Não foi possível enviar o arquivo. Será algum problema com as permissões?
Diferenças

Diferenças

Aqui você vê as diferenças entre duas revisões dessa página.

Link para esta página de comparações

Ambos lados da revisão anterior Revisão anterior
Próxima revisão
Revisão anterior
artigos:ernesto3:simpj [2008/10/08 19:52]
paulojus
artigos:ernesto3:simpj [2008/10/16 00:50] (atual)
paulojus
Linha 1: Linha 1:
 ====== A joint model proposal????​ ====== ====== A joint model proposal????​ ======
 +  - {{artigos:​ernesto3:​joint.rnw|Arquivo Sweave com o modelo proposto}}
  
 ===== Ideias for simulation and model ===== ===== Ideias for simulation and model =====
Linha 12: Linha 13:
 Daqui para frente seguem duas sequencias de possiveis procedimentos:​ Daqui para frente seguem duas sequencias de possiveis procedimentos:​
  
-A. proporcoes ​como funcoes ​perfeitas de Y+A. proporções ​como funções ​perfeitas de Y
   A.2. Obter   A.2. Obter
         p1 <- exp(1*Y)/​(1+exp(1*Y))         p1 <- exp(1*Y)/​(1+exp(1*Y))
Linha 51: Linha 52:
 <​latex>​p_i = exp(\beta_0 + \beta_1 Y)/(1 +  exp(\beta_0 + \beta_1 Y))</​latex>​ <​latex>​p_i = exp(\beta_0 + \beta_1 Y)/(1 +  exp(\beta_0 + \beta_1 Y))</​latex>​
  
-e os valores de beta_0 e beta_1 controlam o comportamento e com isto poderia-se escolher qual a calsse a ser representada por cada um deles.+e os valores de <​latex>​beta_0</​latex> ​<​latex>​beta_1</​latex> ​controlam o comportamento e com isto poderia-se escolher qual a calsse a ser representada por cada um deles.
  
 B. Semelhante a anterior porem adicionando uma aleatoriedade nas proporcoes B. Semelhante a anterior porem adicionando uma aleatoriedade nas proporcoes
- B.2. Obter como anterior porem adicionando um "​ruido",​ trocando + B.2. Obter como anterior porem adicionando um "​ruido",​ trocando Y no algoritmo anterior ​por    ​ 
-      ​Y por    Y + rnorm(length(y),​ m=0, sd=0.1)+<code R> 
 +Y + rnorm(length(y),​ m=0, sd=0.1) 
 +</​code>​ 
 Depois ​ fazer o mesmo para p2 e o resto fica como no algortmo anterior Depois ​ fazer o mesmo para p2 e o resto fica como no algortmo anterior
  
 +E..... acho que acabo de inventar um novo modelo para modelagem conjunta!!!!!
  
-Me diga o que acha disto 
  
 +Comentário adicional: para fechar o modelo seria bom que os p's já fosse gerados de forma a somar 1 sem a necessidade de "​padronizar"​. Imagino que deve ser possível impor uma restrição nos coeficientes <​latex>​\beta</​latex>​ para garantir isto.\\
 +Uma outra possibilidade é dividir as probs p1 e p2 por 2 e com isto garantir qq beta ser válido -- ver os efeitos disto pois coloca um limite de 0.5 em p1 e p2 o que pode nao ser uma boa ideia...
  
