Outra opção é fazer:
m1<-lm(y~x)
par(mfrow=c(2,2))
plot(m1)
Esta rotina vai te mostrar 4 gráficos:
O primeiro, você poderá avaliar a variabilidade dos dados;
O segundo, a normalidade dos dados;
O terceiro, o resíduo padronizado (acho que o ideal é estar dentro de -3 a +3), caso contrário é um problema;
O quarto, você terá a distância de Cook junto com os leverages, aonde os pontos localizados acima de 1 nas retas são considerados outliers. (Acho que para R é 1, é bom checar)
Por outro lado, faça as análises com os pontos que você acha que são outliers, observe R2, erro padrrão, etc e depois retire os "candidatos" e verifique como se comportou o modelo sem os "candidatos".
Espero ter ajudado.
[ ]'s.
Edson Lira
Estatístico
Manaus-Amazonas
Em Quarta-feira, 13 de Novembro de 2013 9:34, Cesar Rabak <cesar.rabak@gmail.com> escreveu:
Você pulou a informação mais relevante do diagnóstico:
"No Studentized residuals with Bonferonni p < 0.05".
Portanto se você aceitar as premissas do teste (p-valor corrigido pela técnica do Bonferroni <=0,05, etc.), nenhum dado nesse teste seria um outlier.
Ademais, o maior valor em módulo do resíduo "studentizado" gera um p-valor de 0,12. A menos que você tenha razões científicas fora do teste de diagnóstico para declarar esse dado como aberrante, ele não o seria pelo teste feito.
HTH
--
Cesar Rabak