<\/p>\n
Normalmente, quando realizamos regress\u00e3o linear m\u00faltipla<\/a> , os coeficientes de regress\u00e3o resultantes na sa\u00edda do modelo n\u00e3o s\u00e3o padronizados<\/strong> , o que significa que eles usam os dados brutos para encontrar a linha de melhor ajuste.<\/span><\/p>\n Por\u00e9m, \u00e9 poss\u00edvel padronizar<\/strong> cada vari\u00e1vel preditora e a vari\u00e1vel resposta (subtraindo o valor m\u00e9dio de cada vari\u00e1vel dos valores originais e depois dividindo pelo desvio padr\u00e3o das vari\u00e1veis) e depois executar uma regress\u00e3o, que resulta em coeficientes de regress\u00e3o padronizados<\/strong> .<\/span><\/p>\n A maneira mais simples de calcular coeficientes de regress\u00e3o padronizados em R \u00e9 usar a fun\u00e7\u00e3o scale()<\/a> para padronizar cada vari\u00e1vel do modelo:<\/span><\/p>\n O exemplo a seguir mostra como calcular coeficientes de regress\u00e3o padronizados na pr\u00e1tica.<\/span><\/p>\n Suponha que temos o seguinte conjunto de dados contendo informa\u00e7\u00f5es sobre idade, metragem quadrada e pre\u00e7o de venda de 12 casas:<\/span><\/p>\n Suponha que realizamos ent\u00e3o uma regress\u00e3o linear m\u00faltipla usando idade<\/strong> e metragem quadrada<\/strong> como vari\u00e1veis preditoras e pre\u00e7o<\/strong> como vari\u00e1vel resposta:<\/span><\/p>\n A partir dos resultados do modelo, podemos ver os coeficientes de regress\u00e3o n\u00e3o padronizados<\/strong> :<\/span><\/p>\n \u00c0 primeira vista, parece que a idade tem um efeito muito maior no pre\u00e7o dos im\u00f3veis, uma vez que o seu coeficiente na tabela de regress\u00e3o \u00e9 -409,833<\/strong> , em compara\u00e7\u00e3o com apenas 100,866<\/strong> para a vari\u00e1vel preditora da metragem quadrada.<\/span><\/p>\n No entanto, o erro padr\u00e3o \u00e9 muito maior para a idade do que para a metragem quadrada, raz\u00e3o pela qual o valor p correspondente \u00e9 realmente grande para a idade (p = 0,520) e pequeno para a metragem quadrada (p = 0,000).<\/span><\/p>\n A raz\u00e3o para as diferen\u00e7as extremas nos coeficientes de regress\u00e3o deve-se \u00e0s diferen\u00e7as extremas nas escalas para as duas vari\u00e1veis:<\/span><\/p>\n Suponha que, em vez disso, normalizemos<\/strong> os dados brutos e ajustemos um novo modelo de regress\u00e3o:<\/span><\/p>\n Os coeficientes de regress\u00e3o nesta tabela s\u00e3o padronizados<\/strong> , o que significa que foram utilizados dados padronizados para ajustar este modelo de regress\u00e3o.<\/span><\/p>\n A forma de interpretar os coeficientes da tabela \u00e9 a seguinte:<\/span><\/p>\n Podemos agora ver que a metragem quadrada tem um efeito muito maior sobre os pre\u00e7os das casas do que a idade.<\/span><\/p>\n Nota<\/strong> : Os valores p para cada vari\u00e1vel preditora s\u00e3o exatamente os mesmos do modelo de regress\u00e3o anterior.<\/span><\/p>\n Ao decidir qual modelo final usar, sabemos agora que a metragem quadrada<\/strong> \u00e9 muito mais importante para prever o pre\u00e7o de uma casa do que a sua idade<\/strong> .<\/span><\/p>\n Os tutoriais a seguir fornecem informa\u00e7\u00f5es adicionais sobre modelos de regress\u00e3o:<\/span><\/p>\n Como ler e interpretar uma tabela de regress\u00e3o<\/a> Normalmente, quando realizamos regress\u00e3o linear m\u00faltipla , os coeficientes de regress\u00e3o resultantes na sa\u00edda do modelo n\u00e3o s\u00e3o padronizados , o que significa que eles usam os dados brutos para encontrar a linha de melhor ajuste. model <- lm(price ~ age + sqfeet, data=df) Por\u00e9m, \u00e9 poss\u00edvel padronizar cada vari\u00e1vel preditora e a vari\u00e1vel resposta […]<\/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-4617","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n model <- lm(price ~ age + sqfeet, data=df)\n<\/strong><\/pre>\n
model <- lm(scale(price) ~ scale(age) + scale(sqfeet), data=df)<\/strong><\/pre>\n
Exemplo: Como calcular coeficientes de regress\u00e3o padronizados em R<\/strong><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (age=c(4, 7, 10, 15, 16, 18, 24, 28, 30, 35, 40, 44),\n sqfeet=c(2600, 2800, 1700, 1300, 1500, 1800,\n 1200, 2200, 1800, 1900, 2100, 1300),\n price=c(280000, 340000, 195000, 180000, 150000, 200000,\n 180000, 240000, 200000, 180000, 260000, 140000))\n\n#view data frame\n<\/span>df\n\n age square feet price\n1 4 2600 280000\n2 7 2800 340000\n3 10 1700 195000\n4 15 1300 180000\n5 16 1500 150000\n6 18 1800 200000\n7 24 1200 180000\n8 28 2200 240000\n9 30 1800 200000\n10 35 1900 180000\n11 40 2100 260000\n12 44 1300 140000\n<\/strong><\/pre>\n #fit regression model\n<\/span>model <- lm(price ~ age + sqfeet, data=df)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nlm(formula = price ~ age + sqfeet, data = df)\n\nResiduals:\n Min 1Q Median 3Q Max \n-32038 -10526 -6139 21641 34060 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 34736.54 37184.32 0.934 0.374599 \nage -409.83 612.46 -0.669 0.520187 \nsqfeet 100.87 15.75 6.405 0.000125 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 24690 on 9 degrees of freedom\nMultiple R-squared: 0.8508, Adjusted R-squared: 0.8176 \nF-statistic: 25.65 on 2 and 9 DF, p-value: 0.0001916\n<\/strong><\/pre>\n\n
\n
#standardize each variable and fit regression model\n<\/span>model_std <- lm(scale(price) ~ scale(age) + scale(sqfeet), data=df)\n\n#turn off scientific notation<\/span>\noptions(scipen= 999<\/span> )\n\n#view model summary\n<\/span>summary(model_std)\n\nCall:\nlm(formula = scale(price) ~ scale(age) + scale(sqfeet), data = df)\n\nResiduals:\n Min 1Q Median 3Q Max \n-0.5541 -0.1820 -0.1062 0.3743 0.5891 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|)\n(Intercept) -0.0000000000000002253 0.1232881457926768426 0.000 1.000000\nscale(age) -0.0924421263946849786 0.1381464029075653854 -0.669 0.520187\nscale(sqfeet) 0.8848591938302141635 0.1381464029075653577 6.405 0.000125\n \n(Intercept) \nscale(age) \nscale(sqfeet)***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 0.4271 on 9 degrees of freedom\nMultiple R-squared: 0.8508, Adjusted R-squared: 0.8176 \nF-statistic: 25.65 on 2 and 9 DF, p-value: 0.0001916\n<\/strong><\/pre>\n\n
Recursos adicionais<\/strong><\/span><\/h2>\n
Como interpretar coeficientes de regress\u00e3o<\/a>
Como interpretar valores de P em regress\u00e3o linear<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"