Nuevo en R: calcular la correlación de los residuos con los valores ajustados de un conjunto de datos

Question

Soy nuevo en R y estoy tratando de practicar con algunos ejercicios. Dado un conjunto de datos con 40 observaciones y 5 variables. El gasto es la respuesta y hay 4 predictores. Empecé con un modelo lineal Residuos:

    Min      1Q  Median      3Q     Max 
-51.082 -11.320  -1.451   9.452  94.252 

Coeficientes:
             Estimado Error estándar valor t Pr(>|t|)    
(Intercepto)  22.55565   17.19680   1.312   0.1968    
sexo         -22.11833    8.21111  -2.694   0.0101 *  
estado        0.05223    0.28111   0.186   0.8535    
ingreso        4.96198    1.02539   4.839 1.79e-05 ***
verbal       -2.95949    2.17215  -1.362   0.1803    
---
Códigos de significancia:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Error estándar residual: 22.69 en 42 grados de libertad
R-cuadrado múltiple: 0.5267, R-cuadrado ajustado: 0.4816 
Estadística F: 11.69 en 4 y 42 DF,  valor p: 1.815e-06 

En primer lugar, ¿esto es lo que quieren decir con ajustar un modelo de regresión y en segundo lugar, ¿cómo calculo la correlación de los residuos con los valores ajustados?

Answer 1

Un modelo lineal sería, por ejemplo,

fitted.model <- lm(gasto ~ sexo + estado + ingreso, data=conjunto de datos)

Supongo que eso es lo que hiciste, y probablemente llamaste a summary(fitted.model) para obtener los resultados que reportaste.

Si quieres ver y usar los valores ajustados y residuales, puedes llamarlos usando fitted() y resid(). Entonces, por ejemplo, si quieres calcular una correlación entre los valores ajustados y residuales podrías hacer

zapsmall(cor(fitted(fitted.model), resid(fitted.model)))

Otra característica interesante es plot(fitted.model) para obtener varios gráficos de diagnóstico. El primer gráfico te dará el gráfico de ajuste vs residuo.

Por cierto, ¿quién es "ellos"?