1 Modelo de Geração de Viagens Compulsórias ao Longo do Dia
library(xlsx)
library(dplyr)
library(DT)
dados1 = read.xlsx2("Dados.xls", sheetIndex = 2, colClasses=NA)
sexo = unique(dados1$Sexo)
domicilios = unique(dados1$Código.do.domicílio)
unique(dados1$Motivo.da.viagem)## [1] 9 1 2 3 7 4 8 5 61.1 Realiza a transformação de dados:
- Número de viagens com motivo estudo no domicílio
- Número de viagens com motivo trabalho no domicílio
- Número de viagens compulsórias no domicílio
- Número de analfabetos no domicílio
- Número de pessoas com escolarida até 1º grau no domicílio
- Número de pessoas com escolarida até 2º grau no domicílio
- Número de pessoas com escolarida até 3º grau no domicílio
- Número de pessoas com escolarida até 4º grau no domicílio
- Atividade principal do responsável pelo domicílio
- Escolaridade do responsável pelo domicílio
- Sexo do responsável pelo domicílio
- Número de pessoas do sexo feminino no domicílio
- Número de pessoas do sexo masculino no domicílio
- Número de estudantes no domicílio
- Número de trabalhadores no domicílio
dados1$ratio = 0
dados1$ratio2 = 0
dados1$estudantes = 0
dados1$Nestudantes = 0
for (domicilio in domicilios) {
temp = dados1[dados1$Código.do.domicílio == domicilio,]
situacaoamiliarUm = temp[temp$Situação.familiar.da.pessoa ==1, ]
situacaoamiliarUm = situacaoamiliarUm[1,]
trabalho = temp[temp$Motivo.da.viagem ==2, c("Motivo.da.viagem")]
educacao = temp[temp$Motivo.da.viagem ==3, c("Motivo.da.viagem")]
rows = unique(temp$Código.do.domicílio)
temp = temp[!duplicated(temp$Pessoa), ]
Analfabetos = temp[temp$Grau.de.instrução ==1, c("Grau.de.instrução")]
PrimeiroGrau = temp[temp$Grau.de.instrução ==2 | temp$Grau.de.instrução ==3 | temp$Grau.de.instrução ==4, c("Grau.de.instrução")]
SegudoGrau = temp[temp$Grau.de.instrução ==5 | temp$Grau.de.instrução ==6, c("Grau.de.instrução")]
TerceiroGrau = temp[temp$Grau.de.instrução ==7 | temp$Grau.de.instrução ==8, c("Grau.de.instrução")]
QuartoGrau = temp[temp$Grau.de.instrução ==9 | temp$Grau.de.instrução ==10, c("Grau.de.instrução")]
temp1 = temp %>% group_by(Pessoa, Sexo)
dados1[dados1$Código.do.domicílio == domicilio, c("trabalho")] = length(trabalho)
dados1[dados1$Código.do.domicílio == domicilio, c("educacao")] = length(educacao)
dados1[dados1$Código.do.domicílio == domicilio, c("compulsorias")] = length(educacao) + length(trabalho)
dados1[dados1$Código.do.domicílio == domicilio, c("Analfabetos")] = length(Analfabetos)
dados1[dados1$Código.do.domicílio == domicilio, c("PrimeiroGrau")] = length(PrimeiroGrau)
dados1[dados1$Código.do.domicílio == domicilio, c("SegudoGrau")] = length(SegudoGrau)
dados1[dados1$Código.do.domicílio == domicilio, c("TerceiroGrau")] = length(TerceiroGrau)
dados1[dados1$Código.do.domicílio == domicilio, c("QuartoGrau")] = length(QuartoGrau)
dados1[dados1$Código.do.domicílio == domicilio, c("atividadeResponsável")] = ifelse(!is.na(situacaoamiliarUm$Situação.familiar.da.pessoa), situacaoamiliarUm$Atividade.principal, 0)
dados1[dados1$Código.do.domicílio == domicilio, c("escolaridadeResponsável")] = ifelse(!is.na(situacaoamiliarUm$Situação.familiar.da.pessoa), situacaoamiliarUm$Grau.de.instrução, 0)
dados1[dados1$Código.do.domicílio == domicilio, c("sexoResponsável")] = ifelse(!is.na(situacaoamiliarUm$Situação.familiar.da.pessoa), situacaoamiliarUm$Sexo, 0)
dados1[dados1$Código.do.domicílio == domicilio, c("ratio")] = (tryCatch(sum(temp1[temp1$Sexo==1,c("Sexo")]), error = function(e) 0))
dados1[dados1$Código.do.domicílio == domicilio, c("ratio2")] = length(temp1$Sexo) - (tryCatch(sum(temp1[temp1$Sexo==1,c("Sexo")]), error = function(e) 0))
temp2 = temp %>% group_by(Pessoa)
dados1[dados1$Código.do.domicílio == domicilio, c("estudantes")] = tryCatch(dim(temp2[temp2$Estuda.atualmente!=1,c("Estuda.atualmente")])[1], error = function(e) 0)
dados1[dados1$Código.do.domicílio == domicilio, c("Nestudantes")] = tryCatch(dim(temp2[temp2$Estuda.atualmente==1,c("Estuda.atualmente")])[1], error = function(e) 0)
dados1[dados1$Código.do.domicílio == domicilio, c("Trabalhadores")] = tryCatch(dim(temp2[temp2$Atividade.principal ==2 | temp2$Atividade.principal ==3 | temp2$Atividade.principal ==4 | temp2$Atividade.principal ==5 | temp2$Atividade.principal ==6,])[1], error = function(e) 0)
