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:ce225-2012-02:historico [2013/02/15 21:21] paulojus |
disciplinas:ce225-2012-02:historico [2013/03/04 08:00] paulojus |
||
|---|---|---|---|
| Linha 28: | Linha 28: | ||
| | 01/02 | LABEST (VER ABAIXO) |Interpretações de resultados das análises | | | | | | | | | 01/02 | LABEST (VER ABAIXO) |Interpretações de resultados das análises | | | | | | | | ||
| | 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 (VER ABAIXO)|Testes de hipótese em GLM e tipos de resíduos, com ênfase em de Pearson e de Deviance | | | | | | | | ||
| - | | 08/02 | LABEST (VER ABAIXO) | | | | | | | | | + | | 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) | | | | | | | | | ||
| + | | 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| | | | | | | | | ||
| + | | 01/03 | LABEST - exemplos de "outros" GLM's. Ex: Escolha da modelo, modelo binomial negativo e quasipoisson (ver abaixo)| | | | | | | | | ||
| Linha 343: | Linha 347: | ||
| lines(exp(ypred$fit + 2*ypred$se.fit) ~ I(ano.seq+1980), lty=2) | lines(exp(ypred$fit + 2*ypred$se.fit) ~ I(ano.seq+1980), lty=2) | ||
| </code> | </code> | ||
| - | . | + | |
| - | | + | === 20/02 === |
| + | - Obter as funções de verossimilhança para os quatro modelos discutidos em aula para tabelas de contingência | ||
| + | - proceder as análises com cada um dos modelos usando algum ambiente computacional | ||
| + | - Examinar e justificar a razão pela qual podem ser ajustados com GLM com família Poisson | ||
| + | - Comparar e discutir semelhanças e diferenças entre o ajuste de GLM com outros procedimentos (teste exato de fisher, teste chi-quadrado) | ||
| + | |||
| + | === 22/02 === | ||
| + | - Mostrar como quantidades de interesse (predição) podem ser obtidas. Utilizar os exemplos vistos em aula. | ||
| + | - Mostrar como obter as predições na escala da resposta e da função de ligação | ||
| + | - Mostrar como obter os intervalos de predição | ||
| + | - Verificar os resultados com os retornados pela função ''predict()'' do R | ||
| + | - **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 as contagens esperadas no exemplo de //crença vc sexo" ? | ||
| + | |||
| + | === 01/03 === | ||
| + | <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 | ||
| + | ## - 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> | ||
