Esse documento exemplifica o uso dos procedimentos de seleção automática de modelos e medidas de ajuste. Os dados referem-se à área de 100 folhas de uva de três cultivares em função de medidas de comprimento feitas nas folhas. A área das folhas foi determinada por análise de imagens usando o pacote EBImage. Estes dados foram disponibilizados pelo Pesquisador João Peterson Gardim.
#-----------------------------------------------------------------------
# Load packages.
library(lattice)
library(latticeExtra)
library(asbio)
library(car)
Um total de 100 folhas de cada cultivar de uva (cult
) foi coletado no campo. Nas folhas foram feitas 6 medidas conforme indicado na figura abaixo.
mc
: maior comprimento (no sentido vertical).ml
: maior largura (no sentido horizontal).cll
: comprimento de lado a lado ligando as estremidades das nervuras laterais.nc
: comprimento da nervura central.nld
e nle
: comprimento das nervuras lateral direita e esquerda. Como as folhas são simétricas, pode ser feito a média das duas medidas.#-----------------------------------------------------------------------
# Dados hospedados na web.
url <- "http://www.leg.ufpr.br/~walmes/data/areafoliarUva.txt"
uva <- read.table(url, header = TRUE, sep = "\t",
stringsAsFactors = FALSE)
uva$cult <- factor(uva$cult)
str(uva)
## 'data.frame': 300 obs. of 9 variables:
## $ id : chr "malbec_1.jpg" "malbec_10.jpg" "malbec_11.jpg" "malbec_12.jpg" ...
## $ cult: Factor w/ 3 levels "malbec","merlot",..: 1 1 1 1 1 1 1 1 1 1 ...
## $ area: num 100.8 85.8 119.5 137 84.7 ...
## $ mc : num 12 11.5 12.5 15.5 10 12 15.5 17.5 13.5 13.3 ...
## $ nc : num 7.5 9 8.5 10 7 8.5 11 13 10 9.5 ...
## $ ml : num 12.8 10.5 13 14.4 11 12 14 14 12 15 ...
## $ nld : num 6.4 8.5 8.6 9 6.5 9 10 9.5 9 9.2 ...
## $ nle : num 7.5 7 9 10 7 8.2 11 11 8.5 8.3 ...
## $ cll : num 9.5 9.5 10.2 12 7.5 8.9 13.5 10.8 9.7 10.3 ...
# Comprimento da nervura lateral: média dos lados direito e esquerdo.
uva$nl <- with(uva, apply(cbind(nld, nle), 1, mean))
uva <- subset(uva, select = -c(nld, nle))
#-----------------------------------------------------------------------
# Ver.
splom(uva[-(1:2)], groups = uva$cult, auto.key = TRUE, cex = 0.2)
O ajuste do modelo será separado para uma das cultivares. Nesse documento analisaremos apenas a cultivar Malbec.
O modelo com efeito principais vai considerar apenas as variáveis existentes na tabela – mc
, ml
, nc
, nl
e cll
– em um modelo de efeitos aditivos.
#-----------------------------------------------------------------------
mal <- subset(uva, cult == "malbec")
# Apenas efeitos aditivos.
m0 <- lm(area ~ mc + ml + nc + nl + cll, data = mal)
# Diagnóstico.
par(mfrow = c(2, 2))
plot(m0)
layout(1)
MASS::boxcox(m0)
abline(v = 0.5, col = 2)
m1 <- update(m0, sqrt(.) ~ .)
par(mfrow = c(2, 2))
plot(m1)
layout(1)
summary(m1)
##
## Call:
## lm(formula = sqrt(area) ~ mc + ml + nc + nl + cll, data = mal)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.84138 -0.23439 -0.02851 0.14774 1.87394
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.20824 0.16965 1.227 0.223
## mc 0.27039 0.04612 5.862 6.73e-08 ***
## ml 0.35067 0.03092 11.340 < 2e-16 ***
## nc 0.02091 0.04581 0.456 0.649
## nl 0.32234 0.07408 4.351 3.43e-05 ***
## cll -0.03684 0.03926 -0.938 0.350
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.3698 on 94 degrees of freedom
## Multiple R-squared: 0.9784, Adjusted R-squared: 0.9773
## F-statistic: 853.3 on 5 and 94 DF, p-value: < 2.2e-16
m2 <- update(m1, . ~ mc + ml + nl)
summary(m2)
##
## Call:
## lm(formula = sqrt(area) ~ mc + ml + nl, data = mal)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.74734 -0.21905 -0.03066 0.15225 1.91863
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.20246 0.16838 1.202 0.232
## mc 0.27251 0.03590 7.590 2.07e-11 ***
## ml 0.34342 0.02982 11.518 < 2e-16 ***
## nl 0.30772 0.06978 4.410 2.70e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.3678 on 96 degrees of freedom
## Multiple R-squared: 0.9782, Adjusted R-squared: 0.9775
## F-statistic: 1438 on 3 and 96 DF, p-value: < 2.2e-16
O gráfico dos resíduos para o modelo m0
mostrou afastamento de pressupostos que motivou a busca por uma transformação. A transformação Box-Cox indicou a transformação raíz quadrada. Ao tirar a raíz da variável resposta é tem dimensionalidade de área (\(m^2\)) obtemos uma variáveis com dimensionalidade de comprimento (\(m\)) assim como são as variáveis preditoras.
