Não foi possível enviar o arquivo. Será algum problema com as permissões?
Diferenças
Aqui você vê as diferenças entre duas revisões dessa página.
Ambos lados da revisão anterior Revisão anterior Próxima revisão | Revisão anterior Próxima revisão Ambos lados da revisão seguinte | ||
disciplinas:ce092-2018-02:historico [2018/08/02 19:11] paulojus |
disciplinas:ce092-2018-02:historico [2018/11/05 20:30] paulojus |
||
---|---|---|---|
Linha 15: | Linha 15: | ||
^ Data ^ Conteúdo ^ Leitura ^ Tópico ^ | ^ Data ^ Conteúdo ^ Leitura ^ Tópico ^ | ||
- | | 31/07 Seg |Informações sobre o curso. Uma discussão sobre algumas possíveis extensões do modelo de regressão: GLM's, modelos com respostas transformadas. Modelos heterocedásticos e com covariância não nula entre observações. |Cap 1 - Introdução \\ Livro do Faraway | [[#31/07|Ver abaixo]] | | + | | 31/07 Ter |Informações sobre o curso. Uma discussão sobre algumas possíveis extensões do modelo de regressão: GLM's, modelos com respostas transformadas. Modelos heterocedásticos e com covariância não nula entre observações. |Cap 1 - Introdução \\ Livro do Faraway | [[#31/07|Ver abaixo]] | |
+ | | 02/08 Qui |Discussão sobre o exercício do cálculo de média, incluindo uma revisão sobre estimação e métodos de estimação. Média como resultado de estimação por mínimos quadrados. Média como resultado de estimação por verossimilhança. Construção da verossimilhança para o problema proposto. Solução computacional. | | [[#02/08|Ver abaixo]] | | ||
+ | | 07/08 Ter |Comentários adicionais sobre ajustes com dados intervalares. Modelos com transformação da variável resposta. Família (Box-Cox) de transformação. Outras distribuições para respostas. Regressão: média, por partes, regressão linear por partes e segmentada. | | [[#07/08|Ver abaixo]] | | ||
+ | | 09/08 Qui |Regressão com variáveis transformadas e regressão por partes: detalhamento e códigos | | [[#09/08|Ver abaixo]] | | ||
+ | | 14/08 Ter |Ajuste de diferentes médias. Parametrizações e reparametrizações. Matrizes dos modelos. Interpretação dos parâmetros. De regressão segmentada à regressão por partes. Restrição de continuidade. Expressão do modelo e número de parâmetros | | [[#14/08|Ver abaixo]] | | ||
+ | | 16/08 Qui |Comandos para exemplos de regressão com transformação e segmentada. Funções polinomiais locais - o caso cúbicas. Restrições de continuidade e suavidade. O conceito de funções base. splines, Exemplos. | | [[#16/08|Ver abaixo]] | | ||
+ | | 21/08 Ter |Ilustração de conceitos vistos com "scripts" computacionais. Fundamento para escolha do(s) nó(s) em regressão segmentada/splines| | [[#21/08|Ver abaixo]] | | ||
+ | | 23/08 Qui |1a avaliação intermediária | | | | ||
+ | | 28/08 Qui |Discussão da 1a avaliação intermediária. | | [[#28/08|Ver abaixo]] | | ||
+ | | 30/08 Qui |Atividade de estudo. Sem aula expositiva | | [[#30/08|Ver abaixo]] | | ||
+ | | 04/08 Ter |Outros métodos de suavização: KNN, kernel, suavização por splines, lowess |Cap 14: 14.1 a 14.4 | | | ||
+ | | 06/08 Qui |Outros métodos de suavização: KNN, kernel, suavização por splines, lowess (cont.) |Cap 14: 14.1 a 14.4 | | | ||
+ | | 11/08 Ter |Uma discussão sobre recursos computacionais e estatística. Introdução aos efeitos aleatórios | | [[#11/09|Ver abaixo]] | | ||
+ | | 13/08 Qui |Efeitos aleatórios - um modelo particular e generalizações. Predição dos efeitos aleatórios | | [[#13/09|Ver abaixo]] | | ||
+ | | 18/08 Ter |Efeitos aleatórios - Efeitos aleatórios por grupos de observações. Predição dos efeitos aleatórios. Especificação geral do modelo Gaussiano e casos vistos até aqui como particulares do modelo geral. | | [[#18/09|Ver abaixo]] | | ||
