Visualizando o ajuste do modelo

Introdução à Regressão em R

Richie Cotton

Data Evangelist at DataCamp

Propriedades desejadas dos resíduos

Resíduos seguem distribuição normal
A média dos resíduos é zero

Bream e perca novamente

Bream: o "bom" modelo

mdl_bream <- lm(mass_g ~ length_cm, data = bream)

Dispersão de massas vs. comprimentos de bream, com linha de tendência, já mostrada antes.

Perca: o "mau" modelo

mdl_perch <- lm(mass_g ~ length_cm, data = perch)

Dispersão de massas vs. comprimentos de perca, com linha de tendência, já mostrada antes.

Resíduos vs. ajustados

Bream

Dispersão dos resíduos do modelo de bream vs. valores ajustados, com linha LOESS. A linha fica próxima ao eixo x.

Perca

Dispersão dos resíduos do modelo de perca vs. valores ajustados, com linha LOESS. A tendência forma um V.

Gráfico Q-Q

Bream

Gráfico Q-Q dos resíduos padronizados do modelo de bream vs. quantis teóricos. Os pontos seguem de perto a linha de igualdade, exceto dois outliers.

Perca

Gráfico Q-Q dos resíduos padronizados do modelo de perca vs. quantis teóricos. Os pontos não seguem bem a linha de igualdade, principalmente no lado direito.

Scale-location

Dispersão dos resíduos padronizados (raiz) do modelo de bream vs. valores ajustados, com linha LOESS. A tendência sobe levemente conforme os ajustados aumentam.

Dispersão dos resíduos padronizados (raiz) do modelo de perca vs. valores ajustados, com linha LOESS. A tendência sobe e desce várias vezes conforme os ajustados aumentam.

autoplot()

library(ggplot2)
library(ggfortify)

autoplot(model_object, which = ???)

Valores para which

1 resíduos vs. ajustados
2 gráfico Q-Q
3 scale-location

autoplot() com o modelo de perca

autoplot(
  mdl_perch, 
  which = 1:3, 
  nrow = 3, 
  ncol = 1
)

Os três gráficos de diagnóstico do modelo de perca em um único gráfico com três painéis.

"Autoplots, ao ataque!" — Plotimus Prime

Introdução à Regressão em R