-E..... acho que acabo de inventar um novo modelo para modelagem conjunta!!!!!+Em uma ou outra situação ainda nao está claro como gerar uma situação onde uma das classes possa ter quase 100%  -- talvez pensar em algo como multiplicar as proporcoes ou na escala LRT 
 + 
 +//​**pensando melhor...**// 
 +pensando melhor no que escrevi antes acho que me empolguei meio rápido demais: 
 +  - p3 precisa ser calculado associado aos betas tb caso contrário se for feito por diferenca como propus inicialmente composicoes (p1 e p2) que ficam restritas a serem menores que 0.5Com isto acho que modelo ​ ​válido 
 +  - me parece ainda que uma outra idéia ​para gerar associação estava bem na nossa frente e nao percebemos: usar o  modelo multinomial com a abundância como covárivel!!! - no paper isto pode ter certa vantagem por unificar com o diagnóstico que utilizamos. Seria bom fazer umas simu;ação [para ver as situações geradas. 
 + 
 +===== Alternativa usando CDA ===== 
 + 
 +<code R> 
 +require(lattice) 
 +require(MASS) 
 +require(geoR) 
 + 
 +gs <- expand.grid((0:​10)/​10,​ (0:​10)/​10) 
 +  
 +# basic gaussians to be used posteriorly  
 +s2 <- 0.5 
 +Sig <- diag(c(1,​1,​1,​1,​1)) 
 +Sig[1,4] <- 0.9 
 +Sig[4,1] <- 0.9 
 +Sig <- Sig*s2 
 +Sig 
 +m0 <- mvrnorm(nrow(gs),​ c(2,​0,​0,​0,​0),​ Sig) 
 +plot(as.data.frame(m0)) 
 +cor(m0) 
 + 
 +# Generate a spatial Gaussian process Y 
 +phi <- 0.25 
 +sigmasq <- 1 
 +Y <- grf(grid=gs,​ cov.pars=c(sigmasq,​ phi)) 
 +Y$data <- exp(m0[,​1]+Y$data) 
 +var(log(Y$data)) 
 + 
 +## option 1: age compositions independent from Y 
 +# Generate age compositions independent from Y 
 +comp.1 <- t(apply(cbind(exp(m0[,​c(2,​3)]),​1),​1,​function(x) x/​sum(x))) 
 +dim(comp.1) 
 +apply(comp.1,​ 2, range) 
 +cor(cbind(comp.1,​ log(Y$data))) 
 +plot(as.data.frame(cbind(comp.1,​ log(Y$data)))) 
 + 
 +lr.1 <- data.frame(lr13 = log(comp.1[,​1]/​comp.1[,​3]),​ lr23 = log(comp.1[,​2]/​comp.1[,​3]),​ Y=log(Y$data)) 
 +cor(lr.1) 
 +cor(lr.1, met="​spea"​) 
 +plot(lr.1) 
 + 
 + 
 +# Build abundance at age  
 +Yi.1 <- comp.1*Y$data  
 +dim(Yi.1) 
 +cor(cbind(Yi.1,​ log(Y$data))) 
 +plot(as.data.frame(cbind(Yi.1,​ log(Y$data)))) 
 + 
 +## option 2: age compositions dependent from Y 
 +# Generate age compositions dependent from Y 
 +comp.2 <- t(apply(cbind(exp(m0[,​c(3,​4)]),​1),​1,​function(x) x/​sum(x))) 
 +apply(comp.1,​ 2, range) 
 +cor(cbind(comp.2,​ log(Y$data))) 
 +cor(cbind(comp.2,​ log(Y$data)),​ met="​spea"​) 
 +plot(as.data.frame(cbind(comp.2,​ log(Y$data)))) 
 + 
 +lr.2 <- data.frame(lr13 = log(comp.2[,​1]/​comp.2[,​3]),​ lr23 = log(comp.2[,​2]/​comp.2[,​3]),​ Y=log(Y$data)) 
 +cor(lr.2) 
 +cor(lr.2, met="​spea"​) 
 +plot(lr.2) 
 + 
 +lr.2a <- data.frame(lr12 = log(comp.2[,​1]/​comp.2[,​2]),​ lr32 = log(comp.2[,​3]/​comp.2[,​2]),​ Y=log(Y$data)) 
 +cor(lr.2a) 
 +cor(lr.2a, met="​spea"​) 
 +plot(lr.2a) 
 + 
 +# Build abundance at age  
 +Yi.2 <- comp.2*Y$data  
 +dim(Yi.2) 
 +cor(cbind(Yi.2,​ log(Y$data))) 
 +plot(as.data.frame(cbind(Yi.2,​ log(Y$data)))) 
 +  
 +df0 <- data.frame(abund=c(Yi.1,​Yi.2),​ comp=c(comp.1,​comp.2),​Y=Y$data,​ opt=rep(c("​indep","​dep"​),​ 
 +                  rep(length(comp.1),​2)),​ age=rep(rep(c(1,​2,​3),​2),​rep(length(comp.1)/​3,​6))) 
 +  
 +# plots 
 +xyplot(comp~log(Y)|age*opt,​data=df0) 
 +xyplot(abund~Y|age*opt,​data=df0) 
 +plot(as.geodata(Y)) 
 +</​code>​ 
 + 
 +O problema que temos nestes casos em que simulamos Y e depois obtemos Yi por Y*pi é que a estrutura espacial dos Yi vai ser exactamente a mesma. Se acrescentarmos variabilidade com estrutura espacial temos que recalcular os pi ... 
 + 
 +PJ: De fato mas para fazer diferente teria que simular de outra forma pois aqui só tem um Y geoestatistico gerado. O modelo multivariado ​ conjunto para os LR seria a alternativa. Por outro lado eu nao vejo muito problema nesta fato pois as correlacoes entra as composicoes de certa forma tratam isto.
  
  
  
  

QR Code
QR Code artigos:ernesto3:simpj (generated for current page)