Ferramentas do usuário
cursos:planeco:roteiro:10-glm
Diferenças
Aqui você vê as diferenças entre duas revisões dessa página.
| Ambos lados da revisão anterior Revisão anterior Próxima revisão | Revisão anterior | ||
|
cursos:planeco:roteiro:10-glm [2024/03/26 17:24] 127.0.0.1 edição externa |
cursos:planeco:roteiro:10-glm [2024/04/03 17:32] (atual) |
||
|---|---|---|---|
| Linha 402: | Linha 402: | ||
| Note como a __**chance**__ de ocorrência de um evento é a probabilidade de ocorrência deste evento dividida pela probabilidade da não ocorrência do mesmo evento. | Note como a __**chance**__ de ocorrência de um evento é a probabilidade de ocorrência deste evento dividida pela probabilidade da não ocorrência do mesmo evento. | ||
| - | A __**chance**__ é muito usada em apostas, quando, por exemplo, dizemos que a chance de um time vencer é de ''4:1'' ((ou que está pagando 4:1)), ou seja, a probabilidade de vencer é ''4x'' maior do que a de perder. O conceito de chance é muito importante nos modelos binomiais e devemos evitar confundi-lo com probabilidade. Chance e probabilidade são escalas distintas para medir a ocorrência de sucessos. | + | A __**chance**__ é muito usada em apostas, quando, por exemplo, dizemos que a chance de um time vencer é de ''4:1'' ((ou que está pagando 4 a cada 1 apostado)), ou seja, a probabilidade de vencer é ''4x'' maior do que a de perder. O conceito de chance é muito importante nos modelos binomiais e devemos evitar confundi-lo com probabilidade. Chance e probabilidade são escalas distintas para medir a ocorrência de sucessos. |
| </WRAP> | </WRAP> | ||
| Linha 420: | Linha 420: | ||
| $$\alpha + \sum\beta_{x_i}$$ | $$\alpha + \sum\beta_{x_i}$$ | ||
| - | É a estrutura determinística do modelo modelo linear, agora não mais relacionado diretamente à escala da variável resposta. | + | É a estrutura determinística do modelo modelo linear, agora não mais relacionado diretamente à escala da variável resposta ''y'' e sim a um preditor linear $\eta$. |
| A função de ligação é o que relaciona o preditor linear com a esperança do modelo: | A função de ligação é o que relaciona o preditor linear com a esperança do modelo: | ||
| Linha 450: | Linha 450: | ||
| então, exponenciar os coeficientes do modelo binomial com preditora categórica transforma os coeficientes em razão de chance comparado com o nível basal ((lembre-se que as categóricas são transformadas em variáveis indicadoras ou dummy e um dos níveis é transportado para o intercepto do modelo, sendo esse o nível basal ou controle)). | então, exponenciar os coeficientes do modelo binomial com preditora categórica transforma os coeficientes em razão de chance comparado com o nível basal ((lembre-se que as categóricas são transformadas em variáveis indicadoras ou dummy e um dos níveis é transportado para o intercepto do modelo, sendo esse o nível basal ou controle)). | ||
| - | A //**razão de chance**// mede o quanto uma chance é proporcionalmente diferente de outra, geralmente comparando com um nível controle. Ou seja, qual a proporção de mudança na chance do tratamento em relação a chance do controle. Pensando em nosso experimento de germinação tendo o ''solo arenoso'' como nível de referência, a razão de chance do ''solo arenoso'' seria o quanto a chance de germinar no ''arenoso'' proporcionalmente maior que a chance de germinar no solo ''arenoso''. | + | A //**razão de chance**// mede o quanto uma chance é proporcionalmente diferente de outra, geralmente comparando com um nível controle. Ou seja, qual a proporção de mudança na chance do tratamento em relação a chance do controle. Pensando em nosso experimento de germinação tendo o ''solo arenoso'' como nível de referência, a razão de chance do ''solo argiloso'' seria o quanto a chance de germinar no ''argiloso'' é proporcionalmente maior/menor que a chance de germinar no solo ''arenoso''. |
| Parece complicado, mas é apenas por falta de intimidade com essas escalas, a razão de chance é uma medida muito popular em outras áreas da ciência, como medicina. Importante lembrar que a ''razão de chance'' mede o efeito proporcional em relação ao nível de referência. | Parece complicado, mas é apenas por falta de intimidade com essas escalas, a razão de chance é uma medida muito popular em outras áreas da ciência, como medicina. Importante lembrar que a ''razão de chance'' mede o efeito proporcional em relação ao nível de referência. | ||
| Linha 493: | Linha 493: | ||
| ** Importante: ** | ** Importante: ** | ||
| * lembre-se que a ''family'' nesse caso é ''binomial'' | * lembre-se que a ''family'' nesse caso é ''binomial'' | ||
