Solucionado
Fiquei com uma dúvida em relação à avaliação do modelo: a gente tá olhando as estatísticas com todos os dados convertidos à logaritmo. Como isso "achata" os dados, não acaba parecendo que o modelo é melhor do que realmente seria? Não deveríamos converter os dados de volta à escala de interesse e aí fazer a avaliação das estatísticas como R2?
Olá Gabriel!
Na verdade, não. Mesmo com os dados convertidos, o R2 ainda é uma métrica relevante para avaliar a qualidade do modelo, o quão bem a curva se ajustou aos dados.
No entanto, se você deseja avaliar o modelo na escala original dos dados, é possível fazer a transformação inversa, ou seja, converter os dados de volta à escala de interesse e então calcular as estatísticas, como o R2, nessa escala. Isso pode ser útil para uma melhor interpretação dos resultados.
Espero ter ajudado e bons estudos!
Obrigado! Acho que entendi teu ponto, mas sigo com a mesma impressão. Por exemplo, se eu calculei certo, carreguei aqui a distribuição dos valores depois de converter a partir dos logaritmos. Nesse caso, o R2 ficou em 0,55 e da pra ver que o modelo não é tão bom quanto parecia quando olhávamos a escala logarítmica, tanto pelo coeficiente de determinação quanto pela avaliação do gráfico. Será mesmo que o R2 sem voltar pra escala original é uma métrica confiável?
Realmente a sua questão é muito boa. Eu diria que se o seu objetivo é fazer previsões na escala logarítmica pode manter a métrica R2 calculada com os dados nesse escala para avaliar o ajuste aos dados. Porém, se você quiser fazer previsões na escala linear precisa voltar primeiro para essa escala e aí calcular um novo R2.