<\/p>\n
Um aviso comum que voc\u00ea pode encontrar em R \u00e9:<\/span><\/p>\n Este aviso ocorre frequentemente quando voc\u00ea tenta ajustar um modelo de regress\u00e3o log\u00edstica em R e v\u00ea uma separa\u00e7\u00e3o perfeita<\/strong> , ou seja, uma vari\u00e1vel preditora \u00e9 capaz de separar perfeitamente a vari\u00e1vel resposta em 0 e em 1.<\/span><\/p>\n O exemplo a seguir mostra como lidar com esse aviso na pr\u00e1tica.<\/span><\/p>\n Suponha que estejamos tentando ajustar o seguinte modelo de regress\u00e3o log\u00edstica em R:<\/span><\/p>\n Observe que recebemos a mensagem de aviso: glm.fit: algoritmo n\u00e3o convergiu<\/strong> .<\/span><\/p>\n Recebemos esta mensagem porque a vari\u00e1vel preditora x \u00e9 capaz de separar perfeitamente a vari\u00e1vel de resposta y em 0 e 1.<\/span><\/p>\n Observe que para cada valor de x menor que 1, y \u00e9 igual a 0. E para cada valor de x igual ou maior que 1, y \u00e9 igual a 1.<\/span><\/p>\n O c\u00f3digo a seguir mostra um cen\u00e1rio em que a vari\u00e1vel preditora n\u00e3o \u00e9 capaz de separar perfeitamente a vari\u00e1vel de resposta em 0s e 1s:<\/span><\/p>\n N\u00e3o recebemos nenhuma mensagem de aviso porque a vari\u00e1vel preditora n\u00e3o \u00e9 capaz de separar perfeitamente a vari\u00e1vel de resposta em 0 e 1.<\/span><\/p>\n Se encontrarmos um cen\u00e1rio de separa\u00e7\u00e3o perfeito, existem duas maneiras de lidar com isso:<\/span><\/p>\n M\u00e9todo 1: Use regress\u00e3o penalizada.<\/strong><\/span><\/p>\n Uma op\u00e7\u00e3o \u00e9 usar uma forma de regress\u00e3o log\u00edstica penalizada, como regress\u00e3o log\u00edstica la\u00e7o ou regulariza\u00e7\u00e3o l\u00edquida el\u00e1stica.<\/span><\/p>\n Consulte o pacote glmnet<\/a> para op\u00e7\u00f5es sobre como implementar a regress\u00e3o log\u00edstica penalizada em R.<\/span><\/p>\n M\u00e9todo 2: Use a vari\u00e1vel preditora para prever perfeitamente a vari\u00e1vel de resposta.<\/strong><\/span><\/p>\n Se voc\u00ea suspeitar que essa separa\u00e7\u00e3o perfeita pode existir na popula\u00e7\u00e3o, voc\u00ea pode simplesmente usar essa vari\u00e1vel preditora para prever perfeitamente o valor da vari\u00e1vel resposta.<\/span><\/p>\n Por exemplo, no cen\u00e1rio acima, vimos que a vari\u00e1vel resposta y<\/strong> era sempre igual a 0 quando a vari\u00e1vel preditora x<\/strong> era menor que 1.<\/span><\/p>\n Se suspeitarmos que esta rela\u00e7\u00e3o se mant\u00e9m na popula\u00e7\u00e3o em geral, podemos sempre prever que o valor de y<\/strong> ser\u00e1 0 quando x<\/strong> for inferior a 1 e n\u00e3o nos preocuparemos em ajustar um modelo de regress\u00e3o log\u00edstica penalizado.<\/span><\/p>\n Os tutoriais a seguir fornecem informa\u00e7\u00f5es adicionais sobre o uso da fun\u00e7\u00e3o glm()<\/strong> em R:<\/span><\/p>\n A diferen\u00e7a entre glm e lm em R<\/a> Um aviso comum que voc\u00ea pode encontrar em R \u00e9: glm.fit: algorithm did not converge Este aviso ocorre frequentemente quando voc\u00ea tenta ajustar um modelo de regress\u00e3o log\u00edstica em R e v\u00ea uma separa\u00e7\u00e3o perfeita , ou seja, uma vari\u00e1vel preditora \u00e9 capaz de separar perfeitamente a vari\u00e1vel resposta em 0 e em 1. O […]<\/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-2255","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n glm.fit: algorithm did not converge\n<\/strong><\/span><\/pre>\n Como reproduzir o aviso<\/strong><\/span><\/h3>\n
#create data frame<\/span>\ndf <- data. frame<\/span> (x=c(.1, .2, .3, .4, .5, .6, .7, .8, .9, 1, 1, 1.1, 1.3, 1.5, 1.7),\n y=c(0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1))\n\n#attempt to fit logistic regression model\n<\/span>glm(y~x, data=df, family=\" binomial<\/span> \")\n\nCall: glm(formula = y ~ x, family = \"binomial\", data = df)\n\nCoefficients:\n(Intercept)x \n -409.1 431.1 \n\nDegrees of Freedom: 14 Total (ie Null); 13 Residual\nNull Deviance: 20.19 \nResidual Deviance: 2.468e-09 AIC: 4\nWarning messages:\n1: glm.fit: algorithm did not converge \n2: glm.fit: fitted probabilities numerically 0 or 1 occurred \n<\/span><\/span><\/strong><\/pre>\n #create data frame\n<\/span>df <- data. frame<\/span> (x=c(.1, .2, .3, .4, .5, .6, .7, .8, .9, 1, 1, 1.1, 1.3, 1.5, 1.7),\n y=c(0, 1, 0, 1, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1))\n\n#fit logistic regression model\n<\/span>glm(y~x, data=df, family=\" binomial<\/span> \")\n\nCall: glm(formula = y ~ x, family = \"binomial\", data = df)\n\nCoefficients:\n(Intercept) x \n -2.112 2.886 \n\nDegrees of Freedom: 14 Total (ie Null); 13 Residual\nNull Deviance: 20.73 \nResidual Deviance: 16.31 AIC: 20.31\n<\/span><\/span><\/strong><\/pre>\n Como lidar com o aviso<\/strong><\/span><\/h3>\n
Recursos adicionais<\/strong><\/span><\/h3>\n
Como usar a fun\u00e7\u00e3o de previs\u00e3o com glm em R<\/a>
Como lidar com: glm.fit: probabilidades ajustadas numericamente 0 ou 1 ocorreram<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"