Idealmente, voc\u00ea gostaria que os pontos em um gr\u00e1fico residual fossem espalhados aleatoriamente em torno de um valor zero, sem um padr\u00e3o claro.<\/span><\/p>\n Se voc\u00ea encontrar um gr\u00e1fico residual no qual os pontos do gr\u00e1fico possuem um padr\u00e3o curvo, isso provavelmente significa que o modelo de regress\u00e3o especificado para os dados n\u00e3o est\u00e1 correto.<\/span><\/p>\n Na maioria dos casos, isso significa que voc\u00ea tentou ajustar um modelo de regress\u00e3o linear a um conjunto de dados que segue uma tend\u00eancia quadr\u00e1tica.<\/span><\/p>\n O exemplo a seguir mostra como interpretar (e corrigir) um gr\u00e1fico residual curvo na pr\u00e1tica.<\/span><\/p>\n Suponha que coletamos os seguintes dados sobre o n\u00famero de horas trabalhadas por semana e o n\u00edvel de felicidade relatado (em uma escala de 0 a 100) para 11 pessoas diferentes em um escrit\u00f3rio:<\/span> <\/p>\n Se cri\u00e1ssemos um gr\u00e1fico de dispers\u00e3o simples de horas trabalhadas versus n\u00edvel de felicidade, seria assim:<\/span> <\/p>\n Agora, suponha que queiramos ajustar um modelo de regress\u00e3o usando horas trabalhadas para prever os n\u00edveis de felicidade.<\/span><\/p>\n O c\u00f3digo a seguir mostra como ajustar um modelo de regress\u00e3o linear simples<\/strong> a este conjunto de dados e produzir um gr\u00e1fico residual em R:<\/span> <\/p>\n O eixo x exibe os valores ajustados e o eixo y exibe os res\u00edduos.<\/span><\/p>\n No gr\u00e1fico, podemos observar que existe um padr\u00e3o curvo nos res\u00edduos, indicando que um modelo de regress\u00e3o linear n\u00e3o fornece um ajuste adequado a este conjunto de dados.<\/span><\/p>\n O c\u00f3digo a seguir mostra como ajustar um modelo de regress\u00e3o quadr\u00e1tica<\/strong> a este conjunto de dados e produzir um gr\u00e1fico residual em R:<\/span> <\/p>\n Mais uma vez, o eixo x mostra os valores ajustados e o eixo y mostra os res\u00edduos.<\/span><\/p>\n No gr\u00e1fico podemos ver que os res\u00edduos est\u00e3o espalhados aleatoriamente em torno de zero e n\u00e3o h\u00e1 uma tend\u00eancia clara nos res\u00edduos.<\/span><\/p>\n Isso nos diz que um modelo de regress\u00e3o quadr\u00e1tica faz um trabalho muito melhor no ajuste desse conjunto de dados do que um modelo de regress\u00e3o linear.<\/span><\/p>\n Isto deveria fazer sentido, uma vez que vimos que a verdadeira rela\u00e7\u00e3o entre as horas trabalhadas e os n\u00edveis de felicidade parecia ser quadr\u00e1tica e n\u00e3o linear.<\/span><\/p>\n Os tutoriais a seguir explicam como criar gr\u00e1ficos residuais usando diferentes softwares estat\u00edsticos:<\/span><\/p>\n Como criar um caminho residual manualmente<\/a> Os gr\u00e1ficos de res\u00edduos s\u00e3o usados para avaliar se os res\u00edduos de um modelo de regress\u00e3o s\u00e3o normalmente distribu\u00eddos e se apresentam ou n\u00e3o heterocedasticidade . Idealmente, voc\u00ea gostaria que os pontos em um gr\u00e1fico residual fossem espalhados aleatoriamente em torno de um valor zero, sem um padr\u00e3o claro. Se voc\u00ea encontrar um gr\u00e1fico residual […]<\/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-3811","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Exemplo: Interpretando um gr\u00e1fico residual curvo<\/strong><\/h2>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quadti1.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/courbe1.jpg\")
<\/p>\n #create dataframe\n<\/span>df <- data. frame<\/span> (hours=c(6, 9, 12, 14, 30, 35, 40, 47, 51, 55, 60),\n happiness=c(14, 28, 50, 70, 89, 94, 90, 75, 59, 44, 27))\n#fit linear regression model\n<\/span>linear_model <- lm(happiness ~ hours, data=df)\n\n#get list of residuals \n<\/span>res <- resid(linear_model)\n\n#produce residual vs. fitted plot\n<\/span>plot(fitted(linear_model), res, xlab=' Fitted Values<\/span> ', ylab=' Residuals<\/span> ')\n\n#add a horizontal line at 0 \n<\/span>abline(0,0)\n<\/strong><\/span><\/pre>\n![\"gr\u00e1fico](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/courbe2.jpg\")
<\/p>\n #create dataframe\n<\/span>df <- data. frame<\/span> (hours=c(6, 9, 12, 14, 30, 35, 40, 47, 51, 55, 60),\n happiness=c(14, 28, 50, 70, 89, 94, 90, 75, 59, 44, 27))\n#define quadratic term to use in model\ndf$hours2 <- df$hours^2\n\n#fit quadratic regression model\n<\/span>quadratic_model <- lm(happiness ~ hours + hours2, data=df)\n\n#get list of residuals \n<\/span>res <- resid(quadratic_model)\n\n#produce residual vs. fitted plot\n<\/span>plot(fitted(quadratic_model), res, xlab=' Fitted Values<\/span> ', ylab=' Residuals<\/span> ')\n\n#add a horizontal line at 0 \n<\/span>abline(0,0)<\/span><\/span><\/strong><\/span> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/courbe3.jpg\")
<\/p>\n Recursos adicionais<\/strong><\/span><\/h2>\n
Como criar um gr\u00e1fico residual em R<\/a>
Como criar um gr\u00e1fico residual no Excel<\/a>
Como criar um gr\u00e1fico residual em Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"