library(lattice)
library(epiDisplay)


# Defina o diretório de trabalho:

setwd("")

setwd("D:/A1 DATA/Curso R 2020/Dados")


# Importe o banco de dados "Rim.xls" e dê o nome de "rim".

 
# Para isto, utilize o Menu

# Dados -> Impotar arquivo de dados ->  do arquivo Excel


# Ou utilize o comando:

  rim <- readXL("D:/A1 DATA/Curso R 2020/Dados/Rim.xlsx", rownames=FALSE, header=TRUE, na="", sheet="kidney", stringsAsFactors=FALSE)


names(rim)

names(rim) <- list("individuo", "dep", "conc", "idade", "peso")


# Análise descritiva
#--------------------

par(mfrow=c(2,2))

boxplot(rim$dep, ylab="Depuração de creatinina (mg/dL)", col="lightpink")
boxplot(rim$conc, ylab="Concentração de creatinina (mg/dL)", col="lightpink")
boxplot(rim$idade, ylab="Idade (anos)", col="lightpink")
boxplot(rim$peso, ylab="Peso (kg)", col="lightpink")

scatterplotMatrix(~dep+conc+idade+peso, reg.line=FALSE, smooth=FALSE, spread=FALSE, diagonal = 'none', data=rim)

par(mfrow=c(1,3))
plot(dep~conc, xlab="Concentração de creatinina (mg/dL)", ylab="Depuração de Creatinina (mg/dL)", data=rim)
plot(dep~peso, xlab="Peso (kg)", ylab="Depuração de Creatinina (mg/dL)", data=rim)
plot(dep~idade, xlab="Idade (anos)", ylab="Depuração de Creatinina (mg/dL)", data=rim)

rcorr.adjust(rim[,c("dep","conc","idade","peso")], type="pearson", use="complete")

Hist(rim$dep, scale="density", breaks="Sturges", col="darkgray")
qqPlot(rim$dep, dist="norm", id.method="y", id.n=2, labels=rownames(rim))
shapiro.test(rim$dep)

# Modelo de Regressão
#-----------------------

model <- lm(dep~conc+idade+peso, data=rim)

summary(model)

# Ou utilizando o Menu: Estatísticas -> Ajuste de Modelos -> Regressão Linear


# Realizando um procedimento "stepwise forward"

model.1 <- lm(dep~conc, data=rim)
summary(model.1)

model.2 <- update(model.1, .~. + idade)
summary(model.2)

anova(model.2,model.1)

model.3 <- update(model.2, .~. + peso)
summary(model.3)

anova(model.3,model.2)


# Intervalo de confiança para os coeficientes do modelo

confint(mod.2)

# Análise de Resíduos
#----------------------

plot(fitted(model), residuals(model))
abline(h=0)

plot(fitted(model), rstandard(model))
abline(h=0)

hist(residuals(model))

qqPlot(residuals(model), dist="norm", id.method="y", id.n=2)


# Ajustando um modelo com uma variável "dummy"
#---------------------------------------------------

rim$id.menor50 <- ifelse(rim$idade<=50, 1, 0)
rim$id.maior50 <- ifelse(rim$idade>50, 1, 0)

rim$fid.maior50 <- factor(rim$id.maior50, levels=c(0, 1), labels=c("<=50", ">50"))

model.4 <- lm(dep~conc+fid.maior50+peso, data=rim)
summary(model.4)


# Avaliando a presença de interação
#-----------------------------------

model.5 <- lm(dep~conc+fid.maior50+peso+fid.maior50*peso, data=rim)
summary(model.5)


# Análise de Resíduos
#----------------------

plot(fitted(model.4), rstandard(model.4))
abline(h=0)

hist(residuals(model.4))

qqPlot(residuals(model), dist="norm", id.method="y", id.n=2)

#--------------------------------------------