+ | | 20/08 Qui |Estimação em efeitos aleatórios. Obtenção das expressões. Estimação por verossimilhança e métodos numéricos. | | | | ||
+ | | 27/08 Ter |Não houve aula. | | | | ||
+ | | 29/08 Qui |Computação em modelos de efeitos aleatórios | |[[#29/09|Ver abaixo]] | | ||
+ | | 02/10 Ter |SIEPE - dia não letivo | | | | ||
+ | | 04/10 Qui |SIEPE - dia não letivo | | | | ||
+ | | 09/10 Qui |Discussão/interpretação do artigo de Singer et. al. | |[[#09/10|Ver abaixo]] | | ||
+ | | 22/10 Ter |Simulação de dados em modelos de efeitos aleatórios. Modelos para respostas não gaussianas - introdução | |[[#22/10|Ver abaixo]] | | ||
+ | | 24/10 Qui |Inferência em GLMM | |[[#24/10|Ver abaixo]] | | ||
+ | | 30/10 Ter |Sem aula presencial. Atividade recomendada: discussão em grupo dos exercícios propostos nas últimas aulas | | | | ||
+ | | 01/11 Qui |Discussão de exemplo de análise da dados de contagem com efeitos aleatórios (Ex no livro de Faraway). ''glmmPQL()'' e ''glmer()'' | | | | ||
=== 31/07 === | === 31/07 === | ||
- Calcular a média entre os três dados nas seguintes situações: | - Calcular a média entre os três dados nas seguintes situações: | ||
- As observações são: 22, 25, 32 | - As observações são: 22, 25, 32 | ||
- | - As observações são: <24, [23, 25] , >30 | + | - As observações são: <24, [23, 28] , >30 |
- | - De todas as seis observações acima | + | - As observações são: >24, [23, 28] , <30 |
- | + | - De todas as observações: pontuais e intervalares | |
+ | - {{ :disciplinas:ce092-2018-02:00intervalares.r |Arquivo de comandos}} | ||
+ | - Generalizar o arquivo de comandos anterior para incluir a estimação da variância | ||
+ | - De forma semelhante ao problema anterior, deseja-se calcular a média os casos a seguir, sabendo-se agora que se referem **a dados de contagem**. | ||
+ | - As observações são: 2, 0, 5, 3, 1, 3, 1, 2 | ||
+ | - As observações são: > 0, 0, [3-7], >= 1, 1, 3, < 3, <= 4 | ||
=== 02/08 === | === 02/08 === | ||
- Seja uma variável (resposta) Y e uma covariável X com valores dados conforme abaixo. Ajuste um modelo de regressão linear simples.<WRAP> | - Seja uma variável (resposta) Y e uma covariável X com valores dados conforme abaixo. Ajuste um modelo de regressão linear simples.<WRAP> | ||
- | | X | 0.4 | 1.2 | 1.8 | 1.9 | 2.0 | 6.8 | 7.6 | 8.3 | 8.7 | 9.3 | 10.7 | 11.3 | 13.0 | 13.4 | 14.2 | | + | | X | 0.4| 1.2| 1.8| 1.9| 2.0| 6.8| 7.6| 8.3| 8.7| 9.3| 10.7| 11.3| 13.0| 13.4| 14.2| |
- | | Y | 0.8 | 2.4 | 1.8 | 2.4 | 2.4 | 2.9 | 3.6 | 3.7 | 3.1 | 4.9 | 3.6 | 3.2 | 4.1 | 4.6 | 3.8 | | + | | Y | 0.8| 2.4| 1.8| 2.4| 2.4| 2.9| 3.6| 3.7| 3.1| 4.9| 3.6| 3.2| 4.1| 4.6| 3.8| |
</WRAP> | </WRAP> | ||
- | - Repita agora o ajusta porém supondo a seguinte tabela de dados (com algumas respostar intervalares)<WRAP> | + | - Repita agora o ajusta porém supondo a seguinte tabela de dados (com algumas respostas intervalares)<WRAP> |
- | | X | 0.4 | 1.2 | 1.8 | 1.9 | 2.0 | 6.8 | 7.6 | 8.3 | 8.7 | 9.3 | 10.7 | 11.3 | 13.0 | 13.4 | 14.2 | | + | | X | 0.4| 1.2| 1.8| 1.9| 2.0| 6.8| 7.6| 8.3| 8.7| 9.3| 10.7| 11.3| 13.0| 13.4| 14.2| |
- | | Y | 0.8 | < 1.8 | [1,5; 20] | 2.4 | > 2 | 2.9 | 3.6 | < 4 | [2,5; 4] | > 4.5 | < 4 | 3.2 | 4.1 | [4; 5] | < 5 | | + | | Y | 0.8| < 1.8| [1,5; 20]| 2.4| > 2| 2.9| 3.6| < 4| [2,5; 4]| > 4.5| < 4| 3.2| 4.1| [4; 5]| < 5| |
</WRAP> | </WRAP> | ||
+ | === 07/08 === | ||
+ | - Utilizando {{:disciplinas:ce092-2015-02:df02.txt|este arquivo de dados}}, efetue as análises das regressões de Y1 vs x e Y2 vs x, cada uma delas com os modelos de regressão linear simples inicialmente e depois com: | ||
