Aqui você vê as diferenças entre duas revisões dessa página.
Ambos lados da revisão anterior Revisão anterior Próxima revisão | Revisão anterior Última revisão Ambos lados da revisão seguinte | ||
cursos:planeco:roteiro:09-lm02b [2022/04/15 14:58] adriana [Biomassa de manguezais e variáveis ambientais] |
cursos:planeco:roteiro:09-lm02b [2022/04/15 16:10] adriana [Biomassa de manguezais e variáveis ambientais] |
||
---|---|---|---|
Linha 77: | Linha 77: | ||
* Outra opção é avaliar graficamente as correlações entre as variáveis. Para isso, entre em **Gráficos -> Matriz de Dispersão** e selecione todas as variáveis preditoras contínuas. Na aba **Opções** selecione "Linhas de quadrados mínimos" e clique em OK. Na figura que foi gerada, você poderá avaliar quais pares de variáveis parecem ter uma maior correlação entre elas. | * Outra opção é avaliar graficamente as correlações entre as variáveis. Para isso, entre em **Gráficos -> Matriz de Dispersão** e selecione todas as variáveis preditoras contínuas. Na aba **Opções** selecione "Linhas de quadrados mínimos" e clique em OK. Na figura que foi gerada, você poderá avaliar quais pares de variáveis parecem ter uma maior correlação entre elas. | ||
- | <WRAP center round important 80%> | + | <WRAP center round important 90%> |
Esse procedimento de analisar a correlação entre todas as nossas variáveis preditoras contínuas deveria ser sempre realizado antes de fazermos nossas análises. | Esse procedimento de analisar a correlação entre todas as nossas variáveis preditoras contínuas deveria ser sempre realizado antes de fazermos nossas análises. | ||
</WRAP> | </WRAP> | ||
- | 4. Ajuste um modelo, relacionando AGB-carbon com todas as variáveis preditoras, mas ainda sem incluir as interações. Nomeie esse modelo como "carbon1". No resumo do modelo, repare nos efeitos e na significância de cada um dos parâmetros. | + | 4. Ajuste um modelo, relacionando AGB-carbon com todas as variáveis preditoras, mas ainda sem incluir as interações. Nomeie esse modelo como "carbon1". No //summary// do modelo, repare nos efeitos e na significância de cada um dos parâmetros. |
Linha 90: | Linha 90: | ||
O primeiro resultado apresentado é uma linha com os valores de VIF para cada parâmetro do modelo. O segundo resultado apresentado é uma matriz de correlação das __estimativas dos parâmetros__. Note que os valores são diferentes das correlações feitas diretamente para as variáveis (item 3, acima). | O primeiro resultado apresentado é uma linha com os valores de VIF para cada parâmetro do modelo. O segundo resultado apresentado é uma matriz de correlação das __estimativas dos parâmetros__. Note que os valores são diferentes das correlações feitas diretamente para as variáveis (item 3, acima). | ||
- | <WRAP center round important 80%> | + | <WRAP center round important 90%> |
- | Importante: Como o valor de VIF de cada parâmetro depende de quais outros parâmetros estão sendo incluídos no modelo, só é possível calcular os VIFs depois de ter ajustado um modelo. Ao usar o R Commander, fique sempre atento(a) se o modelo ativo é o modelo para o qual você quer calcular os VIFs. | + | Importante: Como o valor de VIF de cada parâmetro depende de quais outros parâmetros estão sendo incluídos no modelo, só é possível calcular os VIFs depois de ter ajustado um modelo. Ao usar o R Commander, fique sempre atento(a) se o modelo ativo é realmente o modelo para o qual você quer calcular os VIFs. |
</WRAP> | </WRAP> | ||
- | <WRAP center round box 80%> | + | <WRAP center round box 70%> |
- | Pausa **OPCIONAL** se você quiser aprender a calcular manualmente os valores de VIF: | + | **PAUSA OPCIONAL** caso você queira aprender a calcular manualmente os valores de VIF: |
