Como Testar Premissas de Modelos Lineares no R Studio
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