}1.2 Faz o resumo dos dados
glimpse(dados1)## Rows: 21,378
## Columns: 46
## $ Código.do.domicílio <dbl> 135, 135, 141, 141, 141, 141, ...
## $ Zona.de.Tráfego.do.domicílio <dbl> 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, ...
## $ Endereço.do.domicílio..CDL. <fct> 7877053, 7877053, 7877053, 787...
## $ Número.do.domicílio <fct> 257, 257, 111, 111, 111, 111, ...
## $ Tipo.de.moradia <dbl> 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, ...
## $ Nro.de.pessoas.no.domicílio <dbl> 1, 1, 3, 3, 3, 3, 3, 3, 3, 3, ...
## $ Consumo.energia.elétrica.em.kW <dbl> 0, 0, 229, 229, 229, 229, 229,...
## $ Consumo.energia.elétrica.em.R. <dbl> 25, 25, 0, 0, 0, 0, 0, 0, 0, 0...
## $ Nro.de.automóveis <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ...
## $ Nro.de.motos <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ...
## $ Fator.de.expansão.para.domicílios <dbl> 25.530, 25.530, 34.962, 34.962...
## $ Pessoa <dbl> 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, ...
## $ Situação.familiar.da.pessoa <dbl> 1, 1, 1, 1, 1, 1, 6, 6, 6, 6, ...
## $ Idade <dbl> 73, 73, 32, 32, 32, 32, 32, 32...
## $ Sexo <dbl> 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, ...
## $ Estuda.atualmente <dbl> 1, 1, 6, 6, 6, 6, 1, 1, 1, 1, ...
## $ Grau.de.instrução <dbl> 8, 8, 7, 7, 7, 7, 6, 6, 6, 6, ...
## $ Atividade.principal <dbl> 7, 7, 1, 1, 1, 1, 1, 1, 1, 1, ...
## $ Rendimento.líquido.mensal <dbl> 2000, 2000, 600, 600, 600, 600...
## $ Nro.da.viagem <dbl> 1, 2, 1, 2, 3, 4, 1, 2, 3, 4, ...
## $ Motivo.da.viagem <dbl> 9, 1, 2, 1, 3, 1, 2, 1, 2, 1, ...
## $ Horario.de.saída <dtt<GMT>> 1899-12-30 08:30:00, 1899...
## $ Endereço.da.origem.da.viagem..CDL. <fct> 7877053, 8280034, 7877053, 787...
## $ Nro.da.origem.da.viagem <fct> 257, , 111, 1111, 111, , 111, ...
## $ Endereço.de.destino.da.viagem..CDL. <fct> 8280034, 7877053, 7874233, 787...
## $ Nro.do.destino.da.viagem <fct> , 257, 1111, 111, , 111, 333, ...
## $ Zona.de.Tráfego.de.origem <dbl> 4, 73, 4, 36, 4, 4304606, 4, 4...
## $ Zona.de.Tráfego.de.destino <dbl> 73, 4, 36, 4, 4304606, 4, 4, 4...
## $ Modo.utilizado.na.viagem <dbl> 3, 3, 3, 3, 3, 3, 1, 1, 1, 1, ...
## $ Fator.de.expansão.para.deslocamentos <dbl> 22.77250, 22.77250, 34.10893, ...
## $ ratio <dbl> 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, ...
## $ ratio2 <dbl> 0, 0, 3, 3, 3, 3, 3, 3, 3, 3, ...
## $ estudantes <dbl> 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, ...
## $ Nestudantes <dbl> 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, ...
