{"id":2481,"date":"2023-07-22T02:13:43","date_gmt":"2023-07-22T02:13:43","guid":{"rendered":"https:\/\/statorials.org\/pt\/regressao-por-partes-em-r\/"},"modified":"2023-07-22T02:13:43","modified_gmt":"2023-07-22T02:13:43","slug":"regressao-por-partes-em-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/pt\/regressao-por-partes-em-r\/","title":{"rendered":"Como realizar a regress\u00e3o por partes em r (passo a passo)"},"content":{"rendered":"

<\/p>\n

\n

A regress\u00e3o por partes<\/strong> \u00e9 um m\u00e9todo de regress\u00e3o que costumamos usar quando h\u00e1 “pontos de interrup\u00e7\u00e3o” claros em um conjunto de dados.<\/span><\/p>\n

O exemplo passo a passo a seguir mostra como realizar a regress\u00e3o por partes em R.<\/span><\/p>\n

Etapa 1: crie os dados<\/strong><\/span><\/h3>\n

Primeiro, vamos criar o seguinte quadro de dados:<\/span><\/p>\n

 #view DataFrame\n<\/span>df <- data. frame<\/span> (x=c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16),\n                 y=c(2, 4, 5, 6, 8, 10, 12, 13, 15, 19, 24, 28, 31, 34, 39, 44))\n\n#view first six rows of data frame<\/span>\nhead(df)\n\n  xy\n1 1 2\n2 2 4\n3 3 5\n4 4 6\n5 5 8\n6 6 10\n<\/strong><\/pre>\n
 Etapa 2: visualize os dados<\/strong><\/span><\/h3>\n
 A seguir, vamos criar um gr\u00e1fico de dispers\u00e3o para visualizar os dados:<\/span> <\/p>\n
 #create scatterplot of x vs. y\n<\/span>plot(df$x, df$y, pch= 16<\/span> , col=' steelblue<\/span> ')\n<\/strong><\/pre>\n
\"\"<\/p>\n
 Podemos ver que a rela\u00e7\u00e3o entre x e y parece mudar abruptamente em torno de x = 9<\/strong> .<\/span><\/p>\n
 Etapa 3: ajustar o modelo de regress\u00e3o por partes<\/strong><\/span><\/h3>\n
 Podemos usar a fun\u00e7\u00e3o segmented()<\/strong> do pacote segmentado<\/a> em R para ajustar um modelo de regress\u00e3o por partes ao nosso conjunto de dados:<\/span><\/p>\n
 library<\/span> (segmented)\n\n#fit simple linear regression model<\/span>\nfit <- lm(y ~ x, data=df)\n\n#fit piecewise regression model to original model, estimating a breakpoint at x=9\n<\/span>segmented. fit<\/span> <- segmented(fit, seg.Z = ~x, psi= 9<\/span> )\n\n#view summary of segmented model\n<\/span>summary( segmented.fit<\/span> )\n\nCall: \nsegmented.lm(obj = fit, seg.Z = ~x, psi = 9)\n\nEstimated Break-Point(s):\n         East. St.Err\npsi1.x 8.762 0.26\n\nMeaningful coefficients of the linear terms:\n            Estimate Std. Error t value Pr(>|t|)    \n(Intercept) 0.32143 0.48343 0.665 0.519    \nx 1.59524 0.09573 16.663 1.16e-09 ***\nU1.x 2.40476 0.13539 17.762 NA    \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 0.6204 on 12 degrees of freedom\nMultiple R-Squared: 0.9983, Adjusted R-squared: 0.9978 \n\nConvergence achieved in 2 iter. (rel. changes 0)\n<\/strong><\/pre>\n
 A fun\u00e7\u00e3o segmented()<\/strong> detecta um ponto de interrup\u00e7\u00e3o em x = 8,762.<\/span><\/p>\n
 O modelo de regress\u00e3o por partes ajustado \u00e9:<\/span><\/p>\n
 Se x \u2264 8,762: y = 0,32143 + 1,59524*(x)<\/span><\/p>\n
 Se x > 8,762: y = 0,32143 + 1,59524*(8,762) + (1,59524+2,40476)*(x-8,762)<\/span><\/p>\n
 Por exemplo, suponha que temos um valor de x = 5<\/strong> . O valor estimado seria:<\/span><\/p>\n