No modelo com termos de segundo grau serão incluídos os quadrados das variáveis originais e os duplos produtos. Com isso serão exploradas interações entre as variáveis e efeito quadráticos.
#-----------------------------------------------------------------------
# Modelo quadrático completo.
m3 <- update(m1, . ~ (mc + nc + ml + nl + cll)^2 + I(mc^2) +
I(nc^2) + I(ml^2) + I(nl^2) + I(cll^2))
# Diagnóstico.
par(mfrow = c(2, 2))
plot(m3)
layout(1)
summary(m3)
##
## Call:
## lm(formula = sqrt(area) ~ mc + nc + ml + nl + cll + I(mc^2) +
## I(nc^2) + I(ml^2) + I(nl^2) + I(cll^2) + mc:nc + mc:ml +
## mc:nl + mc:cll + nc:ml + nc:nl + nc:cll + ml:nl + ml:cll +
## nl:cll, data = mal)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.54580 -0.17053 0.01312 0.13645 0.56176
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.455695 0.310257 1.469 0.14587
## mc 0.182184 0.264190 0.690 0.49247
## nc 0.226102 0.348965 0.648 0.51891
## ml 0.366351 0.148907 2.460 0.01607 *
## nl 1.226574 0.378141 3.244 0.00173 **
## cll -0.902841 0.201932 -4.471 2.57e-05 ***
## I(mc^2) 0.072435 0.039310 1.843 0.06913 .
## I(nc^2) 0.001509 0.023232 0.065 0.94838
## I(ml^2) 0.058711 0.018965 3.096 0.00272 **
## I(nl^2) -0.009540 0.080695 -0.118 0.90619
## I(cll^2) 0.032119 0.025333 1.268 0.20856
## mc:nc -0.041382 0.040880 -1.012 0.31450
## mc:ml -0.091415 0.037340 -2.448 0.01657 *
## mc:nl 0.003009 0.109233 0.028 0.97809
## mc:cll -0.030896 0.053601 -0.576 0.56598
## nc:ml 0.059610 0.048743 1.223 0.22499
## nc:nl -0.083565 0.119891 -0.697 0.48784
## nc:cll 0.018013 0.059472 0.303 0.76277
## ml:nl -0.068842 0.064273 -1.071 0.28739
## ml:cll -0.028612 0.028890 -0.990 0.32502
## nl:cll 0.094022 0.062817 1.497 0.13844
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.2402 on 79 degrees of freedom
## Multiple R-squared: 0.9924, Adjusted R-squared: 0.9904
## F-statistic: 513.1 on 20 and 79 DF, p-value: < 2.2e-16
O modelo m3
contém 21 parâmetros estimados. No entanto, dada a natureza das variáveis que são correlacionadas, muitos dos efeitos são não significativos. Vamos selecionar um submodelo partindo do modelo m3
utilizando o critério de minimização do BIC.