+ | - transformação (log) da variável resposta, | ||
+ | - transformação (raiz quadrada) da variável resposta, | ||
+ | - transformação (Box-Cox) da variável resposta | ||
+ | - distribuição Gama para a resposta. | ||
+ | - Compare as verossimilhanças dos modelos ajustados lembrando de torná-las comparáveis se necessário. | ||
+ | - Ainda utilizando os mesmos dados, ajuste modelos: | ||
+ | - de média constante, | ||
+ | - de médias constantes por partes/intervalos | ||
+ | - de regressão linear simples | ||
+ | - de regressão segmentada. Defina (arbitrariamente) um "ponto de corte" em 1,2 | ||
+ | |||
+ | Copie o arquivo para um diretório (pasta), aponte o R para esta pasta e importe os dados com: | ||
+ | <code R> | ||
+ | df <- read.table("df02.txt", head=TRUE) | ||
+ | </code> | ||
+ | |||
+ | === 09/08 === | ||
+ | - {{ :disciplinas:ce092-2018-02:01partes.r |Arquivo de comandos visto em aula}} | ||
+ | - derivar e implementar modelos por partes para 3 ou mais partes | ||
+ | - derivar o modelo e escrever o código para o modelo de regressão segmentada (conectado no(s) nó(s)) | ||
+ | - refazer os Exemplos 1 e 5 do arquivo de comandos porém agora estimando o "nó". | ||
+ | |||
+ | === 14/08 === | ||
+ | - (**computacional**) Ajuste o modelo de (3) médias sob as diferentes vistas na aula (.. e pode propor outras), discuta a interpretação dos parâmetros e verifique que as medidas de ajuste são iguais. | ||
+ | - Defina e ajuste um modelo de regressão segmentada para o exemplo (arquivo de dados da aula de 07/08) com um ponto de corte (nó) fixado. | ||
+ | - Idem fixando 2 nós. | ||
+ | - Discuta nos casos anteriores como devem ser interpretados os parâmetros de seu modelo. | ||
+ | - Procure explorar diferentes parametrizações. | ||
+ | - Proponha um ajuste de regressão segmentada para os dados: <code R> | ||
+ | MASS::mcycle | ||
+ | with(MASS::mcycle, plot(accel ~ times)) | ||
+ | </code> | ||
+ | |||
+ | === 16/08 === | ||
+ | - {{ :disciplinas:ce092-2018-02:01transforma.r |arquivo de comandos - transformações}} | ||
+ | - {{ :disciplinas:ce092-2018-02:exemplo-linear-to-splines.r |arquivo de comandos visto em aula - splines}} (nova versão, atualizado em 23/08 19:30) | ||
+ | - Refaça o exemplo com os dados ''MASS::mcycle'' mas agora ajustando splines cúbicos | ||
+ | - Considere o problema de regressão por splines cúbicos com 1 ponto de corte e derive as expressões das restrições para continuidade e suavidade | ||
+ | - verifique as funções do pacote **''splines''** para construir splines. Refaça o exemplo de splines cúbicos do arquivo visto em aula utilizando tais funções. | ||
+ | |||
+ | === 21/08 === | ||
+ | - {{ :disciplinas:ce092-2018-02:01partes.r |Arquivo de comandos visto em aula}} (atualizado de 09/08) | ||
+ | - {{ :disciplinas:ce092-2018-02:knots.r |Arquivo sobre escolha do nó}} | ||
+ | - {{ :disciplinas:ce092-2018-02:mediatransform.r |Arquivo sobre média (e variância) na escala original) após transformação}} (nova versão, atualizado em 23/08) | ||
+ | |||
+ | === 28/08 === | ||
+ | **Tópico para discussão:** e estimação da média (esperança) a partir de um conjunto de dados depende da escolha da distribuição de probabilidades assumida para os dados?\\ | ||
+ | Atividade computacional sugerida | ||
+ | - Gere um conjunto de dados pontuais e estime a média por verossimilhança assumindo diferentes distribuições. Verifique se as estimativas mudam. | ||
+ | - Idem anterior com dados (todos ou parte deles) intervalares | ||
+ | |||
+ | === 30/08 === | ||
+ | - Explorar detalhadamente {{ :disciplinas:ce092-2018-02:exemplo-linear-to-splines.r |este arquivo de comandos}} | ||
