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 Ambos lados da revisão seguinte | ||
|
disciplinas:ce227-2016-01:historico [2016/05/18 09:48] paulojus |
disciplinas:ce227-2016-01:historico [2016/05/18 18:29] paulojus |
||
|---|---|---|---|
| Linha 38: | Linha 38: | ||
| | 11/05 Qua |Discussão Caps 7 e 8 do material | | |[[#11/05|Ver abaixo]] | | | 11/05 Qua |Discussão Caps 7 e 8 do material | | |[[#11/05|Ver abaixo]] | | ||
| | 16/05 Seg |Inferência Bayesiana utilizando o JAGS - instalação e exemplos | | |[[#16/05|Ver abaixo]] | | | 16/05 Seg |Inferência Bayesiana utilizando o JAGS - instalação e exemplos | | |[[#16/05|Ver abaixo]] | | ||
| + | | 18/05 Seg |Inferência Bayesiana utilizando o JAGS/INLA - mais exemplos | | |[[#18/05|Ver abaixo]] | | ||
| Linha 281: | Linha 282: | ||
| </code> | </code> | ||
| + | === 18/05 === | ||
| + | - {{:disciplinas:ce227:ce227-av04.pdf|Arquivo com exemplos de modelos visto em aula}} | ||
| + | - {{:disciplinas:ce227:apresentacao-inla.pdf|INLA - idéias básicas}} | ||
| + | - [[https://arxiv.org/pdf/1604.00860v1.pdf|Artigo recente de revisão do INLA]] pelos seus desenvolvedores | ||
| + | - Mais um exemplo de análise com efeitos aleatórios (serialmente) correlacionados<code R> | ||
| + | require(INLA) | ||
| + | ## | ||
| + | ## Visualizado dados | ||
| + | ## | ||
| + | data(Tokyo) | ||
| + | head(Tokyo) | ||
| + | plot(y ~ time, data=Tokyo) | ||
| + | ## colocando na forma de proporção de dias com chuva | ||
| + | plot(y/2 ~ time, data=Tokyo) | ||
| + | ## | ||
| + | ## 1. Modelo "Nulo": só intercepto | ||
| + | ## estimando a probabilidade de chuva como uma constante: | ||
| + | fit.glm <- glm(cbind(y, n-y) ~ 1, family=binomial, data=Tokyo) | ||
| + | abline(h=exp(coef(fit.glm))/(1+exp(coef(fit.glm))), col=2, lty=3, lwd=3) | ||
| + | ## como, como este modelo, todos os valores preditos são iguais bastaria fazer: | ||
| + | abline(h=fitted(fit.glm)[1], col=2, lty=3, lwd=3) | ||
| + | ## | ||
| + | ## 2. Modelo com probabilidades variando no tempo (variável/processo latente) | ||
| + | ## modelando o logito(probabilidade) como um efeito aleatório correlacionado no tempo | ||
| + | ## segundo um "random walk" cíclico de ordm 2 | ||
| + | modelo = y ~ 0 + f(time, model="rw2", cyclic=T, param=c(1, 0.0001)) | ||
| + | fit <- inla(modelo, data=Tokyo, family="binomial", Ntrials=n, control.predictor=list(compute=TRUE)) | ||
| + | ## | ||
| + | names(fit) | ||
| + | head(fit$summary.fitted.values) | ||
| + | ## sobrepondo ao gráfico dos dados (moda, mediana e médi são praticamente indistinguíveis | ||
| + | with(fit, matlines(summary.fitted.values[,c(1,3:6)], lty=c(1,2,2,2,3), col=1)) | ||
| + | ## | ||
| + | ## 3. Agora o mesmo modelo nulo anterior porém jusado pelo INLA | ||
| + | ## | ||
| + | modelo0 = y ~ 1 | ||
| + | fit0 <- inla(modelo0, data=Tokyo, family="binomial", Ntrials=n, control.predictor=list(compute=TRUE)) | ||
| + | summary(fit0) | ||
| + | fit0$summary.fitted.values | ||
| + | with(fit0, matlines(summary.fitted.values[,c(1,3:6)], lty=c(1,2,2,2,3), col=2)) | ||
| + | ## | ||
| + | ## 4. Modelando usando GAM (generalised additive model) | ||
| + | ## | ||
| + | require(mgcv) | ||
| + | fit.gam <- gam(cbind(y, n-y) ~ s(time), family=binomial, data=Tokyo) | ||
| + | names(fit.gam) | ||
| + | fitted(fit.gam, se=T) | ||
| + | pred.gam <- predict(fit.gam, type="response", se=T, newdata=Tokyo["time"]) | ||
| + | names(pred.gam) | ||
| + | with(pred.gam, matlines(cbind(fit, fit+2*se.fit, fit-2*se.fit), lty=c(1,2,2), col=4)) | ||
| + | </code> | ||
