A busca foi codar comentado e organizado.
# Montando os modelos (lineares simples):
# m1
# A variável (valor das empresas) 'vala' influencia a (qualidade do ar) 'airq'?
m1<-lm(airq~vala, data=Airq) # lm = modelo linear.
m1
summary(m1)
# p-value indica a significância do modelo, ou variável.
# Se p-value < 0.05, existe significância (= < 5%).
# Se p-value > 0.05, não existe significância.
# NÃO, a variável 'vala' não influencia 'airq' (p-value = 0.07).
plot(airq~vala, data=Airq)
# m2, com variável categórica (posição costeira)
# A variável (posição costeira) 'coas' influencia a (qualidade do ar) 'airq'?
m2<-lm(airq~coas, data=Airq)
m2
summary(m2)
# SIM, a variável 'coas' influencia a 'airq'? (p-value = 0.005)
# Mas o quanto? Vamos representar graficamente.
plot(airq~coas, data=Airq)
# Cidades costeiras, nesta amostra, apresentam melhor 'airq'. Vide reta abaixo.
curve(125.333+-29.476*x, add=TRUE) # Retas para os modelos não significativos são opcionais.
# m3
# A variável (renda média per capita) 'medi' influencia a (qualidade do ar) 'airq'?
m3<-lm(airq~medi, data=Airq)
m3
summary(m3)
# NÃO, a variável 'medi' não influencia 'airq' (p-value = 0.18).
plot(airq~medi, data=Airq)
# curve(9.936e+01+5.638e-04*x, add=TRUE) # opcional
# m4
# A variável (quantidade de chuva) 'rain' influencia a (qualidade do ar) 'airq'?
m4<-lm(airq~rain, data=Airq)
m4
summary(m4)
# NÃO, a variável 'rain' não influencia 'airq' (p-value = 0.8).
plot(airq~rain, data=Airq)
# curve(106.6662+-0.0545*x, add=TRUE)
# m5
# A variável (densidade populacional) 'dens' influencia a (qualidade do ar) 'airq'?
m5<-lm(airq~dens, data=Airq)
m5
summary(m5)
# NÃO, a variável 'dens' não influencia 'airq' (p-value = 0.8).
plot(airq~dens, data=Airq)
# Não há relação significativa entre a densidade populacional e a qualidade do ar, nesta amostra.
# curve(1.054e+02+-3.857e-04*x, add=TRUE)
