R Project
Obtenção da reta e análise de regressão:
xxxxxxxxxxdados = data.frame( x=c( 12.43, 13.52, 14.42, 15.24, 16.06, 16.88, 17.70, 17.84, 18.76), y=c( 0.049, 0.064, 0.059, 0.051, 0.073, 0.095, 0.245, 0.222, 0.350)) #Regressão linear de "y em função de x": y~xmodelo=lm(y~x, data=dados) #Resultados do modelo de regressão linearsummary(modelo)Gráfico de dispersão já com o modelo linear:
xxxxxxxxxxdados = data.frame( x=c( 12.43, 13.52, 14.42, 15.24, 16.06, 16.88, 17.70, 17.84, 18.76), y=c( 0.049, 0.064, 0.059, 0.051, 0.073, 0.095, 0.245, 0.222, 0.350)) #Regressão linear de "y em função de x": y~xmodelo=lm(y~x, data=dados) #Diagrama de dispers?o para visualizar a possivel rela??o entre as duas variaveisplot(dados, pch=20, xlab=paste("variável x"),ylab=paste("variável y"), col="blue")abline(modelo,lty=1, lwd=3, col="red")Intervalos de confiança para os parâmetros do modelo:
xxxxxxxxxxdados = data.frame( x=c( 12.43, 13.52, 14.42, 15.24, 16.06, 16.88, 17.70, 17.84, 18.76), y=c( 0.049, 0.064, 0.059, 0.051, 0.073, 0.095, 0.245, 0.222, 0.350)) #intervalos de confian?a para os par?metros do modelo de regress?oconfint(modelo)Análise de resíduos:
xxxxxxxxxxdados = data.frame( x=c( 12.43, 13.52, 14.42, 15.24, 16.06, 16.88, 17.70, 17.84, 18.76), y=c( 0.049, 0.064, 0.059, 0.051, 0.073, 0.095, 0.245, 0.222, 0.350) ) #Regressão linear de "y em função de x": y~x modelo=lm(y~x, data=dados) #Análise de resíduos #Averiguar se os erros são normais #por exemplo, através do QQ-plot qqnorm(residuals(modelo), pch=20, main="QQ-plot: residuos") qqline(residuals(modelo), col="red", lwd=2) #Averiguar se os erros são independentes com variância constante plot(fitted(modelo), residuals(modelo),xlab = "valores preditos", ylab = "resíduos" , pch=20) abline(h=0, lty=2, lwd=1.5) lines(smooth.spline(fitted(modelo), residuals(modelo)), col="red", lwd=2) # Teste de Shapiro-Wilk shapiro = shapiro.test(residuals(modelo))