Hello, I want to know how I find the optimal values of my regression model for four factors?

The optimal values obtained by other methods is

longitud= 319.9 paso= 158.976 helice= 69.7967 radior= 0.144

Code:

```
rm(list=objects()) # Borra todas los objetos creados
### Requires ### Paquetes necesarios para compilar el c?digo
require(lmtest)
require(lawstat)
require(agricolae)
require(car)
require(nortest)
require(normtest)
require(multcomp)
require(pwr)
require(readr)
require(ggplot2)
require(rsm)
require(moments)
require(MASS)
require(descriptr)
require(olsrr)
require(AER)
library(MVN)
library(dplyr)
library(lmtest)
library(car)
library(randtests)
library(normtest)
library(corrplot)
library(het.test)
library(agricolae)
require(lawstat)
require(nortest)
require(multcomp)
require(pwr)
require(readr)
install.packages("DescTools")
library(DescTools)
datos <- matrix(0, 27, 5)
datos <- as.data.frame(datos)
dim(datos)
datos
colnames(datos) <- c("cp","longitud","paso","helice","radior")
datos
cp <- c(0.4153,0.4572,0.26,0.1446,0.0749,0.2778,0.294,0.4074,0.0912,0.2541,0.0855,0.444,0.0983,0.4263,0.0712,0.1286,0.2951,0.1389,0.128,0.3865,0.5113,0.5478,0.2631,0.4023,0.2962,0.2962,0.2962)
longitud<- c(340,340,320,300,340,320,340,340,340,320,320,300,300,340,300,340,320,340,300,300,300,320,300,300,320,320,320)
paso<-c(200,120,200,120,200,160,160,120,120,160,160,200,120,200,200,120,120,200,200,200,120,160,160,120,160,160,160)
helice<- c(80,60,70,60,80,60,70,80,80,80,70,80,80,60,80,60,70,60,60,60,60,70,70,80,70,70,70)
radior<- c(0.2,0.2,0.4,0.6,0.6,0.4,0.4,0.2,0.6,0.4,0.6,0.2,0.6,0.2,0.6,0.6,0.4,0.6,0.6,0.2,0.2,0.2,0.4,0.2,0.4,0.4,0.4)
datos[,1] <- cp
datos[,2] <- longitud
datos[,3] <- paso
datos[,4] <- helice
datos[,5] <- radior
datos
### An?lisis de varianza
mod <- aov(cp~I(longitud)+I(paso)+I(helice)+I(radior)+I(longitud^2)+I(paso^2)+I(helice^2)+I(radior^2)+
(I(longitud)*I(paso))+(I(longitud)*I(helice))+(I(longitud)*I(radior))+(I(paso)*I(helice))
+(I(paso)*I(radior))+(I(helice)*I(radior)))
mod
summary(mod)
lm <- lm(cp~I(longitud)+I(paso)+I(helice)+I(radior)+I(longitud^2)+I(paso^2)+I(helice^2)+I(radior^2)+
(I(longitud)*I(paso))+(I(longitud)*I(helice))+(I(longitud)*I(radior))+(I(paso)*I(helice))
+(I(paso)*I(radior))+(I(helice)*I(radior)))
lm
summary(lm)
### Validaci?n del Modelo
# 1er Supuesto
# Independencia
# Durbin-Watson test
dwtest(lm,alternative="two.sided")
#Hip?tesis nula: Los residuales son independientes
#Hip?tesis alternativa: Los residuales est?n correlacionados
#Si el valor-p es menor que el nivel de significancia (alpha) debe ser
#rechazada la hip?tesis nula
bgtest(lm) #Breusch-Godfrey test Independencia
#An?lisis gr?fico de la independencia de los residuales
par(mfrow=c(1,1))
plot(lm$residuals,xlab="Prueba",ylab="Residuales por prueba",main="",col=18,pch=17)
abline(0,0,col=12,lwd=2,lty=2)
par(mfrow=c(1,1))
# Funci?n de Autocorrelaci?n
# Bandas con un intervalo de confianza del 95%
acf(lm$res,ylim=c(-1,1),col=18,lwd=2,xlab="",ylab="Autocorrelaci?n",main="Autocorrelaci?n")
par(mfrow=c(1,1))
# Funci?n de Autocorrelaci?n parcial
# Bandas on un intervalo de confianza del 95%
pacf(lm$res,ylim=c(-1,1),col=18,lwd=2,xlab="",ylab="Autocorrelaci?n parcial",main="Autocorrelaci?n parcial")
# 2do Supuesto
# Normalidad
# Shapiro Wilk test
#recomendado para 50 observaciones o menos
shapiro.test(lm$residuals)
#Hip?tesis nula: Los Residuales son normales
#Hip?tesis alternativa: Los Residuales No son normales
#Si el valor-p es menor que el nivel de significancia (alpha) debe ser
#rechazada la hip?tesis nula
lillie.test(lm$residuals)
#Hip?tesis nula: Los Residuales son normales
#Hip?tesis alternativa: Los Residuales No son normales
#Si el valor-p es menor que el nivel de significancia (alpha) debe ser
#rechazada la hip?tesis nula
ad.test(lm$residuals)
#Hip?tesis nula: Los Residuales son normales
#Hip?tesis alternativa: Los Residuales No son normales
#Si el valor-p es menor que el nivel de significancia (alpha) debe ser
#rechazada la hip?tesis nula
cvm.test(lm$residuals)
sf.test(lm$residuals)
frosini.norm.test(lm$residuals)
geary.norm.test(lm$residuals)
jb.norm.test(lm$residuals)
kurtosis.norm.test(lm$residuals)
skewness.norm.test(lm$residuals)
#agostino.test(lm$residuals)
#An?lisis gr?fico de la normalidad de los residuales
summary(lm$residuals)
par(mfcol=c(1,1))
boxplot(lm$residuals,col = c("pink"))
abline(0,0,col=1,lwd=2,lty=2)
par(mfcol=c(1,1))
hist(lm$residuals,ylab="",xlab="",main="",
col="pink",freq=FALSE)#,ylim=c(0,0.005))
lines(density(lm$residuals),col="black",lwd=2,lty=2)
legend("topright",col="black",legend=c("Curva de densidad"),lwd=2,lty=2,bty="n")
par(mfcol=c(1,1))
qqnorm(lm$residuals,
col=18,pch=17)
qqline(lm$residuals,lwd=2,lty=2)
skewness(lm$residuals)
kurtosis(lm$residuals)
# 3re Supuesto
# Varianza constante
bptest(lm) #studentized Breusch-Pagan test %%
#Hip?tesis nula: Las varianzas de los tratamiento son iguales
#Hip?tesis alternativa: Las varianzas de los tratamiento No son iguales
#Si el valor-p es menor que el nivel de significancia (alpha) debe ser
#rechazada la hip?tesis nula
#An?lisis gr?fico del supuesto de varianza constante
par(mfrow=c(1,1))
plot(lm$fit,lm$res,xlab="Predichos",ylab="Residuales",main="",col=18,pch=17)
abline(h=0,col=1,lty=2,lwd=2)
```