# AIC, -ll + 2 * npar
# m4 <- step(m2, k = 2)
# BIC: -ll + log(nobs) * npar
m4 <- step(m3, k = log(nrow(mal)))
## Start: AIC=-212.14
## sqrt(area) ~ mc + nc + ml + nl + cll + I(mc^2) + I(nc^2) + I(ml^2) +
## I(nl^2) + I(cll^2) + mc:nc + mc:ml + mc:nl + mc:cll + nc:ml +
## nc:nl + nc:cll + ml:nl + ml:cll + nl:cll
##
## Df Sum of Sq RSS AIC
## - mc:nl 1 0.00004 4.5570 -216.75
## - I(nc^2) 1 0.00024 4.5572 -216.74
## - I(nl^2) 1 0.00081 4.5578 -216.73
## - nc:cll 1 0.00529 4.5623 -216.63
## - mc:cll 1 0.01917 4.5762 -216.33
## - nc:nl 1 0.02802 4.5850 -216.13
## - ml:cll 1 0.05658 4.6136 -215.51
## - mc:nc 1 0.05911 4.6161 -215.46
## - ml:nl 1 0.06618 4.6232 -215.31
## - nc:ml 1 0.08627 4.6433 -214.87
## - I(cll^2) 1 0.09273 4.6497 -214.73
## - nl:cll 1 0.12923 4.6862 -213.95
## - I(mc^2) 1 0.19587 4.7529 -212.54
## <none> 4.5570 -212.14
## - mc:ml 1 0.34573 4.9027 -209.43
## - I(ml^2) 1 0.55284 5.1098 -205.30
##
## Step: AIC=-216.75
## sqrt(area) ~ mc + nc + ml + nl + cll + I(mc^2) + I(nc^2) + I(ml^2) +
## I(nl^2) + I(cll^2) + mc:nc + mc:ml + mc:cll + nc:ml + nc:nl +
## nc:cll + ml:nl + ml:cll + nl:cll
##
## Df Sum of Sq RSS AIC
## - I(nc^2) 1 0.00022 4.5573 -221.35
## - I(nl^2) 1 0.00076 4.5578 -221.34
## - nc:cll 1 0.00528 4.5623 -221.24
## - mc:cll 1 0.01951 4.5766 -220.92
## - ml:cll 1 0.05870 4.6157 -220.07
## - nc:nl 1 0.06884 4.6259 -219.85
## - ml:nl 1 0.07461 4.6317 -219.73
## - I(cll^2) 1 0.09269 4.6497 -219.34
## - nc:ml 1 0.09674 4.6538 -219.25
## - mc:nc 1 0.10526 4.6623 -219.07
## - nl:cll 1 0.12941 4.6865 -218.55
## <none> 4.5570 -216.75
## - mc:ml 1 0.38703 4.9441 -213.20
## - I(ml^2) 1 0.58958 5.1466 -209.19
## - I(mc^2) 1 0.60915 5.1662 -208.81
##
## Step: AIC=-221.35
## sqrt(area) ~ mc + nc + ml + nl + cll + I(mc^2) + I(ml^2) + I(nl^2) +
## I(cll^2) + mc:nc + mc:ml + mc:cll + nc:ml + nc:nl + nc:cll +
## ml:nl + ml:cll + nl:cll
##
## Df Sum of Sq RSS AIC
## - I(nl^2) 1 0.00087 4.5581 -225.93
## - nc:cll 1 0.00613 4.5634 -225.82
## - mc:cll 1 0.02110 4.5784 -225.49
## - ml:cll 1 0.05911 4.6164 -224.66
## - ml:nl 1 0.07439 4.6317 -224.33
## - nc:nl 1 0.07442 4.6317 -224.33
## - I(cll^2) 1 0.09443 4.6517 -223.90
## - mc:nc 1 0.11328 4.6706 -223.50
## - nl:cll 1 0.12983 4.6871 -223.14
## - nc:ml 1 0.13125 4.6885 -223.11
## <none> 4.5573 -221.35
## - mc:ml 1 0.51202 5.0693 -215.30
## - I(ml^2) 1 0.58939 5.1467 -213.79
## - I(mc^2) 1 0.86389 5.4212 -208.59
##
## Step: AIC=-225.93
## sqrt(area) ~ mc + nc + ml + nl + cll + I(mc^2) + I(ml^2) + I(cll^2) +
## mc:nc + mc:ml + mc:cll + nc:ml + nc:nl + nc:cll + ml:nl +
## ml:cll + nl:cll
##
## Df Sum of Sq RSS AIC
## - nc:cll 1 0.00738 4.5655 -230.38
## - mc:cll 1 0.02100 4.5791 -230.08
## - ml:cll 1 0.05974 4.6179 -229.24
## - I(cll^2) 1 0.09907 4.6572 -228.39
## - mc:nc 1 0.12869 4.6868 -227.75
## - ml:nl 1 0.13044 4.6886 -227.72
## - nc:ml 1 0.13871 4.6969 -227.54
## - nc:nl 1 0.16108 4.7192 -227.06
## - nl:cll 1 0.17479 4.7329 -226.77
## <none> 4.5581 -225.93
## - mc:ml 1 0.51177 5.0699 -219.90
## - I(ml^2) 1 0.61947 5.1776 -217.79
## - I(mc^2) 1 0.91497 5.4731 -212.24
##
## Step: AIC=-230.38
## sqrt(area) ~ mc + nc + ml + nl + cll + I(mc^2) + I(ml^2) + I(cll^2) +
## mc:nc + mc:ml + mc:cll + nc:ml + nc:nl + ml:nl + ml:cll +
## nl:cll
##
## Df Sum of Sq RSS AIC
## - mc:cll 1 0.02169 4.5872 -234.51
## - ml:cll 1 0.07384 4.6394 -233.38
## - I(cll^2) 1 0.09969 4.6652 -232.82
## - mc:nc 1 0.12428 4.6898 -232.29
## - ml:nl 1 0.13367 4.6992 -232.09
## - nc:nl 1 0.15570 4.7212 -231.63
## - nl:cll 1 0.16929 4.7348 -231.34
## <none> 4.5655 -230.38
## - nc:ml 1 0.39676 4.9623 -226.65
## - I(ml^2) 1 0.65650 5.2220 -221.55
## - mc:ml 1 1.14985 5.7154 -212.52
## - I(mc^2) 1 1.49542 6.0610 -206.65
##
## Step: AIC=-234.51
## sqrt(area) ~ mc + nc + ml + nl + cll + I(mc^2) + I(ml^2) + I(cll^2) +
## mc:nc + mc:ml + nc:ml + nc:nl + ml:nl + ml:cll + nl:cll
##
## Df Sum of Sq RSS AIC
## - ml:cll 1 0.07030 4.6575 -237.59
## - I(cll^2) 1 0.07811 4.6653 -237.42
## - ml:nl 1 0.11425 4.7015 -236.65
## - mc:nc 1 0.14213 4.7294 -236.06
## - nl:cll 1 0.14783 4.7351 -235.94
## - nc:nl 1 0.14884 4.7361 -235.92
## <none> 4.5872 -234.51
## - nc:ml 1 0.40464 4.9919 -230.66
## - I(ml^2) 1 0.64508 5.2323 -225.95
## - I(mc^2) 1 1.50089 6.0881 -210.81
## - mc:ml 1 1.51718 6.1044 -210.54
##
## Step: AIC=-237.59
## sqrt(area) ~ mc + nc + ml + nl + cll + I(mc^2) + I(ml^2) + I(cll^2) +
## mc:nc + mc:ml + nc:ml + nc:nl + ml:nl + nl:cll
##
## Df Sum of Sq RSS AIC
## - I(cll^2) 1 0.03019 4.6877 -241.55
## - ml:nl 1 0.09566 4.7532 -240.16
## - nl:cll 1 0.12936 4.7869 -239.46
## - nc:nl 1 0.13195 4.7895 -239.40
## - mc:nc 1 0.14474 4.8023 -239.14
## <none> 4.6575 -237.59
## - nc:ml 1 0.34893 5.0065 -234.97
## - I(ml^2) 1 0.63604 5.2936 -229.40
## - I(mc^2) 1 1.54683 6.2044 -213.52
## - mc:ml 1 1.64835 6.3059 -211.90
##
## Step: AIC=-241.55
## sqrt(area) ~ mc + nc + ml + nl + cll + I(mc^2) + I(ml^2) + mc:nc +
## mc:ml + nc:ml + nc:nl + ml:nl + nl:cll
##
## Df Sum of Sq RSS AIC
## - mc:nc 1 0.12074 4.8085 -243.61
## - ml:nl 1 0.16116 4.8489 -242.78
## <none> 4.6877 -241.55
## - nc:nl 1 0.28518 4.9729 -240.25
## - nc:ml 1 0.50310 5.1908 -235.96
## - I(ml^2) 1 0.69800 5.3857 -232.28
## - I(mc^2) 1 1.52137 6.2091 -218.05
## - mc:ml 1 1.66571 6.3534 -215.75
## - nl:cll 1 1.71357 6.4013 -215.00
##
## Step: AIC=-243.61
## sqrt(area) ~ mc + nc + ml + nl + cll + I(mc^2) + I(ml^2) + mc:ml +
## nc:ml + nc:nl + ml:nl + nl:cll
##
## Df Sum of Sq RSS AIC
## - ml:nl 1 0.08114 4.8896 -246.54
## <none> 4.8085 -243.61
## - nc:ml 1 0.46374 5.2722 -239.01
## - I(ml^2) 1 0.63334 5.4418 -235.84
## - nc:nl 1 0.90355 5.7120 -231.00
## - nl:cll 1 1.88232 6.6908 -215.18
## - mc:ml 1 1.95782 6.7663 -214.06
## - I(mc^2) 1 2.32931 7.1378 -208.72
##
## Step: AIC=-246.54
## sqrt(area) ~ mc + nc + ml + nl + cll + I(mc^2) + I(ml^2) + mc:ml +
## nc:ml + nc:nl + nl:cll
##
## Df Sum of Sq RSS AIC
## <none> 4.8896 -246.54
## - nc:ml 1 0.6152 5.5048 -239.30
## - I(ml^2) 1 1.0318 5.9214 -232.00
## - nc:nl 1 1.5783 6.4679 -223.18
## - nl:cll 1 1.8375 6.7271 -219.25
## - mc:ml 1 3.8024 8.6920 -193.62
## - I(mc^2) 1 4.3803 9.2699 -187.18
summary(m4)
