Para usar o m\u00e9todo dos m\u00ednimos quadrados para ajustar uma linha de regress\u00e3o em R, podemos usar a fun\u00e7\u00e3o lm()<\/strong> .<\/span><\/p>\n Esta fun\u00e7\u00e3o usa a seguinte sintaxe b\u00e1sica:<\/span><\/p>\n O exemplo a seguir mostra como usar esta fun\u00e7\u00e3o em R.<\/span><\/p>\n Suponha que temos o seguinte quadro de dados em R que mostra o n\u00famero de horas estudadas e a nota do exame correspondente para 15 alunos em uma turma:<\/span><\/p>\n Podemos usar a fun\u00e7\u00e3o lm()<\/strong> para usar o m\u00e9todo dos m\u00ednimos quadrados para ajustar uma linha de regress\u00e3o a estes dados:<\/span><\/p>\n A partir dos valores da coluna Resultado Estimado<\/strong> , podemos escrever a seguinte linha de regress\u00e3o ajustada:<\/span><\/p>\n Nota do exame = 65,334 + 1,982 (horas)<\/span><\/p>\n Veja como interpretar cada coeficiente no modelo:<\/span><\/p>\n Podemos usar essa equa\u00e7\u00e3o para estimar a nota do exame que um aluno receber\u00e1 com base nas horas estudadas.<\/span><\/p>\n Por exemplo, se um aluno estudar 5 horas, estimar\u00edamos que sua nota no exame seria 75,244:<\/span><\/p>\n Nota do exame = 65,334 + 1,982(5) = 75,244<\/span><\/p>\n Finalmente, podemos criar um gr\u00e1fico de dispers\u00e3o dos dados originais com a linha de regress\u00e3o ajustada sobreposta ao gr\u00e1fico:<\/span> <\/p>\n Os c\u00edrculos azuis representam os dados e a linha preta representa a linha de regress\u00e3o ajustada.<\/span><\/p>\n Os tutoriais a seguir explicam como realizar outras tarefas comuns em R:<\/span><\/p>\n Como criar um gr\u00e1fico residual em R<\/a> O m\u00e9todo dos m\u00ednimos quadrados \u00e9 um m\u00e9todo que podemos usar para encontrar a linha de regress\u00e3o que melhor se ajusta a um determinado conjunto de dados. Para usar o m\u00e9todo dos m\u00ednimos quadrados para ajustar uma linha de regress\u00e3o em R, podemos usar a fun\u00e7\u00e3o lm() . Esta fun\u00e7\u00e3o usa a seguinte sintaxe b\u00e1sica: […]<\/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-3907","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n model <- lm(response ~ predictor, data=df)\n<\/strong><\/pre>\n
Exemplo: m\u00e9todo dos m\u00ednimos quadrados em R<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (hours=c(1, 2, 4, 5, 5, 6, 6, 7, 8, 10, 11, 11, 12, 12, 14),\n score=c(64, 66, 76, 73, 74, 81, 83, 82, 80, 88, 84, 82, 91, 93, 89))\n\n#view first six rows of data frame\n<\/span>head(df)\n\n hours score\n1 1 64\n2 2 66\n3 4 76\n4 5 73\n5 5 74\n6 6 81\n<\/strong><\/pre>\n #use method of least squares to fit regression line\n<\/span>model <- lm(score ~ hours, data=df)\n\n#view regression model summary<\/span>\nsummary(model)\n\nCall:\nlm(formula = score ~ hours, data = df)\n\nResiduals:\n Min 1Q Median 3Q Max \n-5,140 -3,219 -1,193 2,816 5,772 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 65,334 2,106 31,023 1.41e-13 ***\nhours 1.982 0.248 7.995 2.25e-06 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.641 on 13 degrees of freedom\nMultiple R-squared: 0.831, Adjusted R-squared: 0.818 \nF-statistic: 63.91 on 1 and 13 DF, p-value: 2.253e-06\n<\/strong><\/pre>\n\n
#create scatter plot of data\n<\/span>plot(df$hours, df$score, pch=16, col=' steelblue<\/span> ')\n\n#add fitted regression line to scatter plot\n<\/span>abline(model)\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/methode1.jpg\")
<\/p>\n Recursos adicionais<\/span><\/strong><\/h2>\n
Como testar a multicolinearidade em R<\/a>
Como realizar ajuste de curva em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"