<\/p>\n
A fun\u00e7\u00e3o glm()<\/strong> em R pode ser usada para ajustar modelos lineares generalizados.<\/span><\/p>\n Esta fun\u00e7\u00e3o usa a seguinte sintaxe:<\/span><\/p>\n glm(f\u00f3rmula, fam\u00edlia=Gaussiano, dados,\u2026)<\/strong><\/span><\/p>\n Ouro:<\/span><\/p>\n Na pr\u00e1tica, esta fun\u00e7\u00e3o \u00e9 mais frequentemente usada para ajustar modelos de regress\u00e3o log\u00edstica<\/a> , especificando a fam\u00edlia \u201cbinomial\u201d.<\/span><\/p>\n O exemplo a seguir mostra como interpretar a sa\u00edda do glm em R para um modelo de regress\u00e3o log\u00edstica.<\/span><\/p>\n Para este exemplo, usaremos o conjunto de dados mtcars<\/a> integrado ao R:<\/span><\/p>\n Usaremos as vari\u00e1veis disp<\/strong> e hp<\/strong> para prever a probabilidade de um determinado carro assumir o valor 1 para a vari\u00e1vel am<\/strong> .<\/span><\/p>\n O c\u00f3digo a seguir mostra como usar a fun\u00e7\u00e3o glm()<\/strong> para ajustar este modelo de regress\u00e3o log\u00edstica:<\/span><\/p>\n Veja como interpretar cada elemento do resultado:<\/span><\/p>\n A estimativa do coeficiente<\/strong> no resultado indica a mudan\u00e7a m\u00e9dia no log da probabilidade da vari\u00e1vel de resposta associada a um aumento de uma unidade em cada vari\u00e1vel preditora.<\/span><\/p>\n Por exemplo, um aumento de uma unidade na vari\u00e1vel preditora disp est\u00e1 associado a uma mudan\u00e7a m\u00e9dia de -0,09518 no log de probabilidade de que a vari\u00e1vel de resposta assuma o valor 1. Isso significa que valores mais altos de disp est\u00e3o associados a uma probabilidade mais baixa . da vari\u00e1vel estou assumindo o valor 1.<\/span><\/p>\n O erro padr\u00e3o<\/strong> nos d\u00e1 uma ideia da variabilidade associada \u00e0 estimativa do coeficiente. Em seguida, dividimos a estimativa do coeficiente pelo erro padr\u00e3o para obter o valor az.<\/span><\/p>\n Por exemplo, o valor z<\/strong> para a vari\u00e1vel preditora disp \u00e9 calculado como -0,09518\/0,048 = -1,983.<\/span><\/p>\n O valor p<\/strong> Pr(>|z|) nos diz a probabilidade associada a um valor z espec\u00edfico. Isso essencialmente nos diz qu\u00e3o bem cada vari\u00e1vel preditora \u00e9 capaz de prever o valor da vari\u00e1vel resposta no modelo.<\/span><\/p>\n Por exemplo, o valor p associado ao valor z da vari\u00e1vel disp \u00e9 0,0474. Como esse valor \u00e9 inferior a 0,05, dir\u00edamos que disp \u00e9 uma vari\u00e1vel preditora estatisticamente significativa no modelo.<\/span><\/p>\n Dependendo de suas prefer\u00eancias, voc\u00ea pode decidir usar um n\u00edvel de signific\u00e2ncia de 0,01, 0,05 ou 0,10 para determinar se cada vari\u00e1vel preditora \u00e9 estatisticamente significativa ou n\u00e3o.<\/span><\/p>\n O desvio zero<\/strong> na sa\u00edda nos diz qu\u00e3o bem a vari\u00e1vel resposta pode ser prevista por um modelo com apenas um termo original.<\/span><\/p>\n O desvio residual<\/strong> nos diz qu\u00e3o bem a vari\u00e1vel de resposta pode ser prevista pelo modelo espec\u00edfico que estamos ajustando com p<\/em> vari\u00e1veis preditoras. Quanto menor o valor, melhor o modelo \u00e9 capaz de prever o valor da vari\u00e1vel resposta.<\/span><\/p>\n Para determinar se um modelo \u00e9 \u201c\u00fatil\u201d, podemos calcular a estat\u00edstica qui-quadrado da seguinte forma:<\/span><\/p>\n X 2<\/sup><\/strong> = desvio zero \u2013 desvio residual<\/span><\/p>\n com p<\/em> graus de liberdade.<\/span><\/p>\n Podemos ent\u00e3o encontrar o valor p associado a esta estat\u00edstica qui-quadrado. Quanto menor o valor p, melhor o modelo ser\u00e1 capaz de ajustar o conjunto de dados em compara\u00e7\u00e3o com um modelo com apenas um termo original.