set.seed(10)
x <- rnorm(1000)
prob <- plogis(-2*x)
y <- rbinom(1000, 1, prob)

glm(y ~ x, family = binomial(link = logit))
Call:  glm(formula = y ~ x, family = binomial(link = logit))

Coefficients:
(Intercept)            x
   -0.01969     -1.94726

Degrees of Freedom: 999 Total (i.e. Null);  998 Residual
Null Deviance:      1386
Residual Deviance: 931.9    AIC: 935.9

library(car)
plot(dados)

names(dados)
# [1] "paisagem" "floresta" "evi"      "ndvi"     "db"
# [6] "prec"     "solo"

m.completo = glm(evi~floresta+db+prec*solo,family = binomial)

#########################GLM distribuição binomial############################

View(dados)
attach(dados)
summary(dados)
library(car)
plot(dados)

# floresta = porcentagem de floresta em cada paisagem
# evi = índice de vegetação melhorado
# ndvi = índice de vegetação por diferença normalizada
# db = densidade de borda dada em metros
# prec = precipitação dada em milimetros
# solo = tipo de solo

# Construir um modelo para verificar qual das variáveis explica mais a variável resposta (EVI)

# dados de proporção : função de ligação logit = log (p/1-p)

names(dados)
m.completo = glm(evi~floresta+db+prec*solo,family = binomial)
m.n = glm(evi~floresta)~1, family = binomial)
anova(m.completo,m.n,test="Chisq")