Regressão Linear

Página 388 do livro The R Book.

vamos começar com um exemplo que mostra o crescimento de lagartas alimentadas com dietas experimentais diferentes no conteúdo de taninos.

reg.data <- read.table("regression.txt", header = T)
attach(reg.data)
names(reg.data)
[1] "growth" "tannin"
plot(tannin,growth,pch=16)

quanto maior a porcentagem de tanino na dieta, mais lentamente as lagartas crescem. O conteúdo de taninos aumentou 8 unidades, em resposta ao qual o crescimento diminuiu de cerca de 12 para 2 unidades, uma mudança de -10 unidades de crescimento. A inclinação, b, é a mudança em y dividida pela mudança em x, então

\[ b \approx \frac{-10}{8} = -1.25 \]

O intercept, a, é o valor de y quando x=0, vemos pela inspeção do gráfico de dispersão que o crescimento foi próximo de 12 unidades quando o tanino era zero. Assim, nossas estimativas aproximadas de parâmetros nos permitem escrever a equação de regressão como \[ y \approx 12.0 - 1.25x \]

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