## $ trabalho <int> 0, 0, 4, 4, 4, 4, 4, 4, 4, 4, ...
## $ educacao <int> 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, ...
## $ compulsorias <int> 0, 0, 5, 5, 5, 5, 5, 5, 5, 5, ...
## $ Analfabetos <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ...
## $ PrimeiroGrau <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ...
## $ SegudoGrau <int> 0, 0, 2, 2, 2, 2, 2, 2, 2, 2, ...
## $ TerceiroGrau <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, ...
## $ QuartoGrau <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ...
## $ atividadeResponsável <dbl> 7, 7, 1, 1, 1, 1, 1, 1, 1, 1, ...
## $ escolaridadeResponsável <dbl> 8, 8, 7, 7, 7, 7, 7, 7, 7, 7, ...
## $ sexoResponsável <dbl> 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, ...
## $ Trabalhadores <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ...1.3 Verifica o DataFrame
DT::datatable(dados1[1:200,], filter = 'top', options = list(
language = list(url = '//cdn.datatables.net/plug-ins/1.10.11/i18n/Portuguese.json'),
pageLength = 15, autoWidth = TRUE
))1.4 Realiza-se a agregação dos dados
df = dados1 %>%
group_by(Código.do.domicílio, Zona.de.Tráfego.do.domicílio) %>%
summarise(Viagens = n(), TipoMoradia = mean(Tipo.de.moradia, na.rm = TRUE), Rendimento = sum(Rendimento.líquido.mensal, na.rm = TRUE),
NFamilia = mean(Nro.de.pessoas.no.domicílio, na.rm = TRUE), Energia = mean(Consumo.energia.elétrica.em.kW, na.rm = TRUE),
Energia2 = mean(Consumo.energia.elétrica.em.R., na.rm = TRUE), Veiculos = mean(Nro.de.automóveis, na.rm = TRUE),
Motos = mean(Nro.de.motos, na.rm = TRUE), NMulheres = mean(ratio, na.rm = TRUE), NHomens = mean(ratio2, na.rm = TRUE), NEstudantes = mean(estudantes, na.rm = TRUE), NnEstudantes = mean(Nestudantes, na.rm = TRUE), educacao = mean(educacao, na.rm = TRUE), trabalho = mean(trabalho, na.rm = TRUE), compulsorias = mean(compulsorias, na.rm = TRUE), Analfabetos = mean(Analfabetos, na.rm = TRUE), PrimeiroGrau = mean(PrimeiroGrau, na.rm = TRUE), SegudoGrau = mean(SegudoGrau, na.rm = TRUE), TerceiroGrau = mean(TerceiroGrau, na.rm = TRUE), QuartoGrau = mean(QuartoGrau, na.rm = TRUE), escolaridadeResponsável = mean(escolaridadeResponsável, na.rm = TRUE), atividadeResponsável = mean(atividadeResponsável, na.rm = TRUE), sexoResponsável = mean(sexoResponsável, na.rm = TRUE), NTrabalhadores = mean(Trabalhadores, na.rm = TRUE), IdadeMediaDom = mean(Idade, na.rm = TRUE))1.5 Tabela Final dos dados
DT::datatable(df[1:200,], filter = 'top', options = list(
language = list(url = '//cdn.datatables.net/plug-ins/1.10.11/i18n/Portuguese.json'),
