O AIC fornecido drop1
refere-se a todo o modelo - não a uma variável; portanto, a saída informa qual variável remover para gerar o modelo com o AIC mais baixo. Por exemplo, com o conjunto de dados internoswiss
lm1 <- lm(Fertility ~ ., data = swiss)
drop1(lm1, test = "F") # So called 'type II' anova
Single term deletions
Model:
Fertility ~ Agriculture + Examination + Education + Catholic +
Infant.Mortality
Df Sum of Sq RSS AIC F value Pr(>F)
<none> 2105.0 190.69
Agriculture 1 307.72 2412.8 195.10 5.9934 0.018727 *
Examination 1 53.03 2158.1 189.86 1.0328 0.315462
Education 1 1162.56 3267.6 209.36 22.6432 2.431e-05 ***
Catholic 1 447.71 2552.8 197.75 8.7200 0.005190 **
Infant.Mortality 1 408.75 2513.8 197.03 7.9612 0.007336 **
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Aqui, a remoção de Examination
produzirá o modelo com a AIC mais baixa
Em uma nota relacionada, embora possa ser melhor usar AIC do que valores de p, é considerado uma prática ruim usar qualquer algoritmo de seleção automática de modelo:
Algoritmos para seleção automática de modelo