padr\u00e3o residual, melhor o modelo de regress\u00e3o se ajusta a um conjunto de dados. Por outro lado, quanto maior o erro padr\u00e3o residual, pior o modelo de regress\u00e3o se ajusta a um conjunto de dados.<\/span><\/p>\n Um modelo de regress\u00e3o que possui um pequeno erro padr\u00e3o residual ter\u00e1 pontos de dados fortemente agrupados em torno da linha de regress\u00e3o ajustada:<\/span> <\/p>\n Os res\u00edduos<\/a> deste modelo (a diferen\u00e7a entre os valores observados e os valores previstos) ser\u00e3o pequenos, o que significa que o erro padr\u00e3o residual tamb\u00e9m ser\u00e1 pequeno.<\/span><\/p>\n Por outro lado, um modelo de regress\u00e3o que tenha um grande erro padr\u00e3o residual ter\u00e1 pontos de dados mais vagamente espalhados em torno da linha de regress\u00e3o ajustada:<\/span> <\/p>\n Os res\u00edduos<\/a> deste modelo ser\u00e3o maiores, o que significa que o erro padr\u00e3o residual tamb\u00e9m ser\u00e1 maior.<\/span><\/p>\n O exemplo a seguir mostra como calcular e interpretar o erro padr\u00e3o residual de um modelo de regress\u00e3o em R.<\/span><\/p>\n Suponha que queiramos ajustar o seguinte modelo de regress\u00e3o linear m\u00faltipla:<\/span><\/p>\n mpg = \u03b2 0<\/sub> + \u03b2 1<\/sub> (deslocamento) + \u03b2 2<\/sub> (pot\u00eancia)<\/span><\/p>\n Este modelo usa as vari\u00e1veis preditoras \u201cdeslocamento\u201d e \u201ccavalo-vapor\u201d para prever as milhas por gal\u00e3o percorridas por um determinado carro.<\/span><\/p>\n O c\u00f3digo a seguir mostra como ajustar esse modelo de regress\u00e3o em R:<\/span><\/p>\n Na parte inferior do resultado, podemos ver que o erro padr\u00e3o residual deste modelo \u00e9 3,127<\/strong> .<\/span><\/p>\n Isso nos diz que o modelo de regress\u00e3o prev\u00ea o consumo de combust\u00edvel do carro com um erro m\u00e9dio de cerca de 3.127.<\/span><\/p>\n O erro padr\u00e3o residual \u00e9 particularmente \u00fatil para comparar o ajuste de diferentes modelos de regress\u00e3o.<\/span><\/p>\n Por exemplo, suponha que ajustemos dois modelos de regress\u00e3o diferentes para prever o consumo de autom\u00f3veis. O erro padr\u00e3o residual de cada modelo \u00e9 o seguinte:<\/span><\/p>\n Como o Modelo 1 tem um erro padr\u00e3o residual menor, ele se ajusta melhor aos dados do que o Modelo 2. Assim, preferir\u00edamos usar o Modelo 1 para prever o mpg do carro, porque as previs\u00f5es que ele faz est\u00e3o mais pr\u00f3ximas dos valores de mpg observados dos carros.<\/span><\/p>\n Como realizar regress\u00e3o linear simples em R<\/a> O erro padr\u00e3o residual \u00e9 usado para medir qu\u00e3o bem um modelo de regress\u00e3o se ajusta a um conjunto de dados. Em termos simples, mede o desvio padr\u00e3o dos res\u00edduos num modelo de regress\u00e3o. \u00c9 calculado da seguinte forma: Erro padr\u00e3o residual = \u221a \u03a3(y \u2013 \u0177) 2 \/df Ouro: y: O valor observado \u0177: […]<\/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-1721","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standarderrorestimate1.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standarderrorestimate2.png\")
<\/p>\n Exemplo: Interpretando o erro padr\u00e3o residual<\/strong><\/span><\/h3>\n
#load built-in mtcars<\/em> dataset<\/span>\ndata(mtcars)\n\n#fit regression model\n<\/span>model <- lm(mpg~disp+hp, data=mtcars)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nlm(formula = mpg ~ disp + hp, data = mtcars)\n\nResiduals:\n Min 1Q Median 3Q Max \n-4.7945 -2.3036 -0.8246 1.8582 6.9363 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 30.735904 1.331566 23.083 < 2nd-16 ***\navailable -0.030346 0.007405 -4.098 0.000306 ***\nhp -0.024840 0.013385 -1.856 0.073679 . \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.127<\/span> on 29 degrees of freedom\nMultiple R-squared: 0.7482, Adjusted R-squared: 0.7309 \nF-statistic: 43.09 on 2 and 29 DF, p-value: 2.062e-09<\/strong><\/pre>\n Usando erro padr\u00e3o residual para comparar modelos<\/strong><\/span><\/h3>\n
\n
Recursos adicionais<\/strong><\/span><\/h3>\n
Como realizar regress\u00e3o linear m\u00faltipla em R<\/a>
Como criar um gr\u00e1fico residual em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"