======== Trabalho Final ========

==== Código ====

<code>

lmanal = function(dataf,var.res = colnames(dataf)[1]){
  require("MuMIn") #requer o pacote MuMIn que contem a funcao AICc
  #############################PREMISSAS#######################################
  if(!is.data.frame(dataf)){ #verifica se dataf e um data.frame
    stop(dataf,"\t nao e data frame") #para o scrip se dataf nao for data.frame
  }
  #######################ORGANIZANDO OS DADOS##################################
  s = dim(dataf) #tamanho do data.frame
  #reorganiza o data frame com var.res na primeira coluna
  if(var.res!=colnames(dataf)[1]){ #verifica se a primeira coluna e a variavel resposta
    if(is.character(var.res)){#verifica se a variavel resposta e string
      teste_char=rep(NA,s[2])#cria um vetor para verificar se var.res e um nome valido
      for(ii in 1:s[2]){#comeca o loop para teste de cada coluna
        teste_char[ii]=identical(var.res,colnames(dataf)[ii])# teste
      }
      if(sum(teste_char)==1){#teste se alguma coluna contem var.res
        flag=which(colnames(dataf)==var.res) #posicao da variavel resposta
      }
      else{#caso contrario para a funcao
        stop("Escolha um nome ou numero de coluna valido")
      }
    }
    else if(is.numeric(var.res)){ #se var.res for o numero da coluna
      if(var.res<=s[2] && var.res>0){#caso a var.res seja um numero valido
        flag=var.res#retira a posicao de ver.res
        var.res=colnames(dataf)[flag] #atribui a var.res o nome da variavel resposta
      }
      else{#caso contrario para a funcao
        stop("Escolha um nome ou numero de coluna valido")
      }
    }
    else{#caso var.res nao seja numero nem caractere
      stop("var.res deve ser o nome ou numero da coluna da variavel resposta")
    }
    if(flag==s[2]){#caso var.res seja a ultima coluna
      dataf = data.frame(dataf[flag],dataf[1:(flag-1)])#organiza o data frame com var.res na primeira coluna
    }else{#caso seja em qualquer outra coluna
      dataf = data.frame(dataf[flag],dataf[1:(flag-1)],dataf[(flag+1):s[2]])#organiza o data frame com var.res na primeira coluna
    }
  }
  if(class(dataf[,1])=="factor" || class(dataf[,1])=="logical"){# se var.res for fator ou logico lm() nao funciona
    stop("A variavel resposta nao pode ser logica ou fator")#para a funcao
  }
  ##########################RETIRANDO NAS######################################
  if(sum(is.na.data.frame(dataf))!=0){ #retira os dados NA
    linhas = unique(c(which(is.na.data.frame(dataf),arr.ind = T)[,1]))#cria um vetor contendo as linhas com NA
    linhas_str = paste0(paste0(linhas[1:length(linhas)-1], ", ", collapse = ""),#transforma o vetor em string
                        linhas[length(linhas)],".",collapse = "")# com virgulas e ponto final
    message(as.character(sum(is.na.data.frame(dataf))), #manda a mensagem ao usuario dizendo as linhas
            " linhas contendo NA retiradas: ", #que serao retiradas
            linhas_str)
    dataf = na.omit(dataf) #retira os na's
  }
  #################PREPARANDO O MODELO COMPLETO################################
  var.nomes = colnames(dataf) #nomes das variaveis
  #cria o string que sera avaliado
    var.nomes.list=as.list(rep(NA,s[2]-1))#cria uma lista vazia para receber os nomes das colunas
    for(iii in 1:(s[2]-1)){#loop para preencher a lista com as combinaçoes necessarias para testar as possibilidades
      if(iii!=s[2]-1){#caso nao seja a ultima coluna
        var.nomes.list[[iii]]=c(var.nomes[(iii+1):s[2]])#nao e a ultima coluna
      }
      else{
        var.nomes.list[[iii]]=c(var.nomes[s[2]])#ulima coluna
      }
    }
    termos_char = data.frame(do.call(expand.grid,var.nomes.list))#cria a lista com as combinacoes possiveis com as variaveis
    termos_char = t(termos_char) #transpoe o data frame
    ndim=dim(termos_char)[2]  #retira o numero de colunas
    mod.vars = as.list(rep(NA,ndim)) #listas vazias que serao preenchidas com as 
    mod.formula=mod.vars #variaveis que vao compor a formula e as formulas em caracter
    for(I in 1:ndim){#loop que completa as listas
      mod.vars[[I]]=sort(unique(c(termos_char[,I])))#retira as variaveis redundantes
      mdim=length(mod.vars[[I]])#retira o numero de variaveis preditoras nos modelos
      if(mdim==1){#caso seja um modelo com apenas uma variavel preditora
        mod.formula[[I]]=paste0(var.res,"~",mod.vars[[I]])#cria a formula
      }
      else if(mdim==2){#caso seja um modelo com duas variaveis preditoras
        mod.formula[[I]]=paste0(var.res,"~",mod.vars[[I]][1],"+",mod.vars[[I]][2])#cria a formula
      }
      else{#caso seja um modelo com mais de duas variaveis preditoras
        mod.formula[[I]]=paste0(var.res,"~",#cria a formula
                                paste0(mod.vars[[I]][1],
                                       paste0("+",mod.vars[[I]][2:mdim],
                                              collapse=""),collapse=""),collapse="")
      }
    }
    mod.formula=unique(mod.formula)#retira as formulas de modelos redundantes
    odim=length(mod.formula)#retira o numero de modelos a serem testados
    aicc.vec = rep(NA,odim)#vetor que sera preenchido com os valores de AICc
    for(II in 1:odim){#loop que preenche o vetor
      aicc.vec[II]=AICc(lm(mod.formula[[II]],data=dataf))#calculo do modelo e respectivo AICc
    }
    best.fit=lm(mod.formula[[which.min(aicc.vec)]],data=dataf)#carrega o melhor modelo em best.fit
    par(mfrow=c(2,2))#divide o ambiente grafico em 4
    plot(best.fit)#plota o melhor modelo
    print(summary(best.fit))#entrega as propriedades do melhor modelo
    invisible(best.fit)#retorna o modelo em uma variavel caso o usuario deseje
}