##
## Call:
## lm(formula = sqrt(area) ~ mc + nc + ml + nl + cll + I(mc^2) +
## I(ml^2) + mc:ml + nc:ml + nc:nl + nl:cll, data = mal)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.49013 -0.15586 0.03875 0.15248 0.58770
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.695725 0.272257 2.555 0.012324 *
## mc 0.325439 0.230785 1.410 0.162023
## nc 0.235075 0.308335 0.762 0.447860
## ml 0.477705 0.111537 4.283 4.69e-05 ***
## nl 0.729719 0.193861 3.764 0.000301 ***
## cll -0.861875 0.157018 -5.489 3.85e-07 ***
## I(mc^2) 0.058077 0.006541 8.879 7.29e-14 ***
## I(ml^2) 0.032830 0.007618 4.309 4.25e-05 ***
## mc:ml -0.128900 0.015582 -8.272 1.28e-12 ***
## nc:ml 0.077003 0.023141 3.328 0.001280 **
## nc:nl -0.146391 0.027467 -5.330 7.50e-07 ***
## nl:cll 0.100142 0.017414 5.751 1.26e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.2357 on 88 degrees of freedom
## Multiple R-squared: 0.9918, Adjusted R-squared: 0.9908
## F-statistic: 967.9 on 11 and 88 DF, p-value: < 2.2e-16
# O modelo m2 é aninhado no m4?
all(names(coef(m2)) %in% names(coef(m4)))
## [1] TRUE
# Teste para modelos encaixados.
anova(m4, m2)
## Analysis of Variance Table
##
## Model 1: sqrt(area) ~ mc + nc + ml + nl + cll + I(mc^2) + I(ml^2) + mc:ml +
## nc:ml + nc:nl + nl:cll
## Model 2: sqrt(area) ~ mc + ml + nl
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 88 4.8896
## 2 96 12.9881 -8 -8.0985 18.219 8.791e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#-----------------------------------------------------------------------
# Conjunto de medias de ajuste.
measures <- function(x) {
L <- list(npar = length(coef(x)),
dfres = df.residual(x),
nobs = length(fitted(x)),
RMSE = summary(x)$sigma,
R2 = summary(x)$r.squared,
R2adj = summary(x)$adj.r.squared,
PRESS = press(x),
logLik = logLik(x),
AIC = AIC(x),
BIC = BIC(x))
unlist(L)
}
modl <- list(m2 = m2, m3 = m3, m4 = m4)
round(t(sapply(modl, measures)), 3)
## npar dfres nobs RMSE R2 R2adj PRESS logLik AIC BIC
## m2 4 96 100 0.368 0.978 0.978 16.323 -39.837 89.674 102.700
## m3 21 79 100 0.240 0.992 0.990 8.209 12.531 18.937 76.251
## m4 12 88 100 0.236 0.992 0.991 6.428 9.009 7.982 41.849
O modelo selecionado pelo procedimento stepwise está no objeto m4
. Pelas medidas de informação (BIC e AIC) e pelo PRESS, o melhor modelo é o m4
. O modelo m2
é um modelo aninhado ao m4
. Por outro lado, para aplicação a qual se destina o modelo, o m2
é mais indicado uma vez que o pesquisador preconiza uma função de fácil uso no campo para determinação da área das folhas.
Considerando o modelo de efeito aditivos, o mais parcimonioso, será feito diagnóstico do modelo para indentificação de possíveis observações influentes.
