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 | ||
cursos:planeco:roteiro:07a-clasrcmdr [2022/03/23 15:30] ctcastanho [A hipótese científica foi corroborada?] |
cursos:planeco:roteiro:07a-clasrcmdr [2022/04/11 11:34] adalardo |
||
---|---|---|---|
Linha 4: | Linha 4: | ||
</WRAP> | </WRAP> | ||
- | ====== Testes Clássicos ====== | + | ====== Princípios da Estatística Frequentista ====== |
{{section>cursos:planeco:roteiro:07-class_base#testes_classicos}} | {{section>cursos:planeco:roteiro:07-class_base#testes_classicos}} | ||
Linha 23: | Linha 23: | ||
<WRAP center round info 90%> | <WRAP center round info 90%> | ||
+ | |||
**Exemplo hipotético** | **Exemplo hipotético** | ||
- | </WRAP> | ||
- | Pesquisadores interessados em entender o efeito da precipitação sobre a produtividade primária liquída em ecossistemas terrestres, selecionaram 30 áreas naturais distribuídas por todo o globo. Dada a importância da água para a fotossíntese, a hipótese dos pesquisadores era que quanto maior a precipitação, maior seria a produtividade primária líquida do ecossistemas. Em cada área, os pequisadores coletaram duas informações: a precipitação anual média (mm) e a produtividade primária líquida (Mg/ha/ano). | + | |
+ | Pesquisadores interessados em entender o efeito da precipitação sobre a produtividade primária liquída em ecossistemas terrestres, selecionaram 30 áreas naturais distribuídas por todo o globo. Dada a importância da água para a fotossíntese, a hipótese dos pesquisadores é que quanto maior a precipitação, maior será a produtividade primária líquida dos ecossistemas. Em cada área, os pequisadores coletaram duas informações: a precipitação anual média (mm) e a produtividade primária líquida (Mg/ha/ano). | ||
Linha 35: | Linha 36: | ||
+ | ==== Hipóteses estatísticas ==== | ||
- | 1) Abra o RCommander | + | Considerando que os pesquisadores estão interessados no efeito da precipitação sobre a produtividade, podemos assumir que a precipitação é a variável preditora (x) e a produtividade é a variável resposta (y). Como ambas as variáveis são contínuas, podemos aplicar uma regressão linear simples para testar a hipótese científica. Neste caso, o efeito de precipitação sobre a produtividade será descrito pela inclinação da reta (b). Sendo assim, as hipóteses estatísticas serão: |
+ | |||
+ | * H0: B=0 | ||
+ | * H1: B≠0 | ||
+ | |||
+ | ==== Como fazer a regressão linear simples ==== | ||
+ | |||
+ | 1) Abra o RCommander. Caso vc não tenha instalado o pacote no R, acesse o [[cursos:planeco:roteiro:00-rcmdr|tutorial]] que explica passo à passo como instalar e abrir o RCommander. | ||
2) Importe o arquivo para o Rcommander (**Dados > Importar arquivos de dados > de arquivo texto , clipboard, URL...**) e importe os dados //produtividade_chuva//. Atenção, pois o Separador de Campos que deve ser selecionado para essa planilha de dados é **Tabs**. | 2) Importe o arquivo para o Rcommander (**Dados > Importar arquivos de dados > de arquivo texto , clipboard, URL...**) e importe os dados //produtividade_chuva//. Atenção, pois o Separador de Campos que deve ser selecionado para essa planilha de dados é **Tabs**. | ||
Linha 48: | Linha 57: | ||
6) No menu **Modelos** podemos olhar o resumo dos resultados do modelo clicando em **Resumir modelo**, olhando os valores dos coeficientes dos modelos. | 6) No menu **Modelos** podemos olhar o resumo dos resultados do modelo clicando em **Resumir modelo**, olhando os valores dos coeficientes dos modelos. | ||
- | 7)Também é possível obter os resíduos e os valores ajustados do modelo clicando no menu **Modelos** em **Adicionar estatísticas calculadas aos dados** e selecionando **Valores ajustados** e **Resíduos**. Esses valores serão colocados como colunas novas na planilha de dados e para visualizá-los, basta clicar no botão **Ver conjunto de dados**. | + | 7) Também é possível obter os resíduos e os valores ajustados do modelo clicando no menu **Modelos** em **Adicionar estatísticas calculadas aos dados** e selecionando **Valores ajustados** e **Resíduos**. Esses valores serão colocados como colunas novas na planilha de dados e para visualizá-los, basta clicar no botão **Ver conjunto de dados**. |
==== A hipótese científica foi corroborada? ==== | ==== A hipótese científica foi corroborada? ==== | ||
Para entender os resultados obtidos, primeiramente devemos examinar o resumo dos resultados. Vcs verão algumas informações relacionadas aos dois parâmetros do modelo: o intercepto e a inclinação (no resumo chamado de "precipitação"). Para cada um desses parâmetros há uma estimativa, um erro padrão, um valor de t e um valor de P. Por agora vamos focar apenas na estimativa e em seu p associado. | Para entender os resultados obtidos, primeiramente devemos examinar o resumo dos resultados. Vcs verão algumas informações relacionadas aos dois parâmetros do modelo: o intercepto e a inclinação (no resumo chamado de "precipitação"). Para cada um desses parâmetros há uma estimativa, um erro padrão, um valor de t e um valor de P. Por agora vamos focar apenas na estimativa e em seu p associado. | ||
