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
disciplinas:ce227-2014-01:historico [2014/05/14 10:05]
paulojus
disciplinas:ce227-2014-01:historico [2016/05/18 09:51] (atual)
paulojus
Linha 37: Linha 37:
 | 25/04 Sex |Avaliação:​ apresentação das análises de dados correspondentes aos {{:​disciplinas:​ce227:​ce227-av04.pdf|modelos da quarta avaliação semanal}} ​ | | | | | 25/04 Sex |Avaliação:​ apresentação das análises de dados correspondentes aos {{:​disciplinas:​ce227:​ce227-av04.pdf|modelos da quarta avaliação semanal}} ​ | | | |
 | 30/04 Sex |continuação das apresentações e discussões ​ | | | | | 30/04 Sex |continuação das apresentações e discussões ​ | | | |
-| 07/05 Sex |Modelos para efeitos aleatórios dependentes. Estrutura do modelo, comparação com outras estratégias/​modelos. Exemplo: série temporal para dados binários. ​ | | |[[#​07/​05|Ver abaixo]] |+| 07/05 Qua |Modelos para efeitos aleatórios dependentes. Estrutura do modelo, comparação com outras estratégias/​modelos. Exemplo: série temporal para dados binários. ​ | | |[[#​07/​05|Ver abaixo]] | 
 +| 09/05 Sex |Fundamentos do INLA | | |{{:​disciplinas:​ce227:​apresentacao-inla.pdf|Apresentação}} | 
 +| 14/05 Sex |Fundamentos do INLA - II - Comentários sobre a (excelente!) apresentação de Gianluca Baio | | |[[http://​www.statistica.it/​gianluca/​Talks/​INLA.pdf|A apresentação]] |
  
  
Linha 201: Linha 203:
   * Incluir bandas de predição usuais e bayesianas no gráfico   * Incluir bandas de predição usuais e bayesianas no gráfico
   * Generalizar código para família de priori Normal-GammaInversa   * Generalizar código para família de priori Normal-GammaInversa
-  * Verificar o efeito/​sensitividade à espeficicação ​das prioris+  * Verificar o efeito/​sensitividade à especificação ​das prioris
  
 **Exemplos JAGS/​rjags** **Exemplos JAGS/​rjags**
Linha 407: Linha 409:
 <code R> <code R>
 require(INLA) require(INLA)
-#+## 
 +## Visualizado dados 
 +##
 data(Tokyo) data(Tokyo)
 head(Tokyo) head(Tokyo)
 plot(y ~ time, data=Tokyo) plot(y ~ time, data=Tokyo)
 +## colocando na forma de proporção de dias com chuva
 plot(y/2 ~ time, data=Tokyo) 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) 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) abline(h=exp(coef(fit.glm))/​(1+exp(coef(fit.glm))),​ col=2, lty=3, lwd=3)
-## fitted(fit.glm)[1] +## como, como este modelo, todos os valores preditos são iguais bastaria fazer: 
-+abline(h=fitted(fit.glm)[1], col=2, lty=3, lwd=3) 
-form = y ~ 0 + f(time, model="​rw2",​ cyclic=T, param=c(1, 0.0001)) +#
-fit <- inla(form, data=Tokyo, family="​binomial",​ Ntrials=n, control.predictor=list(compute=TRUE))+## 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) names(fit)
 head(fit$summary.fitted.values) head(fit$summary.fitted.values)
-with(fit, matlines(summary.fitted.values[,​c(1,​3,5)], lty=c(1,​2,​2),​ col=1)) +## 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)) 
-form0 = y ~ 1 +## 
-fit0 <- inla(form0, data=Tokyo, family="​binomial",​ Ntrials=n, control.predictor=list(compute=TRUE))+## 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) summary(fit0)
 fit0$summary.fitted.values fit0$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>​ </​code>​
    

QR Code
QR Code disciplinas:ce227-2014-01:historico (generated for current page)