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: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 08:00] paulojus |
||
---|---|---|---|
Linha 32: | Linha 32: | ||
| 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 eleatórios| | | | | | | | | ||
- | | 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 362: | Linha 362: | ||
- 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 === | ||
+ | <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> | ||
+ |