<\/span><\/p>\n Por exemplo, em nosso modelo de regress\u00e3o, podemos observar os seguintes valores na sa\u00edda para zero e desvio residual:<\/span><\/p>\n Podemos usar esses valores para calcular a estat\u00edstica X 2<\/sup> do modelo:<\/span><\/p>\n Existem p<\/em> = 2 graus de liberdade das vari\u00e1veis preditoras.<\/span><\/p>\n Podemos usar a calculadora do qui-quadrado para valor P<\/a> para descobrir que um valor X 2<\/sup> de 26,517 com 2 graus de liberdade tem um valor p de 0,000002.<\/span><\/p>\n Como este valor p \u00e9 muito inferior a 0,05, concluir\u00edamos que o modelo \u00e9 muito \u00fatil.<\/span><\/p>\n O Crit\u00e9rio de Informa\u00e7\u00e3o de Akaike ( AIC<\/strong> ) \u00e9 uma medida usada para comparar o ajuste de diferentes modelos de regress\u00e3o. Quanto menor o valor, melhor o modelo de regress\u00e3o ser\u00e1 capaz de ajustar os dados.<\/span><\/p>\n \u00c9 calculado da seguinte forma:<\/span><\/p>\n AIC = 2K \u2013 2 ln<\/em> (L)<\/span><\/p>\n Ouro:<\/span><\/p>\n O valor real da AIC n\u00e3o tem sentido.<\/span><\/p>\n No entanto, se voc\u00ea ajustar v\u00e1rios modelos de regress\u00e3o, poder\u00e1 comparar o valor AIC de cada modelo. O modelo com menor AIC proporciona o melhor ajuste.<\/span><\/p>\n Relacionado:<\/strong><\/span> O que \u00e9 considerado um bom valor AIC?<\/a><\/p>\n Os tutoriais a seguir fornecem informa\u00e7\u00f5es adicionais sobre como usar a fun\u00e7\u00e3o glm()<\/strong> em R:<\/span><\/p>\n A diferen\u00e7a entre glm e lm em R<\/a> Os tutoriais a seguir explicam como lidar com erros comuns ao usar a fun\u00e7\u00e3o glm()<\/strong> :<\/span><\/p>\n Como lidar com o aviso R: glm.fit: algoritmo n\u00e3o convergiu<\/a> A fun\u00e7\u00e3o glm() em R pode ser usada para ajustar modelos lineares generalizados. Esta fun\u00e7\u00e3o usa a seguinte sintaxe: glm(f\u00f3rmula, fam\u00edlia=Gaussiano, dados,\u2026) Ouro: f\u00f3rmula: A f\u00f3rmula do modelo linear (por exemplo, y ~ x1 + x2) fam\u00edlia: a fam\u00edlia estat\u00edstica a ser usada para ajustar o modelo. O padr\u00e3o \u00e9 Gaussiano, mas outras op\u00e7\u00f5es incluem […]<\/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-2429","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
Exemplo: como interpretar a sa\u00edda do glm em R<\/strong><\/span><\/h2>\n
#view first six rows of mtcars<\/em> dataset\n<\/span>head(mtcars)\n\n mpg cyl disp hp drat wt qsec vs am gear carb\nMazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4\nMazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4\nDatsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1\nHornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1\nHornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2\nValiant 18.1 6 225 105 2.76 3,460 20.22 1 0 3 1\n<\/strong><\/pre>\n #fit logistic regression model\n<\/span>model <- glm(am ~ disp + hp, data=mtcars, family=binomial)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = am ~ disp + hp, family = binomial, data = mtcars)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.9665 -0.3090 -0.0017 0.3934 1.3682 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) 1.40342 1.36757 1.026 0.3048 \navailable -0.09518 0.04800 -1.983 0.0474 *\nhp 0.12170 0.06777 1.796 0.0725 .\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 43,230 on 31 degrees of freedom\nResidual deviance: 16,713 on 29 degrees of freedom\nAIC: 22,713\n\nNumber of Fisher Scoring iterations: 8\n<\/strong><\/pre>\n Coeficientes e valores P<\/strong><\/span><\/h3>\n
Desvio zero e residual<\/strong><\/span><\/h3>\n
\n
\n
AIC<\/strong><\/span><\/h3>\n
\n
Recursos adicionais<\/strong><\/span><\/h3>\n
Como usar a fun\u00e7\u00e3o de previs\u00e3o com glm em R<\/a><\/p>\n
Como lidar com: glm.fit: probabilidades ajustadas numericamente 0 ou 1 ocorreram<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"