</code>

==== Help ====
<code>
lmanal()                                           R Documentation


Description:

  Function the calculates the best linear model from all combinations of the variables from a data frame using the   Second-order Akaike Information Criterion (AICc)

Usage:

  lmanal = function(dataf,var.res = colnames(dataf)[1])

Arguments:

  dataf    a data frame class object containing the variables on which the linear model will be contructed
  var.res  character name or numeric value of the culumn of the data frame which the model will predict

Details:

  var.res has to be a continuous value

Value:

     if atributed to a variable returns a lm class object containing the linear model with the lower AICc value
     prints the summary of the lm object
     plots the lm object in a 2 by 2 graphic environment


Warning:

     column names must not have any spaces or odd characters

Note:

     uses the package "MuMIn" to load the AICc function

Author(s):

     Luan Sayeg Michelazzo

References:

  Burnham KP, Anderson DR. Practical use of the information-theoretic approach. InModel Selection and Inference 1998 (pp. 75-117). Springer, New York, NY
      
  Burnham KP, Anderson DR, Huyvaert KP. AIC model selection and multimodel inference in behavioral ecology: some background, observations, and comparisons. Behavioral ecology and sociobiology. 2011 Jan 1;65(1):23-35.

  Wagenmakers EJ, Farrell S. AIC model selection using Akaike weights. Psychonomic bulletin & review. 2004 Feb 1;11(1):192-6. 

See Also:

     lm(), "MuMIn" package

Examples:

l = lmanal(attitude)
lmanal(attitude,"complaints")
lmanal(attitude,2)

</code>