pageLength = 15, autoWidth = TRUE
))1.6 Semariza-se os dados
glimpse(df)## Rows: 4,169
## Columns: 27
## Groups: Código.do.domicílio [4,169]
## $ Código.do.domicílio <dbl> 135, 141, 142, 149, 151, 152, 162, 176...
## $ Zona.de.Tráfego.do.domicílio <dbl> 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4,...
## $ Viagens <int> 2, 10, 7, 3, 2, 10, 2, 14, 2, 8, 2, 3,...
## $ TipoMoradia <dbl> 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4,...
## $ Rendimento <dbl> 4000, 5300, 25000, 720, 0, 40000, 0, 1...
## $ NFamilia <dbl> 1, 3, 2, 2, 1, 4, 1, 3, 3, 2, 1, 1, 1,...
## $ Energia <dbl> 0, 229, 0, 0, 90, 0, 0, 0, 0, 220, 0, ...
## $ Energia2 <dbl> 25, 0, 50, 58, 0, 100, 80, 90, 39, 0, ...
## $ Veiculos <dbl> 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0,...
## $ Motos <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...
## $ NMulheres <dbl> 1, 0, 0, 0, 1, 2, 0, 1, 0, 1, 1, 0, 1,...
## $ NHomens <dbl> 0, 3, 2, 1, 0, 1, 1, 2, 1, 1, 0, 1, 0,...
## $ NEstudantes <dbl> 0, 1, 0, 0, 0, 0, 0, 2, 0, 0, 0, 1, 1,...
## $ NnEstudantes <dbl> 1, 2, 2, 1, 1, 3, 1, 1, 1, 2, 1, 0, 0,...
## $ educacao <dbl> 0, 1, 0, 0, 0, 1, 0, 1, 0, 0, 0, 1, 1,...
## $ trabalho <dbl> 0, 4, 0, 0, 1, 4, 0, 0, 0, 4, 1, 1, 1,...
## $ compulsorias <dbl> 0, 5, 0, 0, 1, 5, 0, 1, 0, 4, 1, 2, 2,...
## $ Analfabetos <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...
## $ PrimeiroGrau <dbl> 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0,...
## $ SegudoGrau <dbl> 0, 2, 2, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0,...
## $ TerceiroGrau <dbl> 1, 1, 0, 0, 0, 1, 1, 2, 1, 2, 1, 1, 1,...
## $ QuartoGrau <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...
## $ escolaridadeResponsável <dbl> 8, 7, 6, 5, 6, 7, 8, 7, 7, 8, 7, 7, 7,...
## $ atividadeResponsável <dbl> 7, 1, 7, 7, 1, 5, 7, 10, 7, 4, 1, 8, 1...
## $ sexoResponsável <dbl> 1, 2, 2, 2, 1, 1, 2, 2, 2, 2, 1, 2, 1,...
## $ NTrabalhadores <dbl> 0, 0, 0, 0, 0, 2, 0, 0, 0, 2, 0, 0, 0,...
## $ IdadeMediaDom <dbl> 73.00000, 31.00000, 76.42857, 65.00000...1.7 Obtém a média energia KW e R$ e o rendimento médio por morador
df$MediaEnergia = mean(df$Energia + df$Energia2)
df$MediaRendaPessoa = df$Rendimento/df$NFamilia
library(xlsx)
df2 = as.data.frame(df)
write.xlsx2(x = df2, file = "edom_poa.xlsx", sheetName = "ConsolidadaDia")
rm(df2)1.8 Procede-se com a regressão de todos valores
temp = df
temp$Código.do.domicílio = NULL;
model <- lm(compulsorias ~ ., data = temp)
summary(model)##
## Call:
## lm(formula = compulsorias ~ ., data = temp)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.879e-13 -3.400e-16 1.000e-17 3.200e-16 4.325e-13
##
## Coefficients: (2 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 9.502e-15 8.588e-16 1.106e+01 < 2e-16 ***
## Zona.de.Tráfego.do.domicílio 1.213e-17 6.029e-18 2.012e+00 0.04427 *
## Viagens -3.836e-16 7.585e-17 -5.057e+00 4.44e-07 ***
## TipoMoradia -5.651e-16 1.337e-16 -4.226e+00 2.43e-05 ***
## Rendimento -9.733e-20 4.620e-20 -2.107e+00 0.03520 *
## NFamilia -1.318e-15 1.780e-16 -7.409e+00 1.54e-13 ***
## Energia 2.326e-18 1.745e-18 1.333e+00 0.18258
## Energia2 2.488e-18 2.548e-18 9.760e-01 0.32891
## Veiculos -6.508e-16 2.049e-16 -3.175e+00 0.00151 **
## Motos -1.635e-15 6.833e-16 -2.393e+00 0.01674 *
## NMulheres -2.069e-16 7.587e-15 -2.700e-02 0.97825
## NHomens -3.750e-16 7.591e-15 -4.900e-02 0.96060
