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 | ||
|
disciplinas:ce225-2012-02:historico [2013/02/27 17:41] paulojus a revisão anterior foi restaurada (2013/02/27 17:37) |
disciplinas:ce225-2012-02:historico [2013/03/04 08:09] (atual) paulojus [22/02] |
||
|---|---|---|---|
| Linha 25: | Linha 25: | ||
| | 23/01 | PA-03 |Modelagem estatística: de LM's a GLM's | | | | | | | | | 23/01 | PA-03 |Modelagem estatística: de LM's a GLM's | | | | | | | | ||
| | 25/01 | PA-03 |Comparando modelos e estratégias de modelagem em determinados problemas - em quais aspectos os modelos são diferentes? Modelos lineares, linearizáveis, não lineares, normais e não normais. Avaliação e comparação de ajustes de modelos. | | | | | | | | | 25/01 | PA-03 |Comparando modelos e estratégias de modelagem em determinados problemas - em quais aspectos os modelos são diferentes? Modelos lineares, linearizáveis, não lineares, normais e não normais. Avaliação e comparação de ajustes de modelos. | | | | | | | | ||
| - | | 30/01 | LABEST (VER ABAIXO) |Exemplos de problemas sob a forma de GLM's | | | | | | | | + | | 30/01 | LABEST |Exemplos de problemas sob a forma de GLM's (VER ABAIXO) | | | | | | | |
| - | | 01/02 | LABEST (VER ABAIXO) |Interpretações de resultados das análises | | | | | | | | + | | 01/02 | LABEST |Interpretações de resultados das análises (VER ABAIXO) | | | | | | | |
| - | | 06/02 | PA-03 (VER ABAIXO)|Testes de hipótese em GLM e tipos de resíduos, com ênfase em de Pearson e de Deviance | | | | | | | | + | | 06/02 | PA-03 |Testes de hipótese em GLM e tipos de resíduos, com ênfase em de Pearson e de Deviance (VER ABAIXO)| | | | | | | |
| - | | 15/02 | LABEST Análise de tabelas de contingência. Distribuições e modelos alternativos e equivalências em análise via GLM| | | | | | | | | + | | 15/02 | LABEST | Análise de tabelas de contingência. Distribuições e modelos alternativos e equivalências em análise via GLM| | | | | | | | |
| - | | 20/02 |atividades de estudo (ver abaixo) | | | | | | | | | + | | 20/02 |atividades de estudo |(ver abaixo) | | | | | | | |
| - | | 22/02 |atividades de estudo (ver abaixo) | | | | | | | | | + | | 22/02 |atividades de estudo |(ver abaixo) | | | | | | | |
| - | | 27/02 |PA-03. Outros GLM's - estendendo GLM usuais - modelos com dispersão, modelagem de média e variância, quasi verosimilhança, superdispersão e efeitos eleatórios| | | | | | | | | + | | 27/02 |PA-03 | Outros GLM's - estendendo GLM usuais - modelos com dispersão, modelagem de média e variância, quasi verosimilhança, superdispersão e efeitos aleatórios | | | | | | | |
| - | | 01/03 | LABEST - exemplos de "outros" GLM's| | | | | | | | | + | | 01/03 | LABEST |exemplos de "outros" GLM's. Ex: Escolha da modelo, modelo binomial negativo e quasipoisson (ver abaixo) | | | | | | | |
| Linha 359: | Linha 359: | ||
| - Mostrar como obter os intervalos de predição | - Mostrar como obter os intervalos de predição | ||
| - Verificar os resultados com os retornados pela função ''predict()'' do R | - Verificar os resultados com os retornados pela função ''predict()'' do R | ||
| - | - **Algumas sugestões** | + | - Algumas sugestões: |
