O arquivo água foi o meu banco de dados, vc pode rodar colocando seu
próprio dataframe contendo seus dados e fazer as modificações necessárias.
Att
Em 07/11/2016 21:42, escreveu:
> Eu tentei rodar, e diz que não existe o arquivo água!
>
> Eu trabalho assim
>
Eu tentei rodar, e diz que não existe o arquivo água!
Eu trabalho assim
#-Analise de Cook's distance ---
install.packages(sfsmisc); library(sfsmisc)
analise<-lm(CONSUMO~factor(GEST)*factor(MANEJO),data="" />
n<-length(agua$CONSUMO) #
oi Pessoa, boa noite
Vou tentar filtrar nos outliers pelos técnicas propostos por vocês.
Amanha posto aqui os resultados
Obrigado pela Ajuda
David
Em Sexta-feira, 14 de Outubro de 2016 20:29, Cesar Rabak via R-br
escreveu:
FCosta,
Você viu o posto do Valmes
Antes do estabelecimento de critérios empíricos de corte para os valores
da distância de Cook,
há esse trabalho sobre sua distribuição exata:
https://www.researchgate.net/publication/274062960_Exact_distribution_of_Cook%27s_distance_and_identification_of_influential_observations
FCosta
Em
Eu trabalho assim
#-Analise de Cook's distance
---
install.packages(sfsmisc); library(sfsmisc)
analise<-lm(CONSUMO~factor(GEST)*factor(MANEJO),data=agua)
n<-length(agua$CONSUMO) # número de observações
Além da distância de Cook, você tem mais opções de medidas de influência
com a inflence.measures(). Dê uma olhada aqui para ver exemplos
http://leg.ufpr.br/~walmes/cursoR/mgest/1medidas-influen.html. Eu gosto de
usar o DFits como medida.
À disposição.
Walmes.
David,
Depende de como você identifica os outliers. Coloquei um exemplo usando a
distancia de Cook, mas da para generalizar com outros critérios
# gera dados e forca outlier
x <- 1:20
y <- 2*x + 5 + rnorm(20)
dados <- data.frame(x,y)
dados$y[c(7,11)] <- dados$y[c(7,11)] + 15
# modelo inicial e
Agradeço a todos as opiniões emitidas assim como a coragem de as emitir.
(se calar em assuntois polêmicos é sempre mais fácil).
No meu ponto de vista a discussão foi no mínimo salutar!
Quanto ao ensino de regressão, dado ao público de graduação
(Agronomia), inicio a parte conceitual com a
Na minha humilde opinião, regressão linear simples remete à f(x) =
b_0+b_1*x. Todo preditor linear com mais termos do que esse do lado direito
seria regressão linear múltipla. Um caso particular é quando os termos a
mais são potências naturais da mesma variável x, ou seja, o polinômio {x⁰,
x¹, x²,
Na Universidade Federal de Viçosa - UFV (onde iniciei meus sentimentos
de amor e ódio pela estatística) o pensamento predominante (na verdade
consensual) era considerar os modelos polinomiais como um caso
particular das múltiplas. Assim como o Walmes o fez.
Em minha dissertação de mestrado
Prezado Faria,
Essas discussões são bem úteis. Eu acredito que repensar o simples é muito
útil, ou melhor, repensar aquilo que é considerado trivial é muito útil.
Existe ainda muito equívoco nesses conceitos fundamentais.
Bem, seja y a resposta e x a explicativa. Do meu ponto de vista, o fato da
Boa tarde, José.
Eu concordo com o Walmes. Regressão linear *simples *me remete ao ajuste de
reta. E apenas nesse caso específico o coeficiente de determinação é o
quadrado do coeficiente de correlação. Portanto, acho que o coeficiente de
determinação deva ser escrito R², sempre.
Já quanto a
Para mim é claro e evidente que a diferença entre uma regressão linear
simples e uma múltipla é o número de variáveis preditoras (ou
independentes) indiferentemente do grau do polinômio.
Vejamos a seguinte situação:
Y = a + bX
Y = a + bX + cZ
O que os diferencia?
- Ambos são polinômios do
Existe ainda muito equívoco nesses conceitos fundamentais.
Ja vi considerarem 'regressao multipla' como 'regressao multivariada'...
___
R-br mailing list
R-br@listas.c3sl.ufpr.br
https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
Leia o guia de
Se seus alunos tiverem bom conhecimento de álgebra linear, pode ser mais
fácil entrar direto na múltipla. Enfim é uma questão didática.
Plenamente de acordo. O metodo dos minimos quadrados tem quase 220 anos.
GLM como familia mais de 30 anos. Li num livro de matematica que
atualmente nao faz
No livro de Zuur, Ieno e Smith 'Analizing ecological data' no capitulo 5
esta tudo bem explicado sobre a regresssão linear, sua aplicação, analises
de residuos e selecção do modelo, acho que ate agora não encontrei nada
melhor, e melhor ainda, os scripts de todo o livro estão disponiveis online
no
Mas como posso analisar os resultados de uma regressão a partir do test T ?
Tipo se as variaveis da regressão tem alguma correlação positiva ou
negativa, ou não há nenhuma correlação...
Agradeço, mais uma vez a ajuda.
Em 22 de novembro de 2012 00:06, tiago souza marçal
no livro aparece o teste T, acho que deves revisar esta referencia, vai te
ajudar muito!
2012/11/22 Narede Golaco naredegol...@hotmail.com
Mas como posso analisar os resultados de uma regressão a partir do test T
? Tipo se as variaveis da regressão tem alguma correlação positiva ou
negativa,
a função regressao linear é y=c+betaX+erro
estou fazendo a seguinte função library(LearnBayes)
dist-lm(y~x)
summary(dist)
#Simular a distribuição posteriori beta e sigma2
#1.Matriz X
x-cbind(1,x)
dist2-blinreg(y, x, 5000)
apply(dist2$beta,2,mean)
apply(dist2$beta,2,sd)
podem me dizer como
Voce precisa inspecionar o objeto que contem os resultados para ver como
utilizá-lo
aqui vai uma sugestão:
str(dist2)
names(dist2)
dim(dist2$beta)
par(mfrow=c(1,3))
with(dist2, {
hist(beta[,1], prob=T); lines(density(beta[,1]))
hist(beta[,2], prob=T); lines(density(beta[,2]))
Bernardo,
As notas de aulas neste site podem ajudar bastante.
http://faculty.agecon.vt.edu/moeltner/AAEC5126.html
Att
Em 17 de junho de 2012 19:26, Bernardo Rodrigues
rodriguesbernard...@gmail.com escreveu:
Alguem me pode ajudar como é que se determina distribuições posteriori da
regressão
21 matches
Mail list logo