+ | | ||
+ | === 11/09 == | ||
+ | - Explorar o material (shiny) preparado pela Jhenifer e Lineu | ||
+ | |||
+ | === 13/09 == | ||
+ | - Explorar o {{ :disciplinas:ce092-2018-02:ranef01.r |arquivo de comandos}} visto em aula. | ||
+ | - Procure mudar termos e opções para verificar os efeitos | ||
+ | - Escrever um código para estimar os parâmetros do modelo discutido em aula | ||
+ | |||
+ | === 18/09 == | ||
+ | - O {{ :disciplinas:ce092-2018-02:ranef01.r |arquivo de comandos}} visto na aula passada foi atualizado. | ||
+ | - Procure mudar termos e opções para verificar os efeitos | ||
+ | - Montar a matriz adequada para ajustar uma regressão linear para cada grupo, com os coeficientes da regressão considerados como aleatórios. Contraste com a regressão ajustada para cada grupo. | ||
+ | |||
+ | === 18/09 == | ||
+ | - O {{ :disciplinas:ce092-2018-02:ranef01.r |arquivo de comandos}} visto na aula passada foi novamente atualizado incluindo agora estimação de parâmetros. | ||
+ | |||
+ | === 29/09 === | ||
+ | - [[http://leg.ufpr.br/~paulojus/embrapa/Rembrapa/Rembrapase27.html#x29-18300027|Um outro exemplo de códigos com uma análise similar]]. Modificar os códigos se necessário para nova versão da **lme4**. Interpretar os resultados e extrair resumos interessantes da análise. | ||
+ | - <wrap>Estudar o artigo de Singer et.al. Confiabilidade e Precisão na Estimação de Médias\\ | ||
+ | Julio M. Singer, Carmen Diva Saldiva de André, Clóvis de Araújo Peres\\ **Confiabilidade e Precisão na Estimação de Médias**\\ [[http://www.rbes.ibge.gov.br/images/doc/rbe_236_jan_jun2012.pdf|Revista Brasileira de Estatística, v73]], n. 236, jan./jun. 2012. </wrap> | ||
+ | - Escrever códigos que reproduzam as análises do artigo<code> | ||
+ | Local Concentra | ||
+ | 1 170,6 | ||
+ | 1 154,7 | ||
+ | 1 136,4 | ||
+ | 1 153,1 | ||
+ | 2 68,0 | ||
+ | 2 66,4 | ||
+ | 2 70,3 | ||
+ | 2 71,1 | ||
+ | 3 151,5 | ||
+ | 3 138,0 | ||
+ | 3 128,4 | ||
+ | 3 118,1 | ||
+ | 4 153,9 | ||
+ | 4 149,1 | ||
+ | 4 147,5 | ||
+ | 4 103,8 | ||
+ | 5 83,9 | ||
+ | 5 101,4 | ||
+ | 5 117,3 | ||
+ | 5 114,1</code> | ||
+ | - [[http://www.leg.ufpr.br/~walmes/ensino/extensoes/tutorials/02-mixed-models.html|Material modelos mistos na análise de experimentos do Prof. Walmes]] | ||
+ | |||
+ | === 09/10 === | ||
+ | - {{ :disciplinas:ce092-2016-02:singer.dat |Dados do artigo }} | ||
+ | - {{:disciplinas:ce092-2016-02:codigo.r|Códigos reproduzindo alguns resultados do artigo}} de Singer et. al. | ||
+ | |||
+ | === 22/10 === | ||
+ | Simular dados para cada uma das situações a seguir. Em cada caso fazer gráficos adequados dos dados simulados. Considerar diferentes cenários na simulação. | ||
+ | - Simular dados do modelo para grupos de observações, semelhante utilizado no artigo de Singer et al. | ||
+ | - Simular dados do modelo longitudinal com efeito linear no tempo e intercepto aleatório. | ||
+ | - Simular dados do modelo longitudinal com efeito linear no tempo e intercepto e inclinação aleatórios. | ||
+ | |||
+ | === 24/10 === | ||
+ | - Simular dados para cada uma das situações anteriores porém agora resposta Poisson. Em cada caso fazer gráficos adequados dos dados simulados. Considerar diferentes cenários na simulação. | ||
+ | - Ajustar modelos aos dados simulados usando a ''lme4:::lmer()'' | ||
+ | - Escrever a expressão da verossimilhança para o modelo Poisson con efeito aleatório em grupos de observações (situação 1 das simulações) | ||
+ | - **Desafio**: escrever um código para estimar os parêmetros no primeiro caso e comparas suas estimativas com a da ''lme4:::glmer()'' | ||