a análise de Regressão é uma ferramenta estatística amplamente utilizada para estabelecer um modelo de relacionamento entre duas variáveis. Uma destas variáveis é chamada variável predictor cujo valor é coletado através de experimentos. A outra variável é chamada variável resposta cujo valor é derivado da variável predictor.,

na regressão Linear estas duas variáveis estão relacionadas através de uma equação, onde expoente (potência) de ambas as variáveis é 1. Matematicamente uma relação linear representa uma linha reta quando plotada como um grafo. Uma relação não-linear onde o expoente de qualquer variável não é igual a 1 cria uma curva.

A matemática geral da equação de regressão linear, é −

y = ax + b

a Seguir está a descrição dos parâmetros utilizados −

• y é a variável de resposta.

• x é a variável predictor.,

• A E b são constantes que são chamados de coeficientes.

passos para estabelecer uma regressão

um exemplo simples de regressão é prever o peso de uma pessoa quando a sua altura é conhecida. Para isso precisamos ter a relação entre a altura e o peso de uma pessoa.

as etapas para criar a relação são –

• execute a experiência de recolha de uma amostra de valores observados de altura e peso correspondente.

• crie um modelo de relacionamento usando as funções lm() em R.,

• Encontre os coeficientes do modelo criado e crie a equação matemática usando estes

• obtenha um resumo do modelo de relação para conhecer o erro médio na previsão. Também chamado de resíduos.

• Para prever o peso de novas pessoas, usar a prever() função em R.

Entrada de Dados

Abaixo os dados de exemplo que representa as observações −

# Values of height151, 174, 138, 186, 128, 136, 179, 163, 152, 131# Values of weight.63, 81, 56, 91, 47, 57, 76, 72, 62, 48

lm() Função

Esta função cria o modelo de relação entre o preditor e a variável de resposta.,

a Sintaxe

A sintaxe básica para lm() função de regressão linear é −

lm(formula,data)

a Seguir está a descrição dos parâmetros utilizados −

• a fórmula é um símbolo de apresentar a relação entre x e y.

• de dados é o vetor no qual a fórmula a ser aplicada.,elationship Modelo & obter os Coeficientes

  x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)# Apply the lm() function.relation <- lm(y~x)print(relation)

  Quando executamos o código acima produz o seguinte resultado −

  Call:lm(formula = y ~ x)Coefficients:(Intercept) x -38.4551 0.6746 

  Obter o Resumo da Relação

  Quando executamos o código acima, produz o seguinte resultado −

  predict() Função

  a Sintaxe

  A sintaxe básica para prever() na regressão linear é −

  predict(object, newdata)

  a Seguir está a descrição dos parâmetros utilizados −

  • objeto é a fórmula que já é criado usando o lm() função.,

  • newdata é o vetor que contém o novo valor para a variável predictor.

  Prever o peso de novas pessoas

  Quando executamos o código acima produz o seguinte resultado −

   1 76.22869 

  Visualizar a Regressão Graficamente

  Quando executamos o código acima, produz o seguinte resultado −

  

  Anúncios