<\/p>\n
Uma mensagem de erro que voc\u00ea pode encontrar em R \u00e9:<\/span><\/p>\n Esta mensagem de erro ocorre quando voc\u00ea ajusta um modelo usando a fun\u00e7\u00e3o glm()<\/strong> em R e duas ou mais de suas vari\u00e1veis preditoras t\u00eam uma rela\u00e7\u00e3o linear exata entre si \u2013 conhecida como multicolinearidade perfeita<\/a> .<\/span><\/p>\n Para corrigir esse erro, voc\u00ea pode usar a fun\u00e7\u00e3o cor()<\/strong> para identificar vari\u00e1veis em seu conjunto de dados que possuem correla\u00e7\u00e3o perfeita entre si e simplesmente remover uma dessas vari\u00e1veis do modelo de regress\u00e3o.<\/span><\/span><\/p>\n Este tutorial explica como lidar com essa mensagem de erro na pr\u00e1tica.<\/span><\/p>\n Suponha que ajustemos um modelo de regress\u00e3o log\u00edstica<\/a> ao seguinte quadro de dados em R:<\/span><\/p>\n Observe que pouco antes da sa\u00edda do coeficiente, recebemos a mensagem:<\/span><\/p>\n Isto indica que duas ou mais vari\u00e1veis preditoras no modelo t\u00eam uma rela\u00e7\u00e3o linear perfeita e, portanto, nem todos os coeficientes de regress\u00e3o no modelo podem ser estimados.<\/span><\/p>\n Por exemplo, observe que nenhuma estimativa de coeficiente pode ser feita para a vari\u00e1vel preditora x 2<\/sub><\/strong> .<\/span><\/p>\n Para identificar quais vari\u00e1veis preditoras est\u00e3o causando esse erro, podemos usar a fun\u00e7\u00e3o cor()<\/strong> para produzir uma matriz de correla\u00e7\u00e3o<\/a> e examinar quais vari\u00e1veis t\u00eam uma correla\u00e7\u00e3o de exatamente 1<\/strong> entre si:<\/span><\/p>\n A partir da matriz de correla\u00e7\u00e3o, podemos ver que as vari\u00e1veis x 1<\/sub><\/strong> e x 2<\/sub><\/strong> est\u00e3o perfeitamente correlacionadas.<\/span><\/p>\n Para resolver este erro, podemos simplesmente remover uma destas duas vari\u00e1veis do modelo, pois na verdade elas n\u00e3o fornecem informa\u00e7\u00f5es \u00fanicas ou independentes no modelo de regress\u00e3o.<\/span><\/p>\n Por exemplo, suponha que removemos x 2<\/sub><\/strong> e ajustamos o seguinte modelo de regress\u00e3o log\u00edstica:<\/span><\/p>\n Observe que desta vez n\u00e3o recebemos uma mensagem de erro \u201cindefinido devido a singularidades\u201d.<\/span><\/p>\n Nota<\/strong> : N\u00e3o importa se removemos x 1<\/sub> ou x 2<\/sub> . O modelo final conter\u00e1 a mesma estimativa de coeficiente para a vari\u00e1vel que voc\u00ea decidir manter e a qualidade geral de ajuste do modelo ser\u00e1 a mesma.<\/span><\/p>\n Os tutoriais a seguir explicam como lidar com outros erros em R:<\/span><\/p>\n Como corrigir em R: f\u00f3rmula de modelo inv\u00e1lida em ExtractVars Uma mensagem de erro que voc\u00ea pode encontrar em R \u00e9: Coefficients: (1 not defined because of singularities) Esta mensagem de erro ocorre quando voc\u00ea ajusta um modelo usando a fun\u00e7\u00e3o glm() em R e duas ou mais de suas vari\u00e1veis preditoras t\u00eam uma rela\u00e7\u00e3o linear exata entre si \u2013 conhecida como multicolinearidade perfeita . […]<\/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-2139","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Coefficients: (1 not defined because of singularities) \n<\/strong><\/pre>\n
Como reproduzir o erro<\/strong><\/h3>\n
#define data\n<\/span>df <- data. frame<\/span> (y = c(0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1),\n x1 = c(3, 3, 4, 4, 3, 2, 5, 8, 9, 9, 9, 8, 9, 9, 9),\n x2 = c(6, 6, 8, 8, 6, 4, 10, 16, 18, 18, 18, 16, 18, 18, 18),\n x3 = c(4, 7, 7, 3, 8, 9, 9, 8, 7, 8, 9, 4, 9, 10, 13))\n\n#fit logistic regression model\n<\/span>model <- glm(y~x1+x2+x3, data=df, family=binomial)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = y ~ x1 + x2 + x3, family = binomial, data = df)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.372e-05 -2.110e-08 2.110e-08 2.110e-08 1.575e-05 \n\nCoefficients: (1 not defined because of singularities)\n Estimate Std. Error z value Pr(>|z|)\n(Intercept) -75.496 176487.031 0.000 1\nx1 14.546 24314.459 0.001 1\nx2 NA NA NA NA\nx3 -2.258 20119.863 0.000 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 2.0728e+01 on 14 degrees of freedom\nResidual deviance: 5.1523e-10 on 12 degrees of freedom\nAIC: 6\n\nNumber of Fisher Scoring iterations: 24\n<\/strong><\/span><\/pre>\n Coefficients: (1 not defined because of singularities)\n<\/strong><\/span><\/pre>\n Como lidar com o erro<\/strong><\/span><\/h3>\n
#create correlation matrix<\/span>\ncor(df)\n\n y x1 x2 x3\ny 1.0000000 0.9675325 0.9675325 0.3610320\nx1 0.9675325 1.0000000 1.0000000 0.3872889\nx2 0.9675325 1.0000000 1.0000000 0.3872889\nx3 0.3610320 0.3872889 0.3872889 1.0000000\n<\/strong><\/span><\/pre>\n #fit logistic regression model\n<\/span>model <- glm(y~x1+x3, data=df, family=binomial)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = y ~ x1 + x3, family = binomial, data = df)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.372e-05 -2.110e-08 2.110e-08 2.110e-08 1.575e-05 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|)\n(Intercept) -75.496 176487.031 0.000 1\nx1 14.546 24314.459 0.001 1\nx3 -2.258 20119.863 0.000 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 2.0728e+01 on 14 degrees of freedom\nResidual deviance: 5.1523e-10 on 12 degrees of freedom\nAIC: 6\n\nNumber of Fisher Scoring iterations: 24<\/strong><\/span><\/pre>\n Recursos adicionais<\/strong><\/span><\/h3>\n
Como consertar em R: o argumento n\u00e3o \u00e9 num\u00e9rico nem l\u00f3gico: return na<\/a>
Como corrigir: randomForest.default(m, y, \u2026): Na\/NaN\/Inf na chamada de fun\u00e7\u00e3o estrangeira<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"