Diferenças

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

--- planeco:roteiro:07-class_base [2018/03/02 17:22] – melina.leite
+++ planeco:roteiro:07-class_base [2024/01/09 18:38] (Atual) – edição externa 127.0.0.1
@@ Linha 137: / Linha 137: @@
 Lembre dos métodos usados no tutorial de [[planeco:roteiro:05-descr|ANÁLISES EXPLORATÓRIAS DE DADOS]]. Escolha um dos métodos disponíveis para avaliar a normalidade dos dados e aplique a mesma lógica para a distribuição dos erros/resíduos.
-Histograma
-<code>
-hist(lm.algas.peixes$residuals)
-</code>
-Boxplot
+====== Como saber se a variância dos erros/resíduos é constante?======
-<code>
-boxplot(lm.algas.peixes$residuals)
-</code>
-Gráfico Quantil-Quantil
-<code>
-qqnorm(lm.algas.peixes$residuals)
-qqline(lm.algas.peixes$residuals)
-</code>
-===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//.
-<code>
-res.a.p<-lm.algas.peixes$residuals
-</code>
-<code>
-yest.a.p<-lm.algas.peixes$fitted.values
-</code>
-<code>
-plot(res.a.p~yest.a.p, xlab="Y estimado", ylab="Resíduos")
-</code>
+====== residuo2 ======
 **Como você interpreta esse gráfico?
 Você nota algum padrão na distribuição dos erros/resíduos?**
@@ Linha 180: / Linha 154: @@
-===Como saber se uma reta representa o melhor ajuste?===
+====Como saber se uma reta representa o melhor ajuste?====
-O primeiro gráfico a ser feito é um gráfico de dispersão (XY) simples. Uma curva suavizada pode ser plotada para ajudar a analisar a tendência geral.
+O primeiro gráfico a ser feito é um gráfico de dispersão (XY) simples. Uma curva suavizada pode ser plotada para ajudar a analisar a tendência geral ((a gente já fez esse gráfico acima!)).
-<code>
-scatterplot(y~x)
-</code>
 Adicionalmente, o gráfico de //Resíduos// X //Yestimado// (acima) também indica se existe alguma tendência de melhor ajuste a uma curva do que a uma reta.
-===Como saber se alguma observação está influenciando demais os parâmetros da regressão?===
+====Como saber se alguma observação está influenciando demais os parâmetros da regressão?====
 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.
@@ Linha 208: / Linha 179: @@
 O primeiro passo é ajustar um modelo de regressão linear aos dados obtidos.
 Para o primeiro conjunto de dados (algas_peixes.csv), nós já fizemos isso, então, vamos apenas inspecionar o resumo do modelo:
-<code>
-summary (lm.algas.peixes)
-</code>
+====== Final ======
-Agora, vamos definir que sejam construídos os 4 gráficos de diagnóstico para esse modelo e que eles sejam colocados em uma mesma página:
-<code>
-par(mfrow=c(2,2))
-plot(lm.algas.peixes)
-par(mfrow=c(1,1))
-</code>
 **Obs.: Note que o gráfico inferior à direita é o gráfico que mostra a distância de Cook.**
 **Salve essa página como.pdf e coloque o mesmo nome do arquivo de dados**
 **Repita o mesmo procedimento para os outros conjuntos de dados e avalie quais premissas estão sendo atendidas ou não para cada um.**
-<code>
-## copie uma linha por vez:
-algas.peixes2 <- read.csv("algas_peixes2.csv", sep=";")
-head(algas.peixes2)
-summary(algas.peixes2)
-scatterplot(BIOMASSA_PEIXES_HERB2~BIOMASSA_ALGAS2, data=algas.peixes2)
-lm.algas.peixes2<-lm(BIOMASSA_PEIXES_HERB2~BIOMASSA_ALGAS2, data=algas.peixes2)
-summary (lm.algas.peixes2)
-## copie as três linhas juntas:
-par(mfrow=c(2,2))
-plot (lm.algas.peixes2)
-par(mfrow=c(1,1))
-</code>
-<code>
-## copie uma linha por vez:
-insetos.peixes <- read.csv("insetos_peixes.csv", sep=";")
-head(insetos.peixes)
-summary(insetos.peixes)
-scatterplot(BIOMASSA_PEIXES_INS~BIOMASSA_INSETOS, data=insetos.peixes)
-lm.insetos.peixes<-lm(BIOMASSA_PEIXES_INS~BIOMASSA_INSETOS, data=insetos.peixes)
-summary(lm.insetos.peixes)
-## copie as três linhas juntas:
-par(mfrow=c(2,2))
-plot (lm.insetos.peixes)
-par(mfrow=c(1,1))
-</code>
-<code>
-## copie uma linha por vez:
-vol.inds <- read.csv("vol_inds.csv", sep=";")
-head(vol.inds)
-summary(vol.inds)
-scatterplot(INDIVIDUOS_AUSTROL~VOLUME_LAGO, data=vol.inds)
-lm.vol.inds<-lm(INDIVIDUOS_AUSTROL~VOLUME_LAGO, data=vol.inds)
-summary(lm.vol.inds)
-## copie as três linhas juntas:
-par(mfrow=c(2,2))
-plot (lm.vol.inds)
-par(mfrow=c(1,1))
-</code>