#-----------------------------------------------------------------------
# Falta de ajuste com relação a alguma variável.
# Gráfico de resíduos parciais.
residualPlots(m2)
## Test stat Pr(>|t|)
## mc 1.581 0.117
## ml -0.735 0.464
## nl -0.032 0.974
## Tukey test -0.366 0.715
#-----------------------------------------------------------------------
# Indentificando observações influentes.
im <- influence.measures(m2)
summary(im)
## Potentially influential observations of
## lm(formula = sqrt(area) ~ mc + ml + nl, data = mal) :
##
## dfb.1_ dfb.mc dfb.ml dfb.nl dffit cov.r cook.d hat
## 36 0.05 0.23 0.13 -0.28 0.29 1.13_* 0.02 0.10
## 58 0.61 3.03_* -2.57_* -0.92 4.01_* 0.22_* 2.58_* 0.23_*
## 92 -0.19 -0.07 0.09 0.05 -0.20 1.16_* 0.01 0.11
## 94 -0.10 -0.03 0.06 0.01 -0.11 1.18_* 0.00 0.12
## 96 0.13 0.00 -0.06 0.00 0.13 1.21_* 0.00 0.14_*
## 98 -0.22 -0.45 0.48 0.14 0.70_* 0.81_* 0.11 0.06
# Reajustando o modelo sem as observações influentes pelo DFits.
i <- im$is.inf[, "dffit"]
m2 <- update(m2, data = mal[!i, ])
m3 <- update(m3, data = mal[!i, ])
m4 <- update(m4, data = mal[!i, ])
# Medidas de ajuste.
modl <- list(m2 = m2, m3 = m3, m4 = m4)
round(t(sapply(modl, measures)), 3)
## npar dfres nobs RMSE R2 R2adj PRESS logLik AIC BIC
## m2 4 94 98 0.285 0.987 0.986 8.416 -13.964 37.927 50.852
## m3 21 77 98 0.243 0.992 0.990 8.590 11.396 21.209 78.078
## m4 12 86 98 0.237 0.992 0.991 6.441 8.370 9.260 42.864
Com a eliminação de observações influentes, a distância em qualidade de ajuste dos modelos m2
e m4
ficaram menores em todos os cirtérios. No entanto, a ordenação dos modelos permaneu a mesma.
## Updated in 2016-10-10.
##
## R version 3.3.1 (2016-06-21)
## Platform: x86_64-pc-linux-gnu (64-bit)
## Running under: Ubuntu 16.04.1 LTS
##
## locale:
## [1] LC_CTYPE=pt_BR.UTF-8 LC_NUMERIC=C
## [3] LC_TIME=pt_BR.UTF-8 LC_COLLATE=en_US.UTF-8
## [5] LC_MONETARY=pt_BR.UTF-8 LC_MESSAGES=en_US.UTF-8
## [7] LC_PAPER=pt_BR.UTF-8 LC_NAME=C
## [9] LC_ADDRESS=C LC_TELEPHONE=C
## [11] LC_MEASUREMENT=pt_BR.UTF-8 LC_IDENTIFICATION=C
##
## attached base packages:
## [1] tcltk stats graphics grDevices utils datasets
## [7] base
##
## other attached packages:
## [1] car_2.1-2 asbio_1.3-4 latticeExtra_0.6-28
## [4] RColorBrewer_1.1-2 lattice_0.20-33 rmarkdown_1.0
## [7] knitr_1.14
##
## loaded via a namespace (and not attached):
## [1] pixmap_0.4-11 Rcpp_0.12.7 magrittr_1.5
## [4] splines_3.3.1 MASS_7.3-45 scatterplot3d_0.3-37
## [7] minqa_1.2.4 stringr_1.0.0 tools_3.3.1
## [10] parallel_3.3.1 nnet_7.3-12 pbkrtest_0.4-6
## [13] grid_3.3.1 nlme_3.1-128 mgcv_1.8-13
## [16] quantreg_5.26 multcompView_0.1-7 plotrix_3.6-2
## [19] MatrixModels_0.4-1 htmltools_0.3.5 lme4_1.1-12
## [22] yaml_2.1.13 digest_0.6.10 Matrix_1.2-6
## [25] nloptr_1.0.4 formatR_1.4 deSolve_1.13
## [28] evaluate_0.9 stringi_1.1.1 methods_3.3.1
## [31] SparseM_1.7 mvtnorm_1.0-5