Ferramentas do usuário
02_tutoriais:tutorial7:start
Diferenças
Aqui você vê as diferenças entre duas revisões dessa página.
| Ambos lados da revisão anterior Revisão anterior Próxima revisão | Revisão anterior | ||
|
02_tutoriais:tutorial7:start [2020/10/02 15:59] rafael.melhem |
02_tutoriais:tutorial7:start [2023/09/11 15:58] (atual) |
||
|---|---|---|---|
| Linha 7: | Linha 7: | ||
| A primeira parte desse tutorial é baseado no [[http://labtrop.ib.usp.br/doku.php?id=cursos:planeco:roteiro:08-lm_rcmdr| tutoria de modelos lineares da disciplina Princípios de Planejamento e Análise de Dados]], inclusive as vídeoaulas. Aqui iremos focar no código que estava subjacente ao tutorial. | A primeira parte desse tutorial é baseado no [[http://labtrop.ib.usp.br/doku.php?id=cursos:planeco:roteiro:08-lm_rcmdr| tutoria de modelos lineares da disciplina Princípios de Planejamento e Análise de Dados]], inclusive as vídeoaulas. Aqui iremos focar no código que estava subjacente ao tutorial. | ||
| + | <WRAP center round tip 60%> | ||
| + | A videoaula gravada no google meet no dia 02 de outubro de 2020 está ao final do tutorial. Dê preferência para as videoaulas do curso de **Principios de Planejamento e Análise de Dados** que estão colocadas ao longo do tutorial. Eles tratam o tema de modelos lineares de forma mais sucinta e tiveram alguma edição. Desconsiderem nesses vídeos as referências à disciplina. | ||
| + | </WRAP> | ||
| + | |||
| ===== Modelos Lineares ===== | ===== Modelos Lineares ===== | ||
| Linha 12: | Linha 16: | ||
| Os modelos lineares são uma generalização dos testes de hipótese clássicos mais simples. Uma regressão linear, por exemplo, só pode ser aplicada para dados em que tanto a variável preditora quanto a resposta são contínuas, enquanto uma análise de variância é utilizada quando a variável preditora é categórica. Os modelos lineares não têm essa limitação, podemos usar variáveis contínuas ou categóricas indistintamente. | Os modelos lineares são uma generalização dos testes de hipótese clássicos mais simples. Uma regressão linear, por exemplo, só pode ser aplicada para dados em que tanto a variável preditora quanto a resposta são contínuas, enquanto uma análise de variância é utilizada quando a variável preditora é categórica. Os modelos lineares não têm essa limitação, podemos usar variáveis contínuas ou categóricas indistintamente. | ||
| - | <WRAP center round box 40%> | + | <WRAP center round box 80%> |
| __**Videoaula Modelo Linear I**__ | __**Videoaula Modelo Linear I**__ | ||
| O vídeo é proveniente de outra disciplina, desconsidere qualquer referência a ela. | O vídeo é proveniente de outra disciplina, desconsidere qualquer referência a ela. | ||
| + | <WRAP center round tip 80%> | ||
| {{youtube>b4VgLr6loGE}} | {{youtube>b4VgLr6loGE}} | ||
| + | |||
| + | </WRAP> | ||
| Linha 200: | Linha 207: | ||
| Nossas estimativas parecem muito boas! | Nossas estimativas parecem muito boas! | ||
| - | Não precisamos fazer a simulação para fazer estimativas. A função ''lm'' faz isso para por nós. | + | Quando construímos modelos, não precisamos fazer a simulação para fazer estimativas, a função ''lm'' faz isso para nós. |
| ===== Modelos Lineares ===== | ===== Modelos Lineares ===== | ||
| Linha 213: | Linha 220: | ||
| lmxy01 <- lm(y1 ~ x1) | lmxy01 <- lm(y1 ~ x1) | ||
| class(lmxy01) | class(lmxy01) | ||
| + | str(lmxy01) | ||
| </code> | </code> | ||
| | | ||
| - | As funções extratoras como retiram do objeto do objeto de modelo (classe ''lm'') a informações solicitada. Vamos avaliar as principais informações que podem ser extraídas de um modelo. | + | O objeto de modelo é bastante complexo. Para acessar as informações utilizamos as funções extratoras que retiram do objeto as informações solicitadas, por exemplo, a classe em ''class(lmxy1)''. Vamos avaliar as principais informações que podem ser extraídas de um objeto de modelo da classe ''lm''. |
