Pacote RegLinearME918

Este pacote foi desenvolvido por Enzo Putton Tortelli de Souza, Eric Pavarim Lima, Lara Maria Herrera Drugowick e Luiz Felipe de Oliveira Barbosa Nunes, como parte das atividades realizadas na disciplina de ME918-2S-2014 (Produto de Dados) do curso de Estatística da Unicamp.

Com este pacote, fornecemos ferramentas simples para ajustes de modelos de regressão linear simples, múltipla e multivariada, realização de predições a partir desses modelos e construção de gráficos de diagnósticos. O pacote também fornece um conjunto de dados, chamado rl_dataset, que pode ser usado para ilustrar o uso das funções.

Regressão Linear

Apesar de não sermos videntes e não conseguirmos prever o futuro, fazer predições é importante para entendermos comportamentos do ambiente ao nosso redor. A regressão linear simples nos possibilita, a partir de uma variável preditora, prever algum evento resposta de nosso interesse. Um exemplo poderia ser prever o preço de computadores a partir da quantidade (em gigabytes) de memória RAM disponível.

A ideia pode ser extendida quando quisermos prever esse custo levando em conta não somente a quantidade de memória RAM, mas também a performance das placas de vídeo (GPU) responsáveis por processarem as imagens nos computadores. Nessa situação, saímos de um modelo linear simples para um com múltiplos preditores (regressão múltipla). Uma outra possibilidade seria não apenas prever o custo dos computadores, mas também o tempo de inicialização dos mesmos, a partir de um conjunto de variáveis preditoras como as performances das placas de vídeo (GPU), dos processadores (CPU) e a quantidade de memória RAM. Estamos diante, portanto, de uma regressão multivariada.

Explore o pacote RegLinearME918 e encontre o modelo que melhor descreva seus dados! Utilize o conjunto de dados disponibilizado por nós ou qualquer dataset do seu interesse!

Instalação

Você pode instalar o pacote diretamente a partir do GitHub usando o pacote devtools e executando o seguinte comando no R:

# Primeiro, instale o pacote 'devtools' caso ainda não tenha:
# install.packages("devtools")

# Depois, instale o pacote RegLinearME918 diretamente do GitHub:
devtools::install_github("enzoptortelli/RegLinearME918")

Quando você carregar o pacote RegLinearME918, o pacote ggplot2 será instalado automaticamente.

Sobre os dados disponíveis

Os dados (fictícios) foram simulados pelos autores para fins ilustrativos do pacote RegLinearME918. Trata-se de uma dataframe com 1000 observações e 5 variáveis:

• preço de computadores (em dólares americanos);
• tempo para que o computador inicialize o sistema operacional (em segundos);
• gpu_benchmark: Pontuação do computador no benchmark PavarimMark3D™
• cpu_benchmark: Pontuação do computador no benchmark PavarimMark™
• ram_qty: Quantidade memória RAM no computador (em gigabytes).

head(rl_dataset)

   price   boot_speed   gpu_benchmark   cpu_benchmark   ram_qty
1 3550.582   12.245451   22.76719       20.50221         4
2 4763.954   3.875928    28.69565       20.93299         16
3 2067.386   20.728836   10.34451       15.67214         4
4 2838.416   14.820797   4.92418        21.93358         4
5 2396.347   17.676335   10.61037       19.71397         6
6 3452.274   11.426451   18.13448       19.79971         12

Os detalhes das simulações dos dados podem ser acessados com o arquivo Simulacao_dados.R.

Exemplo de Uso

Aqui está um exemplo simples de como usar o pacote RegLinearME918 utilizando o conjunto de dados rl_dataset para ajustar um modelo de regressão linear e fazer predições:

# Carregando o pacote
library(RegLinearME918)

# Carregando os dados do pacote
data(rl_dataset)

# Ajustando o modelo de regressão linear
modelo_exemplo <- reg_linear(rl_dataset[, 3:5], rl_dataset[, 1:2])

# Exibindo os coeficientes do modelo
modelo_exemplo$coeficientes

# Fazendo predições com novos valores de preditores (valores contidos no banco de dados)
novos_preditores <- rl_dataset[1:5, 3:5]
resultado_predicao <- predicao(modelo_exemplo, novos_preditores, tipo = 'confianca')
resultado_predicao

# Fazendo predições com novos valores de preditores (valores que não estão contidos no banco de dados, porém dentro da amplitude dos dados)
novos_preditores <- matrix(c(21.731307, 21.645257, 5, 
                             22.697230, 20.559285, 7), nrow = 2, byrow = TRUE)
resultado_predicao <- predicao(modelo_exemplo, novos_preditores, tipo = 'predicao')
resultado_predicao

Gráficos Disponíveis

A função grafico() permite criar três tipos de gráficos para verificar o desempenho do modelo de regressão ajustado. Esses gráficos de diagnóstico do modelo são úteis para avaliar a qualidade do ajuste e a adequação dos resíduos:

Tipos de Gráficos

• Valores Preditos vs Observados (pvo): Compara os valores preditos pelo modelo com os valores observados no conjunto de dados. Este gráfico ajuda a verificar se o modelo está ajustando corretamente os dados.

grafico(modelo_exemplo, tipo = "pvo")  

• Resíduos vs Preditora (rvp): Plota os resíduos do modelo (diferença entre os valores observados e preditos) em relação a uma variável preditora. Isso ajuda a identificar padrões nos resíduos que possam indicar problemas no modelo, ou seja, permite verificar se o modelo linear é o mais adequado.

grafico(modelo_exemplo, tipo = "rvp")  

• QQ-plot dos Resíduos (qqplot): Um gráfico quantil-quantil (QQ-plot) dos resíduos, que ajuda a verificar se os resíduos seguem uma distribuição normal, um dos principais pressupostos da regressão linear.

grafico(modelo_exemplo, tipo = "qqplot")  

Licença

Este pacote está disponível sob a licença GNU General Public License. Para mais detalhes, consulte o arquivo LICENSE.