Mudanças entre as edições de "Como Testar Premissas de Modelos Lineares no R Studio"
| Linha 5: | Linha 5: | ||
|freetext=<nowiki/> | |freetext=<nowiki/> | ||
<div> | <div> | ||
| − | Antes de fazer um modelo linear, como por exemplo uma regressão, é necessário avaliar se os dados utilizados atendem às premissas da análise<ref> Questões Sobre Regressão Linear,[http://mdduft.wikidot.com/aula6], “WikiDot”</ref>. Para que os dados sejam adequados, eles devem ser lineares, apresentar normalidade dos resíduos<ref>Teste de Normalidade,[https://pt.wikipedia.org/wiki/Teste_de_normalidade], “Wikipedia”</ref>, homogeneidade das variâncias e terem sido coletados de maneira independente<ref> Regressão Linear,[https://posgraduando.com/como-fazer-uma-analise-de-regressao-linear-simples-no-r/], “Pós-graduando”</ref>. Siga o passo a passo para aprender a testar as premissas. | + | Antes de fazer um modelo linear, como por exemplo uma [https://www.wikiajuda.com.br/Como_Fazer_uma_Regress%C3%A3o_no_R_Studio regressão], é necessário avaliar se os dados utilizados atendem às premissas da análise<ref> Questões Sobre Regressão Linear,[http://mdduft.wikidot.com/aula6], “WikiDot”</ref>. Para que os dados sejam adequados, eles devem ser lineares, apresentar normalidade dos resíduos<ref>Teste de Normalidade,[https://pt.wikipedia.org/wiki/Teste_de_normalidade], “Wikipedia”</ref>, homogeneidade das variâncias e terem sido coletados de maneira independente<ref> Regressão Linear,[https://posgraduando.com/como-fazer-uma-analise-de-regressao-linear-simples-no-r/], “Pós-graduando”</ref>. Siga o passo a passo para aprender a testar as premissas. |
</div> | </div> | ||
}} | }} | ||
| Linha 18: | Linha 18: | ||
|header=AVISO | |header=AVISO | ||
|before image=Caso você não saiba abrir sua planilha de dados e as variáveis no R Studio, pode aprender [https://www.wikiajuda.com.br/Como_Fazer_uma_Regress%C3%A3o_no_R_Studio aqui]. | |before image=Caso você não saiba abrir sua planilha de dados e as variáveis no R Studio, pode aprender [https://www.wikiajuda.com.br/Como_Fazer_uma_Regress%C3%A3o_no_R_Studio aqui]. | ||
| + | }} | ||
| + | {{New section | ||
| + | |style=Inserir imagem | ||
| + | |header=2- Faça a regressão linear | ||
| + | |before image=Para avaliar as outras premissas, precisamos olhar os resíduos do modelo. Para gerar o modelo de regressão e visualizar o resultado, digite os comandos: ‘reg<-lm(var_resposta~var_preditora)’ e ‘summary(reg)’. | ||
| + | |file=Regressaolin.png | ||
| + | }} | ||
| + | {{New section | ||
| + | |style=Inserir imagem | ||
| + | |header=3- Teste a normalidade dos resíduos | ||
| + | |before image=Para verificar se os resíduos dos dados possuem uma distribuição normal, digite o comando: ‘shapiro.test(rstudent(reg))’. Um valor maior que 0.05 indica normalidade. | ||
| + | |file=Normalidade.png | ||
| + | }} | ||
| + | {{New section | ||
| + | |style=Inserir imagem | ||
| + | |header=4- Avalie a homogeneidade das variâncias | ||
| + | |before image=Para avaliar visualmente a homogeneidade das variâncias, digite o comando: ‘plot(rstudent(reg) ~ fitted(reg), pch = 19)’ e ‘abline(h = 0, lty = 2)’. Para serem considerados homogêneos, os dados devem se distribuir igualmente abaixo e acima da linha. | ||
| + | |file=Homogeneidade.png | ||
| + | }} | ||
| + | {{New section | ||
| + | |style=Inserir imagem | ||
| + | |header=5- Visualize seu modelo | ||
| + | |before image=Prontinho! Agora que você testou e aprovou todas as premissas de um modelo linear, é possível interpretar o resultado da sua análise. Para visualizar os seus dados juntamente com a reta de regressão do modelo, digite o comando: ‘plot(var_resposta~var_preditora)’ e ‘abline(reg)’ | ||
| + | |file=Resultados.png | ||
| + | |after image=Assista ao vídeo abaixo para aprender mais sobre as premissas de um modelo linear e como fazê-las no software R. | ||
| + | {{#ev:youtube|https://www.youtube.com/watch?v=fVZeaGjEJW8|1000|right|Análise de Regressão|frame}} | ||
| + | }} | ||
| + | {{New section | ||
| + | |style=Seção padrão | ||
| + | |before image=Fontes e Referências | ||
}} | }} | ||
Edição das 12h19min de 15 de abril de 2019
Técnico / Intermediário
Criada 15 abr 2019 por Lamscha
Esta página foi editada pela última vez à(s) 01:08 de 17 abr 2019 por Lamscha.
Antes de fazer um modelo linear, como por exemplo uma regressão, é necessário avaliar se os dados utilizados atendem às premissas da análise[1]. Para que os dados sejam adequados, eles devem ser lineares, apresentar normalidade dos resíduos[2], homogeneidade das variâncias e terem sido coletados de maneira independente[3]. Siga o passo a passo para aprender a testar as premissas.
Índice
1- Avalie a linearidade
Para avaliar a linearidade, faça um gráfico da sua variável resposta em relação à variável preditora digitando o comando: ‘plot(var_resposta~var_preditora)’. A distribuição dos pontos não deve apresentar nenhum padrão não-linear, como em formato de U.
Caso você não saiba abrir sua planilha de dados e as variáveis no R Studio, pode aprender aqui.
2- Faça a regressão linear
Para avaliar as outras premissas, precisamos olhar os resíduos do modelo. Para gerar o modelo de regressão e visualizar o resultado, digite os comandos: ‘reg<-lm(var_resposta~var_preditora)’ e ‘summary(reg)’.
3- Teste a normalidade dos resíduos
Para verificar se os resíduos dos dados possuem uma distribuição normal, digite o comando: ‘shapiro.test(rstudent(reg))’. Um valor maior que 0.05 indica normalidade.
4- Avalie a homogeneidade das variâncias
Para avaliar visualmente a homogeneidade das variâncias, digite o comando: ‘plot(rstudent(reg) ~ fitted(reg), pch = 19)’ e ‘abline(h = 0, lty = 2)’. Para serem considerados homogêneos, os dados devem se distribuir igualmente abaixo e acima da linha.
5- Visualize seu modelo
Prontinho! Agora que você testou e aprovou todas as premissas de um modelo linear, é possível interpretar o resultado da sua análise. Para visualizar os seus dados juntamente com a reta de regressão do modelo, digite o comando: ‘plot(var_resposta~var_preditora)’ e ‘abline(reg)’
Assista ao vídeo abaixo para aprender mais sobre as premissas de um modelo linear e como fazê-las no software R.
Fontes e Referências