{"id":2256,"date":"2023-07-23T01:30:54","date_gmt":"2023-07-23T01:30:54","guid":{"rendered":"https:\/\/statorials.org\/pt\/a-previsao-da-classificacao-de-ajuste-ruim-pode-ser-enganosa\/"},"modified":"2023-07-23T01:30:54","modified_gmt":"2023-07-23T01:30:54","slug":"a-previsao-da-classificacao-de-ajuste-ruim-pode-ser-enganosa","status":"publish","type":"post","link":"https:\/\/statorials.org\/pt\/a-previsao-da-classificacao-de-ajuste-ruim-pode-ser-enganosa\/","title":{"rendered":"Como corrigir: prever um ajuste de classifica\u00e7\u00e3o ruim pode ser enganoso"},"content":{"rendered":"

<\/p>\n

\n

Um aviso comum que voc\u00ea pode encontrar em R \u00e9:<\/span><\/p>\n

 Warning message:\nIn predict.lm(model, df):\n  prediction from a rank-deficient fit may be misleading\n<\/strong><\/span><\/pre>\n
 Este aviso pode ocorrer por dois motivos:<\/span><\/p>\n
 Raz\u00e3o 1<\/strong> : Duas vari\u00e1veis preditoras est\u00e3o perfeitamente correlacionadas.<\/span><\/p>\n
 Raz\u00e3o 2<\/strong> : voc\u00ea tem mais par\u00e2metros de modelo do que observa\u00e7\u00f5es no conjunto de dados.<\/span><\/p>\n
 Os exemplos a seguir mostram como cada problema pode surgir na pr\u00e1tica.<\/span><\/p>\n
 Raz\u00e3o n\u00ba 1: duas vari\u00e1veis preditoras est\u00e3o perfeitamente correlacionadas<\/strong><\/span><\/h3>\n
 Suponha que ajustemos o seguinte modelo de regress\u00e3o linear m\u00faltipla em R e tentemos us\u00e1-lo para fazer previs\u00f5es:<\/span><\/p>\n
 #create data frame\n<\/span>df <- data. frame<\/span> (x1=c(1, 2, 3, 4),\n                 x2=c(2, 4, 6, 8),\n                 y=c(6, 10, 19, 26))\n\n#fit multiple linear regression model\n<\/span>model <- lm(y~x1+x2, data=df)\n\n#use model to make predictions\n<\/span>predict(model, df)\n\n   1 2 3 4 \n 4.9 11.8 18.7 25.6 \nWarning message:\nIn predict.lm(model, df):\n  prediction from a rank-deficient fit may be misleading<\/span><\/span><\/strong><\/pre>\n
 Recebemos uma mensagem de aviso porque as vari\u00e1veis preditoras x1 e x2 est\u00e3o perfeitamente correlacionadas<\/strong> .<\/span><\/p>\n
 Observe que os valores de x2 s\u00e3o simplesmente iguais aos valores de x1 multiplicados por dois. Este \u00e9 um exemplo de multicolinearidade perfeita<\/a> .<\/span><\/p>\n
 Isso significa que x1 e x2 n\u00e3o fornecem informa\u00e7\u00f5es \u00fanicas ou independentes no modelo de regress\u00e3o, o que causa problemas no ajuste e interpreta\u00e7\u00e3o do modelo.<\/span><\/p>\n
 A maneira mais f\u00e1cil de resolver este problema \u00e9 simplesmente remover uma das vari\u00e1veis preditoras do modelo, pois \u00e9 redundante ter ambas as vari\u00e1veis preditoras no modelo.<\/span><\/p>\n
 Raz\u00e3o n\u00ba 2: existem mais par\u00e2metros de modelo do que observa\u00e7\u00f5es<\/strong><\/span><\/h3>\n
 Suponha que ajustemos o seguinte modelo de regress\u00e3o linear m\u00faltipla em R e tentemos us\u00e1-lo para fazer previs\u00f5es:<\/span><\/p>\n
 #create data frame\n<\/span>df <- data. frame<\/span> (x1=c(1, 2, 3, 4),\n                 x2=c(3, 3, 8, 12),\n                 x3=c(4, 6, 3, 11),\n                 y=c(6, 10, 19, 26))\n\n#fit multiple linear regression model\n<\/span>model <- lm(y~x1*x2*x3, data=df)\n\n#use model to make predictions\n<\/span>predict(model, df)\n\n 1 2 3 4 \n 6 10 19 26 \nWarning message:\nIn predict.lm(model, df):\n  prediction from a rank-deficient fit may be misleading\n<\/span><\/span><\/strong><\/pre>\n
 Recebemos uma mensagem de aviso porque tentamos ajustar um modelo de regress\u00e3o com sete coeficientes totais do modelo:<\/span><\/p>\n