## NEstudantes 2.634e-15 2.963e-16 8.889e+00 < 2e-16 ***
## NnEstudantes NA NA NA NA
## educacao 1.000e+00 2.812e-16 3.556e+15 < 2e-16 ***
## trabalho 1.000e+00 1.573e-16 6.356e+15 < 2e-16 ***
## Analfabetos -3.426e-16 7.635e-15 -4.500e-02 0.96421
## PrimeiroGrau -4.177e-16 7.584e-15 -5.500e-02 0.95608
## SegudoGrau -4.274e-16 7.584e-15 -5.600e-02 0.95507
## TerceiroGrau -3.592e-16 7.587e-15 -4.700e-02 0.96224
## QuartoGrau -3.439e-16 7.605e-15 -4.500e-02 0.96394
## escolaridadeResponsável 6.671e-17 7.639e-17 8.730e-01 0.38255
## atividadeResponsável -4.180e-17 5.130e-17 -8.150e-01 0.41527
## sexoResponsável -2.863e-16 3.049e-16 -9.390e-01 0.34767
## NTrabalhadores -9.509e-18 1.975e-16 -4.800e-02 0.96160
## IdadeMediaDom 2.764e-17 9.724e-18 2.842e+00 0.00450 **
## MediaEnergia NA NA NA NA
## MediaRendaPessoa 2.581e-19 1.090e-19 2.367e+00 0.01797 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 7.542e-15 on 4143 degrees of freedom
## Multiple R-squared: 1, Adjusted R-squared: 1
## F-statistic: 6.603e+30 on 25 and 4143 DF, p-value: < 2.2e-161.9 Viagens Total
1.9.0.1 Variáveis: Zona.de.Tráfego.do.domicílio + TipoMoradia + Rendimento + NFamilia + Veiculos + Motos + Energia+ Zona.de.Tráfego.do.domicílio + NMulheres + NHomens + NEstudantes + NnEstudantes
model <- lm(Viagens ~ Zona.de.Tráfego.do.domicílio + TipoMoradia + Rendimento + NFamilia + Veiculos + Motos + Energia+ Zona.de.Tráfego.do.domicílio + NMulheres + NHomens + NEstudantes + NnEstudantes, data = df)
summary(model)#ok##
## Call:
## lm(formula = Viagens ~ Zona.de.Tráfego.do.domicílio + TipoMoradia +
## Rendimento + NFamilia + Veiculos + Motos + Energia + Zona.de.Tráfego.do.domicílio +
## NMulheres + NHomens + NEstudantes + NnEstudantes, data = df)
##
## Residuals:
## Min 1Q Median 3Q Max
## -6.6222 -0.8675 -0.3459 0.5954 16.3825
##
## Coefficients: (1 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.575e-01 1.436e-01 -1.097 0.27284
## Zona.de.Tráfego.do.domicílio -2.998e-03 1.311e-03 -2.286 0.02230 *
## TipoMoradia 8.007e-02 2.942e-02 2.722 0.00652 **
## Rendimento 9.685e-05 4.770e-06 20.304 < 2e-16 ***
## NFamilia -1.327e-01 3.379e-02 -3.928 8.71e-05 ***
## Veiculos 2.583e-01 4.101e-02 6.297 3.35e-10 ***
## Motos 8.305e-02 1.514e-01 0.548 0.58340
## Energia 4.733e-04 3.668e-04 1.290 0.19700
## NMulheres 2.342e+00 5.083e-02 46.072 < 2e-16 ***
## NHomens 2.325e+00 4.804e-02 48.394 < 2e-16 ***
## NEstudantes 4.652e-01 4.090e-02 11.374 < 2e-16 ***
## NnEstudantes NA NA NA NA
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.68 on 4158 degrees of freedom
## Multiple R-squared: 0.7396, Adjusted R-squared: 0.7389
## F-statistic: 1181 on 10 and 4158 DF, p-value: < 2.2e-161.9.0.2 Variáveis: Zona.de.Tráfego.do.domicílio + TipoMoradia + Rendimento + NFamilia + Veiculos + Motos + Energia+ Zona.de.Tráfego.do.domicílio + NMulheres + NHomens + NEstudantes + NnEstudantes + Analfabetos + PrimeiroGrau + SegudoGrau + TerceiroGrau + QuartoGrau + escolaridadeResponsável + sexoResponsável + atividadeResponsável
model <- lm(Viagens ~ Zona.de.Tráfego.do.domicílio + TipoMoradia + Rendimento + NFamilia + Veiculos + Motos + Energia+ Zona.de.Tráfego.do.domicílio + NMulheres + NHomens + NEstudantes + NnEstudantes + Analfabetos + PrimeiroGrau + SegudoGrau + TerceiroGrau + QuartoGrau + escolaridadeResponsável + sexoResponsável + atividadeResponsável, data = df)