Em primeiro lugar, reveja a equação de cálculo de VIF apresentada acima. | Em primeiro lugar, reveja a equação de cálculo de VIF apresentada acima. | ||
Linha 103: | Linha 103: | ||
Agora, vamos calcular manualmente o valor de VIF para a variável preditora **lat** e comparar com o valor obtido acima no R Commander. Para isso, precisamos calcular o R<sup>2</sup> da relação entre essa variável preditora e todas as outras preditoras que estavam no modelo completo, sem as interações (carbon1). Para isso, vamos criar um novo modelo no qual a variável para a qual estamos interessados em calcular o VIF (**lat**) passará agora a ser a __variável resposta__ desse novo modelo que criaremos. | Agora, vamos calcular manualmente o valor de VIF para a variável preditora **lat** e comparar com o valor obtido acima no R Commander. Para isso, precisamos calcular o R<sup>2</sup> da relação entre essa variável preditora e todas as outras preditoras que estavam no modelo completo, sem as interações (carbon1). Para isso, vamos criar um novo modelo no qual a variável para a qual estamos interessados em calcular o VIF (**lat**) passará agora a ser a __variável resposta__ desse novo modelo que criaremos. | ||
- | Entre em **Estatísticas -> Ajuste de Modelos -> Modelo Linear**. Coloque **lat** __como variável resposta__ na caixa da esquerda da equação e coloque as outras 2 variáveis preditoras (**temp** + **ppt**) na caixa da direita da equação. Defina o nome desse modelo como "viflat". No resumo do modelo será apresentado o valor de R<sup>2</sup> Múltiplo (//Multiple R-square//). Utilize esse valor na equação de cálculo de VIF e veja se o resultado é igual ao valor de VIF calculado pelo R Commander para a variável **lat** a partir do modelo "carbon1" feito acima. Deveria ser. Se não foi, peça ajuda a alguém da equipe. | + | Entre em **Estatísticas -> Ajuste de Modelos -> Modelo Linear**. Coloque **lat** como __variável resposta__ na caixa da esquerda da equação e coloque as outras 2 variáveis preditoras (**temp** + **ppt**) na caixa da direita da equação. Defina o nome desse modelo como "viflat". No //summary// do modelo será apresentado o valor de R<sup>2</sup> Múltiplo (//Multiple R-square//). Utilize esse valor na equação de cálculo de VIF e veja se o resultado é igual ao valor de VIF calculado pelo R Commander para a variável **lat** a partir do modelo "carbon1" feito acima. Deveria ser. Se não foi, peça ajuda a alguém da equipe. |
Repita o mesmo procedimento para outra variável de sua escolha. Você pode fazer isso para todas as variáveis do modelo, se quiser. | Repita o mesmo procedimento para outra variável de sua escolha. Você pode fazer isso para todas as variáveis do modelo, se quiser. | ||
Linha 109: | Linha 109: | ||
</WRAP> | </WRAP> | ||
- | 7. **Continuando nossa análise:** Analisando o resultado dos VIFs, se houver alguma variável com valor maior que 4, ajuste um novo modelo no qual a variável com o maior VIF seja removida. Coloque "modbird2" como nome desse modelo. Olhe para o //summary// desse modelo e para as variáveis que permaneceram nele. Cheque os valores dos coeficientes e a significância de cada variável em relação ao modelo "modbird1". Houve alguma alteração? Alguma variável deixou de ser significativa? Alguma variável passou a ser significativa? O sinal do efeito mudou? | + | Continuando nossa análise sobre o estoque de Carbono em manguezais: |
- | Depois, calcule os VIFs das variáveis do "modbird2" e veja se ainda tem alguma variável com VIF maior que 4. | + | |