| Linha 353: | Linha 361: | ||
| - | Apesar de nossa primeira estimativa dos parâmetros ter sido muito boa, poderíamos ter feito uma amostra com valores mais diferentes. Não é depressível a chance de nossa amostra gerar valores de intercepto menores que ''8'' ou de inclinação maiores que ''0.14''. Essa imprecisão associada a estimativa dos parâmetros é o <wrap em>erro padrão</wrap>. O erro padrão é o desvio padrão dessa distribuição de valores das estimativas se pudéssemos refazer a amostra muitas vezes na população, como acabamos de fazer com a nossa simulação! | + | Apesar de nossa primeira estimativa dos parâmetros ter sido muito boa, poderíamos ter feito uma amostra com valores mais diferentes. Não é desprezível a chance de nossa amostra gerar valores de intercepto menores que ''8'' ou de inclinação maiores que ''0.14''. Essa imprecisão associada a estimativa dos parâmetros é o <wrap em>erro padrão</wrap>. O erro padrão é o desvio padrão dessa distribuição de valores das estimativas se pudéssemos refazer a amostra muitas vezes na população, como acabamos de fazer com a nossa simulação! |
| Vamos calcular o desvio padrão dos múltiplos experimentos: | Vamos calcular o desvio padrão dos múltiplos experimentos: | ||
| Linha 426: | Linha 434: | ||
| ===== Tabela de Anova de uma Regressão ===== | ===== Tabela de Anova de uma Regressão ===== | ||
| - | <WRAP center round box 60%> | + | <WRAP center round box 100%> |
| + | <WRAP center round tip 80%> | ||
| + | Video na disciplina de Princípios de Planejamento e Análise de Dados. Desconsidere qualquer referência à disciplina. O tema tratado é a partição de variação dos dados. | ||
| {{youtube>C4urUFRGDvo}} | {{youtube>C4urUFRGDvo}} | ||
| + | |||
| + | </WRAP> | ||
| </WRAP> | </WRAP> | ||
| Linha 515: | Linha 527: | ||
| ==== R² Ajustado ==== | ==== R² Ajustado ==== | ||
| - | O R² ajustado é um ajuste relacionado a uma maior precisão relativa ao R² da população. Existem vários tipos de ajustes, no caso do ''summary'' de um objeto ''lm'' a formula é: | + | O R² ajustado está relacionado a uma maior precisão na estimativa do R², que depende do tamanho amostral. Existem vários tipos de ajustes, no caso do ''summary'' de um objeto ''lm'' a formula é: |
| $$R^{2}_{adj} = 1 - (1- R^2) \frac{n - 1}{n - p - 1}$$ | $$R^{2}_{adj} = 1 - (1- R^2) \frac{n - 1}{n - p - 1}$$ | ||
| Linha 524: | Linha 536: | ||
| </code> | </code> | ||
| - | Com os R², R² ajustado e o teste da partição da variação da tabela da função ''anova'', fechamos o ''summary'' do modelo linear simples. Novamente, reconheça esses valores e interprete os valores: | + | Com os R², R² ajustado e o teste da partição da variação da tabela da função ''anova'', fechamos o ''summary'' do modelo linear simples. Novamente, reconheça e interprete os valores: |
| <code rsplus> | <code rsplus> | ||
| Linha 849: | Linha 861: | ||
| </WRAP> | </WRAP> | ||
| + | <WRAP center round box 100%> | ||
| + | Aula síncrona da disciplina no google meet, gravada em 01 de outubro de 2020. Nela abordo a construção e interpretação de modelos lineares simples no ambiente de programação R, focando no resumo (''summary'') com as principais informações do modelo. Uma bom entendimento do resumo do modelo é essencial para interpretação correta do resultado. Veja curso completo em: | ||
| + | http://ecor.ib.usp.br | ||
| + | <WRAP center round tip 80%> | ||
| + | {{youtube>VRrJ487k5qY}} | ||
| + | </WRAP> | ||
| + | |||
| + | </WRAP> | ||
02_tutoriais/tutorial7/start.1601665152.txt.gz · Última modificação: 2020/10/02 15:59 por rafael.melhem
Exceto onde for informado ao contrário, o conteúdo neste wiki está sob a seguinte licença: CC Attribution-Noncommercial-Share Alike 4.0 International