summary(model)#ok##
## Call:
## lm(formula = Viagens ~ Zona.de.Tráfego.do.domicílio + TipoMoradia +
## Rendimento + NFamilia + Veiculos + Motos + Energia + Zona.de.Tráfego.do.domicílio +
## NMulheres + NHomens + NEstudantes + NnEstudantes + Analfabetos +
## PrimeiroGrau + SegudoGrau + TerceiroGrau + QuartoGrau + escolaridadeResponsável +
## sexoResponsável + atividadeResponsável, data = df)
##
## Residuals:
## Min 1Q Median 3Q Max
## -6.6630 -0.8811 -0.3580 0.5826 16.3932
##
## Coefficients: (1 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -2.867e-01 1.636e-01 -1.752 0.07981 .
## Zona.de.Tráfego.do.domicílio -2.290e-03 1.339e-03 -1.710 0.08740 .
## TipoMoradia 8.049e-02 2.958e-02 2.721 0.00654 **
## Rendimento 9.441e-05 4.799e-06 19.675 < 2e-16 ***
## NFamilia -9.804e-02 3.844e-02 -2.551 0.01079 *
## Veiculos 2.015e-01 4.449e-02 4.529 6.11e-06 ***
## Motos 8.631e-02 1.516e-01 0.569 0.56907
## Energia 4.019e-04 3.670e-04 1.095 0.27362
## NMulheres 4.749e+00 1.684e+00 2.820 0.00482 **
## NHomens 4.738e+00 1.685e+00 2.811 0.00496 **
## NEstudantes 4.234e-01 4.287e-02 9.876 < 2e-16 ***
## NnEstudantes NA NA NA NA
## Analfabetos -2.346e+00 1.696e+00 -1.383 0.16665
## PrimeiroGrau -2.404e+00 1.685e+00 -1.427 0.15372
## SegudoGrau -2.493e+00 1.685e+00 -1.479 0.13912
## TerceiroGrau -2.352e+00 1.686e+00 -1.395 0.16300
## QuartoGrau -2.224e+00 1.690e+00 -1.316 0.18815
## escolaridadeResponsável 1.588e-02 1.681e-02 0.945 0.34476
## sexoResponsável -3.390e-03 6.711e-02 -0.051 0.95971
## atividadeResponsável 1.852e-03 1.010e-02 0.183 0.85456
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.678 on 4150 degrees of freedom
## Multiple R-squared: 0.741, Adjusted R-squared: 0.7398
## F-statistic: 659.5 on 18 and 4150 DF, p-value: < 2.2e-161.9.0.3 Variáveis: Zona.de.Tráfego.do.domicílio + TipoMoradia + Rendimento + NFamilia + Veiculos + Motos + Energia+ Zona.de.Tráfego.do.domicílio + NMulheres + NHomens + NEstudantes + NnEstudantes + Analfabetos + PrimeiroGrau + SegudoGrau + TerceiroGrau + QuartoGrau
model <- lm(Viagens ~ Zona.de.Tráfego.do.domicílio + TipoMoradia + Rendimento + NFamilia + Veiculos + Motos + Energia+ Zona.de.Tráfego.do.domicílio + NMulheres + NHomens + NEstudantes + NnEstudantes + Analfabetos + PrimeiroGrau + SegudoGrau + TerceiroGrau + QuartoGrau, data = df)
summary(model)#ok##
## Call:
## lm(formula = Viagens ~ Zona.de.Tráfego.do.domicílio + TipoMoradia +
## Rendimento + NFamilia + Veiculos + Motos + Energia + Zona.de.Tráfego.do.domicílio +
## NMulheres + NHomens + NEstudantes + NnEstudantes + Analfabetos +
## PrimeiroGrau + SegudoGrau + TerceiroGrau + QuartoGrau, data = df)
##
## Residuals:
## Min 1Q Median 3Q Max
## -6.7218 -0.8800 -0.3613 0.5799 16.4045
##
## Coefficients: (1 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.986e-01 1.438e-01 -1.380 0.167533
## Zona.de.Tráfego.do.domicílio -2.401e-03 1.335e-03 -1.798 0.072250 .
## TipoMoradia 8.100e-02 2.949e-02 2.747 0.006048 **
## Rendimento 9.483e-05 4.786e-06 19.815 < 2e-16 ***
## NFamilia -1.184e-01 3.418e-02 -3.463 0.000541 ***
## Veiculos 2.047e-01 4.406e-02 4.647 3.48e-06 ***
## Motos 8.168e-02 1.514e-01 0.540 0.589465
## Energia 3.928e-04 3.669e-04 1.071 0.284357
## NMulheres 4.788e+00 1.682e+00 2.847 0.004436 **
## NHomens 4.767e+00 1.682e+00 2.834 0.004622 **
## NEstudantes 4.197e-01 4.268e-02 9.835 < 2e-16 ***
## NnEstudantes NA NA NA NA
## Analfabetos -2.376e+00 1.694e+00 -1.403 0.160756
## PrimeiroGrau -2.423e+00 1.683e+00 -1.440 0.150010
## SegudoGrau -2.502e+00 1.683e+00 -1.487 0.137083
## TerceiroGrau -2.349e+00 1.683e+00 -1.396 0.162860
## QuartoGrau -2.207e+00 1.687e+00 -1.308 0.190819
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.677 on 4153 degrees of freedom
## Multiple R-squared: 0.7409, Adjusted R-squared: 0.7399
## F-statistic: 791.5 on 15 and 4153 DF, p-value: < 2.2e-161.10 Viagens Compulsórias
- Tamanho da família
- Número de Veículos
- Número de mulheres
- Número de homens
- Número de estudantes
- Número de não estudantes
- Número de trabalhadores
- Número de Analfabetos
- Número de pessoam com até 1º grau
- Número de pessoam com até 2º grau
- Número de pessoam com até 3º grau
- Número de pessoam com até 4º grau
- Sexo do responsável pelo domicílio
- Atividade principal do responsável
- Idade média do domicílio
model <- lm(compulsorias ~ + NEstudantes +
Analfabetos + PrimeiroGrau + SegudoGrau + TerceiroGrau + QuartoGrau + sexoResponsável + atividadeResponsável + NTrabalhadores + IdadeMediaDom, data = df)
summary(model)##
## Call:
## lm(formula = compulsorias ~ +NEstudantes + Analfabetos + PrimeiroGrau +
## SegudoGrau + TerceiroGrau + QuartoGrau + sexoResponsável +
## atividadeResponsável + NTrabalhadores + IdadeMediaDom, data = df)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.7097 -0.4797 -0.0191 0.4056 7.5646
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.461689 0.058137 7.941 2.55e-15 ***