- | 8. Repita esses procedimentos até não haver nenhuma variável com VIF maior que 4. | + | 6. Após analisar os valores dos VIFs do modelo "carbon1", se houver alguma variável com valor maior que 4, remova a variável com o maior VIF e ajuste um novo modelo. Coloque "carbon2" como nome desse modelo. Olhe para o //summary// desse modelo e para as variáveis que permaneceram nele. Cheque os valores dos coeficientes e a significância de cada variável em relação ao modelo "carbon1". **Houve alguma alteração? Alguma variável deixou de ser significativa? Alguma variável passou a ser significativa? O sinal do efeito mudou?** |
- | 9. Mesmo sem ter variáveis colineares, é possível que algumas das variáveis remanescentes não sejam relevantes para definir o número de espécies de aves. Então, agora, crie um modelo completo, que inclua as variáveis remanescentes e suas interações e realize o procedimento de seleção do modelo mínimo plausível pelo método de simplificação para o mínimo adequado, conforme explicado no roteiro I de MLM. | + | 7. Calcule os VIFs das variáveis do modelo "carbon2" usando o caminho **Modelos -> Diagnóstico numérico -> Fatores de Inflação de Variância** e veja se ainda tem alguma variável com VIF maior que 4. |
- | 10. Analise os resultados do modelo final. | + | 8. Repita os procedimentos anteriores até não haver nenhuma variável com VIF maior que 4. |
+ | 9. E possível que algumas das variáveis remanescentes, mesmo que não sejam colineares entre si, não sejam relevantes para definir o estoque de carbono em manguezais. Então, para iniciar o procedimento de seleção de modelos, crie um modelo completo que inclua as variáveis remanescentes **e suas interações** (nomeie como "carbon_int"). Analise o //summary//do modelo. | ||
- | ===== Modelos Lineares Múltiplos: preditoras contínuas e categóricas ===== | + | 10. Realize o procedimento de seleção do modelo mínimo plausível pelo método de simplificação para o mínimo adequado, conforme explicado no item [[cursos:planeco:roteiro:09-lm02#simplificando_modelos|Simplificando modelos]] do roteiro I de Modelos Lineares Múltiplos]] |
- | {{:cursos:planeco:roteiro:plotBabies01.png?400 |}} | + | 11. Analise os resultados do modelo final. |
+ | \\ | ||
+ | \\ | ||
+ | \\ | ||
- | Nesse último tópico do bloco vamos resgatar os principais conceitos que emergiram com a generalização do modelo linear, agora com múltiplas preditoras, a partir de um exemplo que tem duas variáveis preditoras contínuas e duas categórica. Acreditamos que esse exemplo incorpora as complexidades tratadas e ajuda a agrupar os tópicos que devem ficar atentos nos modelos com múltiplas preditoras. | ||
+ | ===== Modelos Lineares Múltiplos: preditoras contínuas e categóricas ===== | ||
+ | |||
+ | {{:cursos:planeco:roteiro:plotBabies01.png?300 |}} | ||
+ | |||
+ | \\ | ||
+ | \\ | ||
+ | \\ | ||
+ | \\ | ||
+ | Nesse último tópico do bloco vamos resgatar os principais conceitos que emergiram com a generalização do modelo linear, agora com múltiplas preditoras, a partir de um exemplo que tem duas variáveis preditoras contínuas e duas categórica. Acreditamos que esse exemplo incorpora as complexidades tratadas e ajuda a agrupar os tópicos que devem ficar atentos nos modelos com múltiplas preditoras. | ||
+ | \\ | ||
+ | \\ | ||
+ | \\ | ||
+ | \\ | ||
+ | \\ | ||
+ | \\ | ||
+ | \\ | ||
<WRAP center round box 60%> | <WRAP center round box 60%> | ||
Linha 143: | Linha 161: | ||
* compreender os termos de interação; | * compreender os termos de interação; | ||
* compor o predito pelo modelo a partir dos coeficientes; | * compor o predito pelo modelo a partir dos coeficientes; | ||
- | * interpretar biológicamente o resultado do modelo. | + | * interpretar biologicamente o resultado do modelo. |
</WRAP> | </WRAP> | ||
+ | \\ | ||
+ | \\ | ||
==== VIF e as interações ==== | ==== VIF e as interações ==== |