Introdução aos Modelos de Regressão

A análise de regressão é uma técnica estatística usada para modelar relações entre variáveis. Ela ajuda a prever resultados e descobrir padrões nos dados.

Compreensão da Regressão Linear

A regressão linear modela a relação entre uma variável dependente e uma variável independente usando uma linha reta.

model <- lm(mpg ~ hp, data=mtcars)
summary(model)

Visualização de Linhas de Regressão

Use abline() para adicionar uma linha de regressão a um gráfico de dispersão.

plot(mtcars$hp, mtcars$mpg)
abline(model, col='red')

Regressão Linear Múltipla

A regressão múltipla inclui mais de uma variável independente para explicar a variação da variável dependente.

model_multi <- lm(mpg ~ hp + wt, data=mtcars)
summary(model_multi)

Verificação do Ajuste do Modelo

Use summary() para avaliar a qualidade do modelo de regressão, incluindo o R-quadrado e os valores de p.

summary(model_multi)

Realização de Regressão Logística

A regressão logística modela resultados categóricos binários (por exemplo, sucesso versus fracasso).

data(mtcars)
mtcars$am <- as.factor(mtcars$am)
model_logit <- glm(am ~ hp + wt, data=mtcars, family='binomial')
summary(model_logit)

Previsão de Novos Valores

Use predict() para gerar previsões a partir de um modelo de regressão treinado.

predict(model_multi, newdata=data.frame(hp=120, wt=3))

Avaliação dos Pressupostos do Modelo

Os modelos de regressão pressupõem normalidade, homocedasticidade e independência dos erros. Verifique os gráficos de resíduos para avaliar a validade.

plot(model_multi$residuals)

Resumo

Nesta lição, você aprendeu:

• Como realizar regressões lineares e múltiplas.
• Como avaliar o desempenho de um modelo de regressão.
• Como prever novos valores usando modelos de regressão.