No entanto, depois de ajustarmos um modelo de regress\u00e3o, \u00e9 uma boa ideia produzir tamb\u00e9m gr\u00e1ficos de diagn\u00f3stico<\/strong> para analisar os res\u00edduos do modelo e garantir que um modelo linear seja apropriado para uso para os dados espec\u00edficos com os quais estamos trabalhando.<\/span><\/p>\n Este tutorial explica como criar e interpretar gr\u00e1ficos de diagn\u00f3stico para um determinado modelo de regress\u00e3o em R.<\/span><\/p>\n Suponha que ajustemos um modelo de regress\u00e3o linear simples usando \u201choras estudadas\u201d para prever a \u201cnota do exame\u201d dos alunos em uma determinada turma:<\/span><\/p>\n Podemos usar o comando plot()<\/strong> para produzir quatro gr\u00e1ficos de diagn\u00f3stico para este modelo de regress\u00e3o:<\/span> <\/p>\n Este gr\u00e1fico \u00e9 usado para identificar observa\u00e7\u00f5es influentes. Se algum ponto neste gr\u00e1fico estiver fora da dist\u00e2ncia de Cook (as linhas pontilhadas), ent\u00e3o esta \u00e9 uma observa\u00e7\u00e3o influente.<\/span> <\/p>\n Em nosso exemplo, podemos ver que a observa\u00e7\u00e3o n\u00ba 10 est\u00e1 mais pr\u00f3xima do limite de dist\u00e2ncia de Cook, mas n\u00e3o sai da linha pontilhada. Isso significa que n\u00e3o h\u00e1 pontos excessivamente influentes em nosso conjunto de dados.<\/span><\/p>\n Este gr\u00e1fico \u00e9 utilizado para verificar a suposi\u00e7\u00e3o de igualdade de vari\u00e2ncia (tamb\u00e9m chamada de \u201chomoscedasticidade\u201d) entre os res\u00edduos do nosso modelo de regress\u00e3o. Se a linha vermelha for aproximadamente horizontal no gr\u00e1fico, ent\u00e3o a suposi\u00e7\u00e3o de vari\u00e2ncia igual provavelmente ser\u00e1 atendida.<\/span> <\/p>\n Em nosso exemplo, podemos ver que a linha vermelha n\u00e3o \u00e9 exatamente horizontal no gr\u00e1fico, mas n\u00e3o se desvia muito em nenhum ponto. Provavelmente afirmaremos que a suposi\u00e7\u00e3o de vari\u00e2ncia igual n\u00e3o \u00e9 violada neste caso.<\/span><\/p>\n Relacionado:<\/strong><\/span> Compreendendo a heterocedasticidade na an\u00e1lise de regress\u00e3o<\/a><\/p>\n Este gr\u00e1fico \u00e9 usado para determinar se os res\u00edduos do modelo de regress\u00e3o s\u00e3o normalmente distribu\u00eddos. Se os pontos neste gr\u00e1fico estiverem aproximadamente ao longo de uma linha reta diagonal, ent\u00e3o podemos assumir que os res\u00edduos s\u00e3o normalmente distribu\u00eddos.<\/span> <\/p>\n No nosso exemplo, podemos ver que os pontos est\u00e3o aproximadamente ao longo da linha reta diagonal. As observa\u00e7\u00f5es #10 e #8 desviam-se um pouco da linha nas extremidades, mas n\u00e3o o suficiente para declarar que os res\u00edduos n\u00e3o s\u00e3o normalmente distribu\u00eddos.<\/span><\/p>\n Este gr\u00e1fico \u00e9 usado para determinar se os res\u00edduos apresentam padr\u00f5es n\u00e3o lineares. Se a linha vermelha no centro do gr\u00e1fico for aproximadamente horizontal, podemos assumir que os res\u00edduos seguem um padr\u00e3o linear.<\/span> <\/p>\n No nosso exemplo, podemos ver que a linha vermelha se desvia de uma linha horizontal perfeita, mas n\u00e3o significativamente. Provavelmente estamos afirmando que os res\u00edduos seguem um padr\u00e3o aproximadamente linear e que um modelo de regress\u00e3o linear \u00e9 apropriado para este conjunto de dados.<\/span><\/p>\n As quatro suposi\u00e7\u00f5es da regress\u00e3o linear<\/a> Modelos de regress\u00e3o linear s\u00e3o usados para descrever a rela\u00e7\u00e3o entre uma ou mais vari\u00e1veis preditoras e uma vari\u00e1vel de resposta. No entanto, depois de ajustarmos um modelo de regress\u00e3o, \u00e9 uma boa ideia produzir tamb\u00e9m gr\u00e1ficos de diagn\u00f3stico para analisar os res\u00edduos do modelo e garantir que um modelo linear seja apropriado para uso […]<\/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-1964","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Exemplo: Criar e interpretar gr\u00e1ficos de diagn\u00f3stico em R<\/strong><\/span><\/h3>\n
#create data frame<\/span>\ndf <- data. frame<\/span> (hours=c(1, 1, 2, 2, 2, 3, 3, 4, 4, 4, 4, 5, 5, 6),\n score=c(67, 65, 68, 77, 73, 79, 81, 88, 80, 67, 84, 93, 90, 91)) \n\n#fit linear regression model<\/span>\nmodel = lm(score ~ hours, data=df)\n<\/strong><\/pre>\n #produce diagnostic plots for regression model\n<\/span>plot(model)\n<\/strong><\/pre>\n![\"gr\u00e1ficos](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/diagnostic1.png\")
<\/p>\n Gr\u00e1fico de diagn\u00f3stico n\u00ba 1: Res\u00edduos vs. Gr\u00e1fico de alavancagem<\/strong><\/span><\/h3>\n
![\"tra\u00e7ando](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/diagnostic2.png\")
<\/p>\n Gr\u00e1fico de diagn\u00f3stico n\u00ba 2: Gr\u00e1fico de escala e localiza\u00e7\u00e3o<\/strong><\/span><\/h3>\n
![\"plotado](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/diagnostic3.png\")
<\/p>\n Rastreamento de diagn\u00f3stico n\u00ba 3: rastreamento QQ normal<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/diagnostic4.png\")
<\/p>\n Gr\u00e1fico de diagn\u00f3stico n\u00ba 4: Residuais vs. Gr\u00e1fico Ajustado<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/diagnostic5.png\")
<\/p>\n Recursos adicionais<\/strong><\/span><\/h3>\n
O que s\u00e3o res\u00edduos nas estat\u00edsticas?<\/a>
Como criar um gr\u00e1fico residual em R<\/a>
Como interpretar um gr\u00e1fico de escala e localiza\u00e7\u00e3o<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"