| - | * os modelos com variáveis resposta binárias não tem problema com sobre-dispersão!!! | + | * os modelos com variáveis resposta binárias bernoli (apenas uma tentativa) não tem problema com sobre-dispersão!!! |
| </WRAP> | </WRAP> | ||
| Linha 520: | Linha 520: | ||
| </WRAP> | </WRAP> | ||
| - | ==== O que preciso entregar ==== | + | ==== O que preciso entregar? ==== |
| Linha 526: | Linha 526: | ||
| - | * Preencha as perguntas do quadro abaixo ou pelo [[https://forms.gle/dUqZad77fU8Hrqrm8|link do formulário]] | + | * Preencha o [[https://forms.gle/JfAHqWKjeb1tAycPA|formulário]] |
| - | {{url>https://forms.gle/dUqZad77fU8Hrqrm8}} | ||
| </WRAP> | </WRAP> | ||
| Linha 646: | Linha 644: | ||
| $$\hat{y} = \frac{e^{\hat{\eta}}}{1+e^{\hat{\eta}}} $$ | $$\hat{y} = \frac{e^{\hat{\eta}}}{1+e^{\hat{\eta}}} $$ | ||
| - | <WRAP center round todo 80%> | + | <WRAP center round todo 95%> |
| - | * calcule o predito pelo modelo para as variáveis preditoras e os coeficientes na escala original; | + | * calcule o predito pelo modelo na escala de probabilidade de floração para os valores das variáveis preditoras ''dose'' e ''variety'' dos dados originais ; |
| - | * calcule o predito pelo modelo para todas as variedades com doses de hormônio de: 5.5, 12, 25; | + | |
| - | * interprete o efeito da concentração na floração das variedades a partir dos coeficientes do modelo selecionado | + | |
| - | </WRAP> | + | <WRAP center round tip 90%> |
| - | + | ||
| - | + | ||
| - | <WRAP center round tip 80%> | + | |
| **__Transformar os coeficientes e valores preditos pelo GLM:__** | **__Transformar os coeficientes e valores preditos pelo GLM:__** | ||
| - | Para transformar o valor predito pelo modelo (''log(odds-ratio)'') na escala de medida (proporção ou probabilidade) é preciso transformar os preditos pelo modelo. Para gerar as predições do modelo usamos a função ''predict'', como no código abaixo. O predito pelo modelo, está na escala do preditor linear, portanto é necessário transformar essa medida com a função inversa da logit, como no código abaixo. <wrap hi>Lembre-se de mudar, no código, o "nomedomodelo"</wrap> pelo nome que usou quando construiu o glm. | + | Para transformar o valor predito pelo modelo (''log(odds-ratio)'') na escala de medida (proporção ou probabilidade) é preciso transformar os preditos pelo modelo. Para gerar as predições do modelo usamos a função ''predict'', como no código abaixo. O predito pelo modelo está na escala do preditor linear, portanto é necessário transformar essa medida com a função inversa da logit, como no código abaixo. <wrap hi>Lembre-se de mudar, no código, o "nomedomodelo"</wrap> pelo nome que usou quando construiu o glm. |
| <code> | <code> | ||
| - | preditoLinear <- predict("nomedomodelo") | + | preditoLinear <- predict(nomedomodelo) |
| preditoProp <- exp(preditoLinear)/(1+ exp(preditoLinear)) | preditoProp <- exp(preditoLinear)/(1+ exp(preditoLinear)) | ||
| Linha 672: | Linha 665: | ||
| <code> | <code> | ||
| - | predito <- predict("nomedomodelo", type = "response") | + | predito <- predict(nomedomodelo, type = "response") |
| predito | predito | ||
| Linha 679: | Linha 672: | ||
| O **Rcmdr** não poderia ficar sem essa funcionalidade para interpretar os valores do predito pelo modelo na escala de observação: utilize o menu **Models> add observation statistic to data...>** e selecione apenas o **Fitted values**. O Rcmdr adiciona uma coluna nos dados chamada ''fitted."nome_do_modelo"'', com os previstos na escala de observação, nesse caso probabilidade. | O **Rcmdr** não poderia ficar sem essa funcionalidade para interpretar os valores do predito pelo modelo na escala de observação: utilize o menu **Models> add observation statistic to data...>** e selecione apenas o **Fitted values**. O Rcmdr adiciona uma coluna nos dados chamada ''fitted."nome_do_modelo"'', com os previstos na escala de observação, nesse caso probabilidade. | ||
| + | </WRAP> | ||
| + | |||
| + | * calcule o predito pelo modelo para todas as variedades com doses de hormônio de: 5.5, 12, 25; | ||
| + | * interprete o efeito da concentração na floração das variedades a partir dos coeficientes do modelo selecionado | ||
| + | |||
| + | |||
| Linha 753: | Linha 752: | ||
| - | * Preencha as perguntas do quadro abaixo ou pelo [[https://forms.gle/GJmq6V712YZkGZ27A|link do formulário]] | + | * Responda as perguntas do [[https://forms.gle/1SxSUrNNcipTJgWD8|formulário]] |
| - | + | ||
| - | {{url>https://forms.gle/GJmq6V712YZkGZ27A}} | ||
| </WRAP> | </WRAP> | ||
cursos/planeco/roteiro/10-glm.1711484680.txt.gz · Última modificação: 2024/03/26 17:24 por 127.0.0.1
Exceto onde for informado ao contrário, o conteúdo neste wiki está sob a seguinte licença: CC Attribution-Noncommercial-Share Alike 4.0 International
