1 Definfição do modelo

Abaixo tem-se o ajuste do modelo de regressão linear simples

\[ Y = \beta_0 + \beta_1 x + \epsilon \]

para dados de distância para parada completa de um veículo em função da velocidade no instante de acionamento dos freios. Esse conjunto de dados está objeto cars.

2 Resumo dos dados

Um resumo dos dados pode ser visto na tabela abaixo:

3 Ajuste do modelo

Os parâmetros do modelo linear podem ser obtidos pela função lm(), como pode ser visto abaixo

## Ajuste do modelo
mod <- lm(dist ~ speed, data = cars)

Um resumo do ajuste do modelo pode ser visualizado abaixo

## Resumo do modelo
summary(mod)

Call:
lm(formula = dist ~ speed, data = cars)

Residuals:
    Min      1Q  Median      3Q     Max 
-29.069  -9.525  -2.272   9.215  43.201 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) -17.5791     6.7584  -2.601   0.0123 *  
speed         3.9324     0.4155   9.464 1.49e-12 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 15.38 on 48 degrees of freedom
Multiple R-squared:  0.6511,    Adjusted R-squared:  0.6438 
F-statistic: 89.57 on 1 and 48 DF,  p-value: 1.49e-12

4 Análise dos resíduos

Antes de interpretar o modelo e fazer inferência, é importante que sejam verificados os pressupostos considerados através da análise dos resíduos.

Por padrão se fizermos um plot() no modelo, temos os seguintes gráficos para avliar os resíduos:

plot(mod)

5 Predição

Assumindo que o ajuste do modelo está adequado, pode-se obter o gráfico dos valores preditos sobre o diagrama de dispersão dos valores observados.

## Intervalo de valores para predição
pred <- data.frame(speed = seq(4, 25, by = 0.5))
## Valores preditos
ypred <- predict(mod, newdata = pred, interval = "confidence")
## Inclui valores preditos no data frame
pred <- cbind(pred, ypred)

Agora podemos visualizar o modelo ajustado aos dados

## Gráfico de dispersão
plot(dist ~ speed, data = cars,
     xlab = "Velocidade ao acionar os freios",
     ylab = "Distância para parada completa")
## Intervalo de predição
with(pred,
     matlines(x = speed, y = cbind(fit, lwr, upr),
              lty = c(1, 2, 2), col = 1))

O parâmetro \(\beta_1\) desse modelo de regressão linear simples é 3.9324088.

Separe multiplas citações com ;, por exemplo (Buckland et al. 2004; Valpine 2004).

Você pode adicionar comentários arbitrários dentro do colchetes, como por exemplo (veja Durbin and Koopman 1997, 33–35; e Kitagawa 1987, cap. 1).

Remova os colchetes para criar citações no texto com Lele, Dennis, and Lutscher (2007), ou Meinhold and Singpurwalla (2016, 5).