| - como calcular os valores da curva de valores ajustados nos exemplos da //creatinina vs infarto// e no de "novos casos de AIDS na Bélgica". Ainda neste exemplo, como estimar a dose associada a uma certa probabilidade fixada de morte? | - como calcular os valores da curva de valores ajustados nos exemplos da //creatinina vs infarto// e no de "novos casos de AIDS na Bélgica". Ainda neste exemplo, como estimar a dose associada a uma certa probabilidade fixada de morte? | ||
| - | - como calcular as contagens esperadas no exemplo de //crença vc sexo" ? | + | - como calcular as contagens esperadas no exemplo de //crença vc sexo// ? |
| + | |||
| + | |||
| + | === 01/03 === | ||
| + | Comandos do exemplo discutido em aula | ||
| + | <code R> | ||
| + | ## carregando o conjunto de dados DHF99 do pacote epicalc | ||
| + | require(epicalc) | ||
| + | data(DHF99) | ||
| + | head(DHF99) | ||
| + | help(DHF99) | ||
| + | summary(DHF99) | ||
| + | summary(DHF99) | ||
| + | ## a variável village está como numérica mas de fato é um fator | ||
| + | DHF99$village <- as.factor(DHF99$village) | ||
| + | summary(DHF99) | ||
| + | ## | ||
| + | ## Ajustando GLM's | ||
| + | glm1 <- glm(containers ~ village + education, data=DHF99, family=poisson) | ||
| + | glm1 | ||
| + | summary(glm1) | ||
| + | anova(glm1) | ||
| + | ## | ||
| + | ## vamos usar agora apenas a informação do tipo de vila | ||
| + | glm2 <- glm(containers ~ viltype + education, data=DHF99, family=poisson) | ||
| + | glm2 | ||
| + | summary(glm1) | ||
| + | anova(glm1) | ||
| + | ## | ||
| + | ## comparando os ajustes | ||
| + | anova(glm2, glm1, test="Chisq") | ||
| + | ## Portanto a informação individual de cada vila é relevante. | ||
| + | ## Entretanto, como exemplo vamos supor que não dispomos da informação individual | ||
| + | ## e apenas o tipo de vila. | ||
| + | ## Neste caso o ajuste não é bom e vamos tentar alternativas | ||
| + | ## 1. Modelo com interação | ||
| + | glm3 <- glm(containers ~ viltype * education, data=DHF99, family=poisson) | ||
| + | anova(glm2, glm3, test="Chisq") | ||
| + | anova(glm2, glm3, test="F") | ||
| + | ## 2. Modelo Binomial negativo | ||
| + | require(MASS) | ||
| + | glm2BN <- glm.nb(containers ~ viltype + education, data=DHF99) | ||
| + | glm2BN | ||
| + | c(poisson=logLik(glm2), BN=logLik(glm2BN)) | ||
| + | c(poisson=deviance(glm2), BN=deviance(glm2BN)) | ||
| + | c(poisson=AIC(glm2), BN=AIC(glm2BN)) | ||
| + | ## comparando os coeficientes e erros padrão | ||
| + | summary(glm2) | ||
| + | summary(glm2BN) | ||
| + | ## 3. Modelo quasipoisson | ||
| + | glm2Q <- | ||
| + | glm(containers ~ viltype + education, data=DHF99, family=quasipoisson) | ||
| + | ## comparando os coeficientes e erros padrão | ||
| + | summary(glm2) | ||
| + | summary(glm2Q) | ||
| + | ## Note que os ajustes poderiam ser avaliados em mais detalhes | ||
| + | par(mfrow=c(2,2)) | ||
| + | plot(glm1) | ||
| + | plot(glm2) | ||
| + | plot(glm3) | ||
| + | plot(glm2BN) | ||
| + | ## | ||
| + | ## As análises poderiam prosseguir de diversas formas. Alguns exemplos: | ||
| + | ## - avaliando ainda outros modelos como por exemplo inflacionados de de zeros, hurdle . | ||
| + | ## - verificando a relevância das covariáveis (e.g education) | ||
| + | ## - Caso as vilas fossem consideradas poderia-se avaliar modelos mistos como vilas como efeito aleatórios | ||
| + | </code> | ||
