Diferenças

Aqui você vê as diferenças entre duas revisões dessa página.

--- cursos:planeco:roteiro:07a-clasrcmdr [2022/03/23 18:35]
ctcastanho [Regressão linear na prática]
+++ cursos:planeco:roteiro:07a-clasrcmdr [2024/03/08 13:01]
@@ Linha 1: / Linha 1: @@
-<WRAP tabs>
-  * [[cursos:planeco:roteiro:07-classrcmdr|{{:planeco:logorcmdr01.png?20|}}]]
-  * [[cursos:planeco:roteiro:07-classr|{{:planeco:rlogo.png?20|}}]]
-</WRAP>
-====== Testes Clássicos ======
-{{section>cursos:planeco:roteiro:07-class_base#testes_classicos}}
-====== Regressão Linear Simples ======
-{{section>cursos:planeco:roteiro:07-class_base#regressão_linear_simples}}
-===== Regressão linear na prática =====
-Agora que você entendeu como funciona a regressão linear, vamos para um exemplo prático.
-Baixe o arquivo de dados para o seu diretório:
-  * {{ {{ :cursos:planeco:roteiro:produtividade_chuva.txt | produtividade_chuva.txt}}
-<WRAP center round info 90%>
-**Exemplo hipotético**
-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 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).
-</WRAP>
-) 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.
-) 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**.
-) Conheça os dados, clicando  no botão **Ver conjunto de dados** e também em **Estatísticas > Resumos > Conjunto de dados ativo...**.
-) Avalie visualmente a relação entre as variáveis com o gráfico de dispersão em: **Gráficos > Diagramas de dispersão (scatterplot)**. Na aba de Opções marque **Boxplots marginais**, **Smooth line** e **Mostre espalhamento (spread)**. Como o objetivo dos pesquisadores é analisar o efeito da precipitação sobre a produtividade de plantas, faça o gráfico selecionando produtividade no eixo Y e precipitação no eixo X.
-) Ajuste um modelo de regressão linear da produtividade em função da precipitação. Para isso, vá em **Estatística > Ajuste de Modelos > Regressão linear**. Escolha a produtividade como Variável resposta e precipitação como Variável Explicativa.
-) No menu **Modelos** podemos olhar o resumo dos resultados do modelo clicando em **Resumir modelo**, olhando os valores dos coeficientes dos modelos.
-) 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? ====
-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.
-{{ :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 é 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:
-  * 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 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 do ecossistema.
-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? ====
-Para que as conclusões descritas acima sejam confiáveis, é preciso checar se as premissas do modelo estão sendo atendidas
-===Como saber se os erros/resíduos seguem uma distribuição normal?===
-/*
-{{section>cursos:planeco:roteiro:07-class_base#como_saber_se_os_erros_residuos_seguem_uma_distribuicao_normal}}
-*/
-Para isso vamos usar os resíduos da regressão que foram incluídos como uma coluna na sua planilha de dados e aparecem com o nome //"residuals.RegModel.*"// (o "*" será um número que vai depender de quantos modelos você já fez até aqui. Por exemplo, se esse é o segundo modelo que você está calculando desde que abriu o Rcommander, a variável vai se chamar "residuals.RegModel.2". Mas não se preocupe com esse número).
-A partir do menu **Gráficos**, escolha **Histograma** e selecione a variável "residuals.RegModel.*". **Essa figura se assemelha a uma distribuição normal?**. Se sim, isso é um bom indício de que seus resíduos têm uma distribuição normal. Se não, será necessário repensar se a regressão linear simples é a análise mais adequada para esses dados e/ou se é necessário fazer alguma transformação de variáveis ((posteriormente falaremos disso)).
-Essa é uma análise muito simplista e mais para frente nesse roteiro vamos conhecer outros métodos para avaliar a distribuição dos resíduos.
-=== Como saber se a variância dos erros/resíduos é constante?===
-{{section>cursos:planeco:roteiro:07-class_base#como_saber_se_a_variância dos erros_residuos_e_constante?}}
-Para fazer esse gráfico, vá para o menu **Gráficos > Diagrama de dispersão**, escolha para o eixo Y os resíduos (que foram incluídos na sua planilha de dados como //residuals.RegModel.*//) e para o eixo X os valores estimados de Y (que também foram incluídos na sua planilha de dados, como //fitted.RegModel.*//). Antes de dar "OK", vá até a aba **Opções** e deixe selecionada apenas a caixa //"Smooth line"//.
-{{section>cursos:planeco:roteiro:07-class_base#residuo2}}
-=== Gráficos Diagnósticos Sintéticos ===
-Para elaborar o conjunto de gráficos diagnósticos do nosso modelo, no RCommander vá em  **Modelos > Gráficos > Diagnósticos gráficos básicos**.
-{{ :cursos:planeco:roteiro:diagnostico_chuva.png?400 |}}
-{{section>cursos:planeco:roteiro:07-class_base#final}}

Laboratório de Ecologia de Florestas Tropicais

Ferramentas do usuário

Ferramentas do site

Diferenças

Ferramentas da página