path.coeff: Análise de trilha e seleção de variáveis para preditores com...
In TiagoOlivoto/cursoR: Curso R do grupo Experimentacao da UFSM-SM

Description Usage Arguments Details Value Author(s)

Estima os efeitos diretos e indiretos com base em um arquivo de dados contendo um conjunto de variáveis. Um algorítmo é implementado visando seleção de um conjunto de preditores com mínima multicolinearidade e alto poder explicativo.

1 2	path.coeff(data, resp, pred = NULL, exclude = FALSE, correction = NULL, stepwise = FALSE, brutstepwise = FALSE, missingval = "pairwise.complete.obs")

`data`	O conjunto de dados (somente variáveis)
`resp`	A variável resposta. Exemplo, `resp = "RG"`
`pred`	As variáveis preditoras. Padrão é `NULL`, ou seja, as variáveis preditoras são todas as outras variáveis do conjunto de dados, exceto 'resp', ou as variáveis selecionadas no procedimento stepwise (se stepwise = TRUE ou brutestepwise = TRUE)
`exclude`	Argumento lógico, padrão FALSE. Se `exclude = TRUE`, as variáveis declaradas em `pred` são desconsideradas e somente o restante das variáveis do banco de dados (exceto a variável resposta) serão utilizadas no modelo.
`correction`	Argumento lógico, padrão NULL. Um valor (k) a ser a adicionado na diagonal da matrix X'X visando reduzir o problema com a multicolinearidade.
`stepwise`	Argumento lógico, padrão FALSE. Se TRUE, um procedimento stepwise é realizado para a escolha das variáveis preditoras.
`brutstepwise`	Argumento lógico, padrão FALSE. Se TRUE, uma série de regressões stepwise são ajustados.
`missingval`	Como lidar com valores perdidos. O padrão é `missingval = "pairwise.complete.obs"`, ou seja, a correlação é estimada com todos os pares que contém observações completas. Para maiores detalhes, veja `?cor`.

Quando brutstepwise = TRUE, primeiramente, o algorítmo selecionará um conjunto de preditores com mínima multicolinearidade. A seleção é baseada no fator de inflação de variância (VIF). Um processo iterativo é realizado até que o máximo VIF observado seja menor que 10. As variáveis selecionadas neste processo são utilizadas em uma série de regressões stepwise. A primeira regressão stepwise é ajustada considerando p-1 variáveis preditoras selecionadas, sendo p o número de variáveis selecionadas no processo iterativo. O segundo modelo ajusta uma regressão considerando p-2 variávies selecionadas, e assim por diante até o último modelo, que considera apenas duas variáveis. Três objetos são criados. Summary, com o resumo do processo, Models, contendo os valores informados acima de todos os modelos ajustados; e Selectedpred, um vetor com o nome das variáveis selecionadas no processo iterativo.

`Corr.x`	A matrix de correlação das variáveis explicativas
`Corr.y`	O vetor de correlações de cada variável explicativa com a variável dependente
`Coefficients`	A matriz dos coeficientes de trilha. Os efeitos diretos são apresentados na diagonal e os indiretos, fora da diagonal (na coluna).
`Eigen`	Contém os autovalores e os autovetores da matrix de correlação das variáveis explicativas.
`VIF`	Um vetor com os valores dos fatores de inflação de variância (VIF).
`plot`	Um gráfico com os valores dos efeitos diretos em diferentes valores de k. O gráfico não é gerado se um valor de correção é adicionado.
`Predictors`	As variáveis preditoras utilizadas no modelo.
`CN`	O número de condição.
`Det`	O determinante da matriz de correlação das variáveis explicativas.
`R2`	O coeficiente de determinação do modelo.
`Residual`	O efeito residual do modelo.
`Response`	A variável resposta utilizada no modelo.
`Pesovar`	Ordem das variáveis com os maiores pesos (componentes do autovetor) associadas ao autovalor de menor magnitude.