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 [2022/06/21 11:38] adalardo [Estimando os parâmetros] |
02_tutoriais:tutorial7:start [2024/09/09 12:02] (atual) |
||
---|---|---|---|
Linha 56: | Linha 56: | ||
Parece complicado, mas é simples gerar dados aleatórios com essa estrutura do R. Vamos definir primeiro quais são os parâmetros que estão na nossa população, ou seja qual o valor de $\alpha$ e $\beta$ da relação entre ''y'' e ''x'' na população. Além disso, vamos definir também qual a variabilidade associada a essa relação, o nosso $\epsilon$. | Parece complicado, mas é simples gerar dados aleatórios com essa estrutura do R. Vamos definir primeiro quais são os parâmetros que estão na nossa população, ou seja qual o valor de $\alpha$ e $\beta$ da relação entre ''y'' e ''x'' na população. Além disso, vamos definir também qual a variabilidade associada a essa relação, o nosso $\epsilon$. | ||
- | $$ y = 5.3 + 0.12 x + N(0, 5) $$ | + | $$ y = 10.3 + 0.12 x + N(0, 5) $$ |
Linha 220: | 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 360: | 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 526: | 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 535: | 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> |