- | Quanto ao **intercepto**, vemos que a estimativa feita pelo modelo é de -0.19 e o valor de p é 0.69. Isso significa que quando a precipitação é igual à 0 nosso modelo de regressão estima que a produtividade média dos ecossistemas terretres é de -0.19 MgC/ha/ano e que esse valor não é significativamente diferente de zero (como o valor de P=0.69 é maior do que o alfa crítico de 0,05, nós aceitamos H0, a hipótese da igualdade). Embora esse resultado possa ser explorado do ponto de vista biológico, lembrem-se que a hipótese cinetífica dos pesquisadores ancora-se na estimativa de b (a inclinação da reta). Então vamos à ela. | + | {{ :cursos:planeco:roteiro:summary_model_chuva.png?400 |}} |
+ | |||
+ | Quanto ao **intercepto**, vemos que a estimativa feita pelo modelo é de -0.19 e o valor de p é 0.69. Isso significa que quando a precipitação é igual à 0 nosso modelo de regressão estima que a produtividade média dos ecossistemas terretres será de -0.19 MgC/ha/ano. Mas notem que esse valor não é significativamente diferente de zero (como o valor de P=0.69 é maior do que o alfa crítico de 0.05, nós aceitamos H0, a hipótese de que o intercepto é igual a zero). Embora esse resultado possa ser explorado do ponto de vista biológico, lembrem-se que a hipótese científica dos pesquisadores ancora-se na estimativa de b (a inclinação da reta). Então vamos à ela. | ||
Quanto à **inclinação**, o modelo estimou um valor de 0.003 associado a um p extremamente pequeno (P<0.00001). Esses resultados indicam que: | Quanto à **inclinação**, o modelo estimou um valor de 0.003 associado a um p extremamente pequeno (P<0.00001). Esses resultados indicam que: | ||
- | * a precipitação afeta de maneira significativa a produtividade primária em Ecossistemas Terrestres (com este valor de P<0.00001 nós falhamos em aceitar H0 e ficamos com H1, que diz que o B populacional é diferente de 0); | + | * a precipitação afeta de maneira significativa a produtividade primária em Ecossistemas Terrestres (com este valor de P<0.00001 nós falhamos em aceitar H0 e ficamos com H1, que diz que o B populacional é diferente de 0); Sendo assim, a hipótese científica foi corroborada. |
- | * e com qual magnitude ocorre tal efeito significativo? Para cada aumento de 1mm na quantidade de chuva média anual de uma localidade observa-se, em média, um aumento em **0.003 MgC/ha/ano** na produtividade primária líquida do ecossistema. | + | * e com qual magnitude ocorre tal efeito da chuva sobre a produtividade das plantas? Para cada aumento de 1mm na quantidade de chuva média anual de uma localidade observa-se, em média, um aumento em **0.003 MgC/ha/ano** na produtividade primária líquida dos ecossistemas. |
Adicionalmente temos o valor de **R2 ajustado** para nos ajudar na interpretação do modelo. O R2 ajustado é de 0.80. Isso significa que a variação na precipitação explica aproximadamente 80% da variação observada na produtividade das diferentes localidades. Os demais 20% são explicados por fatores desconhecidos. Mas, lembre-se que R2 de 80% é muito alto e muito raro de ser encontrado na biologia (efeitos da simulação)! | Adicionalmente temos o valor de **R2 ajustado** para nos ajudar na interpretação do modelo. O R2 ajustado é de 0.80. Isso significa que a variação na precipitação explica aproximadamente 80% da variação observada na produtividade das diferentes localidades. Os demais 20% são explicados por fatores desconhecidos. Mas, lembre-se que R2 de 80% é muito alto e muito raro de ser encontrado na biologia (efeitos da simulação)! | ||
- | ==== Premissas do modelo foram atendidas? ==== | + | ==== As premissas do modelo foram atendidas? ==== |
Para que as conclusões descritas acima sejam confiáveis, é preciso checar se as premissas do modelo estão sendo atendidas | Para que as conclusões descritas acima sejam confiáveis, é preciso checar se as premissas do modelo estão sendo atendidas | ||
Linha 87: | Linha 98: | ||
{{section>cursos:planeco:roteiro:07-class_base#residuo2}} | {{section>cursos:planeco:roteiro:07-class_base#residuo2}} | ||
- | Vá ao menu **Modelos > Resumir modelos**. | + | === Gráficos Diagnósticos Sintéticos === |
- | Agora, vamos definir que sejam construídos os 4 gráficos de diagnóstico: Vá ao menu **Modelos > Gráficos > Diagnósticos gráficos básicos**. | + | Para elaborar o conjunto de gráficos diagnósticos do nosso modelo, no RCommander vá em **Modelos > Gráficos > Diagnósticos gráficos básicos**. |
- | {{ :planeco:roteiro:plotdiagnostico.png?500 |}} | + | {{ :cursos:planeco:roteiro:diagnostico_chuva.png?400 |}} |
{{section>cursos:planeco:roteiro:07-class_base#final}} | {{section>cursos:planeco:roteiro:07-class_base#final}} | ||