## NEstudantes 0.446491 0.025033 17.836 < 2e-16 ***
## Analfabetos 0.194598 0.106581 1.826 0.0679 .
## PrimeiroGrau 0.512305 0.024574 20.848 < 2e-16 ***
## SegudoGrau 0.612589 0.020456 29.947 < 2e-16 ***
## TerceiroGrau 0.754228 0.023759 31.745 < 2e-16 ***
## QuartoGrau 0.855960 0.064087 13.356 < 2e-16 ***
## sexoResponsável 0.161134 0.024165 6.668 2.93e-11 ***
## atividadeResponsável -0.077553 0.005596 -13.859 < 2e-16 ***
## NTrabalhadores 0.350351 0.021774 16.090 < 2e-16 ***
## IdadeMediaDom -0.012095 0.001094 -11.055 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8828 on 4158 degrees of freedom
## Multiple R-squared: 0.6548, Adjusted R-squared: 0.654
## F-statistic: 788.7 on 10 and 4158 DF, p-value: < 2.2e-16anova(model)plot(fitted(model), residuals(model), xlab="Valores Ajustados", ylab="Resíduos")
abline(h=0)
plot(df$NTrabalhadores, residuals(model), xlab="N Trabalhadores", ylab="Resíduos")
abline(h=0)
plot(df$NEstudantes, residuals(model), xlab="N Estudantes", ylab="Resíduos")
abline(h=0)
plot(df$NHomens, residuals(model), xlab="N Homens", ylab="Resíduos")
abline(h=0)
plot(df$NMulheres, residuals(model), xlab="N MUlheres", ylab="Resíduos")
abline(h=0)
1.10.0.1 Variáveis: Zona.de.Tráfego.do.domicílio + TipoMoradia + MediaRendaPessoa + + Rendimento + NFamilia + Veiculos + Motos + Energia+ Zona.de.Tráfego.do.domicílio + NMulheres + NHomens + NEstudantes + NnEstudantes + Analfabetos + PrimeiroGrau + SegudoGrau + TerceiroGrau + QuartoGrau
model <- lm(compulsorias ~ Zona.de.Tráfego.do.domicílio + TipoMoradia + MediaRendaPessoa + + Rendimento + NFamilia + Veiculos + Motos + Energia+ Zona.de.Tráfego.do.domicílio + NMulheres + NHomens + NEstudantes + NnEstudantes +
Analfabetos + PrimeiroGrau + SegudoGrau + TerceiroGrau + QuartoGrau, data = df)
summary(model)#ok##
## Call:
## lm(formula = compulsorias ~ Zona.de.Tráfego.do.domicílio + TipoMoradia +
## MediaRendaPessoa + +Rendimento + NFamilia + Veiculos + Motos +
## Energia + Zona.de.Tráfego.do.domicílio + NMulheres + NHomens +
## NEstudantes + NnEstudantes + Analfabetos + PrimeiroGrau +
## SegudoGrau + TerceiroGrau + QuartoGrau, data = df)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.4933 -0.5733 -0.0565 0.5302 7.8041
