Diferenças

Esta página mostra as diferenças entre as duas revisões da página.

--- planeco:roteiro:07-class [2017/03/22 18:20] – [Checando as premissas] amzmartini
+++ planeco:roteiro:07-class [2024/01/09 18:38] (Atual) – edição externa 127.0.0.1
@@ Linha 1: / Linha 1: @@
+ESSA PAGINA NAO ESTÁ EM USO, ESTÁ APENAS DE BACKUP COMO VERSÃO ORIGINAL PARA AS VERSÕES R E RCMDR DO ROTEIRO
 ====== Testes Clássicos ======
@@ Linha 103: / Linha 105: @@
 </code>
-) Ajuste um modelo de regressão linear simples usando a função //lm()// e inspecione o resumo do modelo usando a função //summary()//, que fornece informações importantes sobre o modelo, incluindo os valores brutos dos resíduos:
+) Ajuste um modelo de regressão linear simples usando a função //lm()// e inspecione o resumo do modelo usando a função //summary()//, que fornece informações importantes sobre o modelo, incluindo os valores brutos dos erros/resíduos (//residuals//):
 <code>
 lm.xy<-lm(y~x)
@@ Linha 112: / Linha 114: @@
 ====Checando as premissas====
-Ok, agora que você entendeu como são calculados os resíduos/erros, vamos trabalhar com conjuntos de dados maiores para podermos entender como checar as premissas da análise de regressão linear de uma maneira um pouco mais realista:
+Ok, agora que você entendeu como são calculados os erros/resíduos, vamos trabalhar com conjuntos de dados maiores para podermos entender como checar as premissas da análise de regressão linear de uma maneira um pouco mais realista:
 Baixe os arquivos de dados para o seu diretório:
@@ Linha 163: / Linha 165: @@
 </code>
-Avalie visualmente a relação entre as variáveis com esse gráfico //scatterplot//:
+Avalie visualmente a relação entre as variáveis com o gráfico //scatterplot//:
 <code>
 scatterplot(BIOMASSA_PEIXES_HERB~BIOMASSA_ALGAS, data=algas.peixes)
@@ Linha 174: / Linha 176: @@
 </code>
-Use a função "names()" para conhecer todas as informações que estão disponíveis sobre esse modelo:
+Use a função "names()" para saber quais são as informações que estão disponíveis sobre esse modelo:
 <code>
 names(lm.algas.peixes)
 </code>
-Se você quiser olhar detalhadamente alguma dessas informações, basta escrever o //nome_do_modelo$nome_da_informação//. Então, vamos olhar especificamente os resíduos/erros:
+Se você quiser olhar detalhadamente alguma dessas informações, basta escrever o //nome_do_modelo$nome_da_informação//. Então, vamos olhar especificamente os erros/resíduos:
 <code>
 lm.algas.peixes$residuals
@@ Linha 207: / Linha 209: @@
 </code>
-===Como saber se a variância dos resíduos é constante?===
+===Como saber se a variância dos erros/resíduos é constante?===
 Para qualquer valor de X (ou de //Yobservado//, ou de //Yestimado//) os valores máximos e mínimos dos resíduos devem ser similares. Então, podemos fazer um gráfico em que relacionamos os valores de //Yestimado// (ou seja, os valores de Y que são indicados pela reta de regressão) e os valores dos //Resíduos// para cada //Yestimado//.
@@ Linha 223: / Linha 225: @@
 **Como você interpreta esse gráfico?
-Você nota algum padrão na distribuição dos resíduos?**
+Você nota algum padrão na distribuição dos erros/resíduos?**
 O mesmo gráfico (//Resíduos// X //Yestimado//) que é utilizado para avaliar se a variância é constante (homoscedasticidade), também pode ser utilizado para checar se existe alguma assimetria, algum viés (positivo ou negativo) ou alguma tendência de que a relação seja melhor definida por uma curva do que por uma reta.
@@ Linha 244: / Linha 246: @@
 Além de testar as premissas, também é importante fazer um diagnóstico para verificar se existem //outliers// e se eles afetam muito o resultado da análise de regressão.
-Para medir a influência de uma observação usamos uma medida denominada **"Distância de Cook"** que é calculada para cada observação e leva em consideração o resíduo/erro da observação e a //leverage//, que pode ser traduzida como "alavancagem". A //leverage// indica o quanto um dado valor de X influencia o valor de //Yestimado//. Se o valor dos //Resíduos// for plotado em relação ao valor de //leverage//, os pontos que possuírem as maiores //leverage// e também resíduos grandes (positivos ou negativos) serão os pontos com maiores distâncias de Cook e consequentemente, maiores influências sobre os parâmetros da reta.
+Para medir a influência de uma observação usamos uma medida denominada **"Distância de Cook"** que é calculada para cada observação e leva em consideração o erro/resíduo (//**e**//) e a //leverage// (//**hii**//) da observação, que pode ser traduzida como "alavancagem". A //leverage// indica o quanto um dado valor de X influencia o valor de //Yestimado//.
 {{ :planeco:roteiro:distancia_cook_equacao_portugues.png?300 |}}
-Valores altos de Distância de Cook significam que se esse ponto for retirado das análises, a inclinação da reta de regressão pode mudar muito.
+<WRAP center round tip 90%>
+Valores altos de Distância de Cook significam que se esse ponto for retirado das análises, a inclinação da reta de regressão pode mudar muito. Veja o exemplo abaixo, do livro de Quinn & Keough (2008), mostrando o efeito de três diferentes pontos sobre a inclinação da reta.
+{{ :planeco:roteiro:figuraleverageq_k.jpg?300 |}}
+</WRAP>
+Se o valor dos //Resíduos// for plotado em relação ao valor de //leverage//, os pontos que possuírem as maiores //leverage// e também erros/resíduos grandes (positivos ou negativos) serão os pontos com maiores **Distâncias de Cook** e consequentemente, com maiores **influências** sobre os parâmetros da reta.
 Devido ao tempo escasso, não vamos construir esse gráfico passo-a-passo. Vamos usar uma função mágica do R que vai mostrar 4 gráficos de diagnóstico de uma só vez e incluirá esse gráfico para que você possa analisar.