<\/p>\n
A regress\u00e3o linear \u00e9 um m\u00e9todo que podemos usar para quantificar a rela\u00e7\u00e3o entre uma ou mais vari\u00e1veis preditoras e uma vari\u00e1vel de resposta<\/a> .<\/span><\/p>\n Muitas vezes, voc\u00ea pode querer ajustar um modelo de regress\u00e3o usando uma ou mais vari\u00e1veis categ\u00f3ricas<\/a> como vari\u00e1veis preditoras.<\/span><\/p>\n Este tutorial fornece um exemplo passo a passo de como realizar regress\u00e3o linear com vari\u00e1veis categ\u00f3ricas em R.<\/span><\/p>\n Suponha que temos o seguinte quadro de dados em R que cont\u00e9m informa\u00e7\u00f5es sobre tr\u00eas vari\u00e1veis para 12 jogadores de basquete diferentes:<\/span><\/p>\n Suponha que queiramos ajustar o seguinte modelo de regress\u00e3o linear:<\/span><\/p>\n pontos = \u03b2 0<\/sub> + \u03b2 1<\/sub> horas + \u03b2 2<\/sub> programa<\/strong><\/span><\/p>\n Neste exemplo, as horas s\u00e3o uma vari\u00e1vel cont\u00ednua, mas o programa \u00e9 uma vari\u00e1vel categ\u00f3rica<\/strong> que pode assumir tr\u00eas categorias poss\u00edveis: programa 1, programa 2 ou programa 3.<\/span><\/p>\n Para ajustar este modelo de regress\u00e3o e dizer a R que a vari\u00e1vel do “programa” \u00e9 uma vari\u00e1vel categ\u00f3rica, precisamos usar as.factor()<\/strong> para convert\u00ea-la em um fator e, em seguida, ajustar o modelo:<\/span><\/p>\n A partir dos valores da coluna Estimativa<\/strong> , podemos escrever o modelo de regress\u00e3o ajustado:<\/span><\/p>\n pontos = 6,3013 + 0,9744 (horas) + 2,2949 (programa 2) + 6,8462 (programa 3)<\/strong><\/span><\/p>\n Veja como interpretar os valores dos coeficientes no resultado:<\/span><\/p>\n Utilizando o modelo de regress\u00e3o ajustado, podemos prever o n\u00famero de pontos marcados por um jogador com base no n\u00famero total de horas gastas treinando e no programa que utilizou.<\/span><\/p>\n Por exemplo, podemos usar o c\u00f3digo a seguir para prever os pontos marcados por um jogador que treinou 5 horas e usou o cronograma de treinamento 3:<\/span><\/p>\n O modelo prev\u00ea que este novo jogador marcar\u00e1 18,01923<\/strong> pontos.<\/span><\/p>\n Podemos confirmar que isso est\u00e1 correto inserindo os valores do novo jogador na equa\u00e7\u00e3o de regress\u00e3o ajustada:<\/span><\/p>\n Isso corresponde ao valor que calculamos usando a fun\u00e7\u00e3o prever()<\/strong> em R.<\/span><\/p>\n Os tutoriais a seguir explicam como realizar outras tarefas comuns em R:<\/span><\/p>\n Como realizar regress\u00e3o linear simples em R<\/a> A regress\u00e3o linear \u00e9 um m\u00e9todo que podemos usar para quantificar a rela\u00e7\u00e3o entre uma ou mais vari\u00e1veis preditoras e uma vari\u00e1vel de resposta . Muitas vezes, voc\u00ea pode querer ajustar um modelo de regress\u00e3o usando uma ou mais vari\u00e1veis categ\u00f3ricas como vari\u00e1veis preditoras. Este tutorial fornece um exemplo passo a passo de como realizar […]<\/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-3468","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Exemplo: Regress\u00e3o Linear com Vari\u00e1veis Categ\u00f3ricas em R<\/strong><\/span><\/h2>\n
\n
#create data frame\n<\/span>df <- data. frame<\/span> (points=c(7, 7, 9, 10, 13, 14, 12, 10, 16, 19, 22, 18),\n hours=c(1, 2, 2, 3, 2, 6, 4, 3, 4, 5, 8, 6),\n program=c(1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3))\n\n#view data frame\n<\/span>df\n\n points hours program\n1 7 1 1\n2 7 2 1\n3 9 2 1\n4 10 3 1\n5 13 2 2\n6 14 6 2\n7 12 4 2\n8 10 3 2\n9 16 4 3\n10 19 5 3\n11 22 8 3\n12 18 6 3<\/strong><\/pre>\n #convert 'program' to factor\ndf$program <- as. factor<\/span> (df$program)\n<\/span>\n#fit linear regression model\nfit <- lm(points ~ hours + program, data = df)\n<\/span>\n#view model summary\nsummary(fit)\n\nCall:\nlm(formula = points ~ hours + program, data = df)\n\nResiduals:\n Min 1Q Median 3Q Max \n-1.5192 -1.0064 -0.3590 0.8269 2.4551 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 6.3013 0.9462 6.660 0.000159 ***\nhours 0.9744 0.3176 3.068 0.015401 * \nprogram2 2.2949 1.1369 2.019 0.078234 . \nprogram3 6.8462 1.5499 4.417 0.002235 ** \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 1.403 on 8 degrees of freedom\nMultiple R-squared: 0.9392, Adjusted R-squared: 0.9164 \nF-statistic: 41.21 on 3 and 8 DF, p-value: 3.276e-05<\/span><\/span><\/strong><\/pre>\n\n
\n
\n
\n
#define new player\n<\/span>new <- data. frame<\/span> (hours=c(5), program=as. factor<\/span> (c(3)))\n\n#use the fitted model to predict the points for the new player\n<\/span>predict(fit, newdata=new)\n\n 1 \n18.01923 \n<\/strong><\/pre>\n\n
Recursos adicionais<\/strong><\/span><\/h2>\n
Como realizar regress\u00e3o linear m\u00faltipla em R<\/a>
Como criar um gr\u00e1fico residual em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"