##
## Coefficients: (1 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -2.708e-01 8.306e-02 -3.261 0.00112 **
## Zona.de.Tráfego.do.domicílio -3.327e-04 7.598e-04 -0.438 0.66149
## TipoMoradia 1.293e-02 1.678e-02 0.771 0.44080
## MediaRendaPessoa 5.034e-06 1.374e-05 0.366 0.71418
## Rendimento 2.390e-05 5.750e-06 4.156 3.3e-05 ***
## NFamilia 6.502e-02 1.994e-02 3.261 0.00112 **
## Veiculos 2.646e-02 2.507e-02 1.055 0.29135
## Motos 2.442e-01 8.611e-02 2.836 0.00460 **
## Energia -1.654e-04 2.087e-04 -0.792 0.42827
## NMulheres 2.619e+00 9.567e-01 2.737 0.00622 **
## NHomens 2.532e+00 9.570e-01 2.646 0.00818 **
## NEstudantes 5.417e-01 2.428e-02 22.310 < 2e-16 ***
## NnEstudantes NA NA NA NA
## Analfabetos -2.320e+00 9.636e-01 -2.408 0.01609 *
## PrimeiroGrau -2.093e+00 9.572e-01 -2.187 0.02883 *
## SegudoGrau -1.947e+00 9.572e-01 -2.034 0.04205 *
## TerceiroGrau -1.813e+00 9.576e-01 -1.893 0.05839 .
## QuartoGrau -1.596e+00 9.596e-01 -1.663 0.09644 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9541 on 4152 degrees of freedom
## Multiple R-squared: 0.5974, Adjusted R-squared: 0.5958
## F-statistic: 385 on 16 and 4152 DF, p-value: < 2.2e-16#### Variáveis: TipoMoradia + MediaRendaPessoa + + Rendimento + NFamilia + Veiculos + Motos + Energia+ Zona.de.Tráfego.do.domicílio + NMulheres + NHomens + NEstudantes + NnEstudantes
model <- lm(compulsorias ~ Zona.de.Tráfego.do.domicílio + TipoMoradia + MediaRendaPessoa + + Rendimento + NFamilia + Veiculos + Motos + Energia+ Zona.de.Tráfego.do.domicílio + NMulheres + NHomens + NEstudantes + NnEstudantes, data = df)
summary(model)#ok##
## Call:
## lm(formula = compulsorias ~ Zona.de.Tráfego.do.domicílio + TipoMoradia +
## MediaRendaPessoa + +Rendimento + NFamilia + Veiculos + Motos +
## Energia + Zona.de.Tráfego.do.domicílio + NMulheres + NHomens +
## NEstudantes + NnEstudantes, data = df)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.1709 -0.5895 -0.0634 0.5390 8.2290
##
## Coefficients: (1 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.963e-01 8.428e-02 -2.329 0.01993 *
## Zona.de.Tráfego.do.domicílio -2.153e-03 7.584e-04 -2.838 0.00456 **
## TipoMoradia 2.420e-02 1.701e-02 1.423 0.15487
## MediaRendaPessoa -1.274e-06 1.398e-05 -0.091 0.92740
## Rendimento 2.876e-05 5.835e-06 4.928 8.63e-07 ***
## NFamilia 2.613e-02 2.002e-02 1.305 0.19190
## Veiculos 1.323e-01 2.371e-02 5.578 2.59e-08 ***
## Motos 2.528e-01 8.756e-02 2.887 0.00391 **
## Energia -8.866e-05 2.121e-04 -0.418 0.67598
## NMulheres 6.786e-01 2.940e-02 23.079 < 2e-16 ***
## NHomens 5.886e-01 2.780e-02 21.173 < 2e-16 ***
## NEstudantes 5.647e-01 2.365e-02 23.879 < 2e-16 ***
## NnEstudantes NA NA NA NA
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9717 on 4157 degrees of freedom
## Multiple R-squared: 0.5819, Adjusted R-squared: 0.5808
## F-statistic: 526 on 11 and 4157 DF, p-value: < 2.2e-161.10.0.2 Variáveis: TipoMoradia + NFamilia + Veiculos + Motos + Energia+ Zona.de.Tráfego.do.domicílio + NMulheres + NHomens + NEstudantes + NnEstudantes
model <- lm(compulsorias ~ TipoMoradia + NFamilia + Veiculos + Motos + Energia+ Zona.de.Tráfego.do.domicílio + NMulheres + NHomens + NEstudantes + NnEstudantes, data = df)
summary(model)##
## Call:
## lm(formula = compulsorias ~ TipoMoradia + NFamilia + Veiculos +
## Motos + Energia + Zona.de.Tráfego.do.domicílio + NMulheres +
## NHomens + NEstudantes + NnEstudantes, data = df)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.3262 -0.5882 -0.0598 0.5486 8.1157
##
## Coefficients: (1 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.1939406 0.0840816 -2.307 0.021127 *
## TipoMoradia 0.0278584 0.0172158 1.618 0.105699
## NFamilia 0.0191811 0.0197644 0.970 0.331861
## Veiculos 0.1740945 0.0236482 7.362 2.17e-13 ***
## Motos 0.2427173 0.0886330 2.738 0.006199 **
## Energia 0.0000555 0.0002142 0.259 0.795614
## Zona.de.Tráfego.do.domicílio -0.0025437 0.0007666 -3.318 0.000914 ***
## NMulheres 0.7060983 0.0296297 23.831 < 2e-16 ***
## NHomens 0.6177526 0.0279735 22.084 < 2e-16 ***
## NEstudantes 0.5519725 0.0239055 23.090 < 2e-16 ***
## NnEstudantes NA NA NA NA
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9837 on 4159 degrees of freedom
## Multiple R-squared: 0.5714, Adjusted R-squared: 0.5704
## F-statistic: 616 on 9 and 4159 DF, p-value: < 2.2e-16