mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Programa: 1. Introduo aos
MLG 2. Regresso Logstica 3. MLG aplicados a variveis resposta com
distribuio contnua 4. MLG aplicados a dados de contagens 5. Anlise
de varincia (ANOVA) com MLG 1. Programa
Slide 2
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Objectivo dos Modelos
para Contagens Encontrar um modelo adequado e parcimonioso que
permita descrever a relao entre uma varivel aleatria inteira
no-negativa Y e um conjunto de variveis no-aleatrias preditoras X
1, X 2, , X p Modelos disponveis MLG BinomialMLG PoissonMLG
Binomial Negativa 2. Objectivo
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Assim sendo, faz sentido
a seguinte definio: Seja Ento a varivel Y = W/n representa a
proporo das n experincias de Bernoulli que foram bem sucedidas. A
distribuio binomial aplicvel quando as observaes W so contagens
limitadas superiormente por um valor fixo partida (p.ex. nmero de
sobreviventes de uma experincia ao fim de um intervalo de tempo t).
Tambm pode ser vista como o resultado de n experincias de Bernoulli
independentes, com idnticas probabilidades de sucesso ( ). Introduo
ao MLG Binomial Nos MLG modelado Y em vez de W. 3. MLG
Binomial
Slide 5
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Introduo ao MLG Binomial
f.m.p 1 a( ) b( ) c(y, ) O Modelo Binomial um MLG 1) A Distribuio
de Y = W/n (em que W tem distribuio binomial) pertence famlia
exponencial Frmula geral das distribuies pertencentes famlia
exponencial: 3. MLG Binomial
Slide 6
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia 2) A funo de ligao
montona e diferencivel Funo de ligao Logit, montona crescente e
diferencivel em IR O Modelo Binomial um MLG Funo de ligao Probit,
montona crescente e diferencivel em IR Funo de ligao Complementar
log-log, montona crescente e diferencivel em IR Introduo ao MLG
Binomial 3. MLG Binomial
Slide 7
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Estimao dos parmetros
pelo Mtodo da Mxima Verosimilhana Para a funo de ligao logit, as
derivadas parciais das parcelas da log- verosimilhana (necessrias
para o algoritmo IRLS) so: Introduo ao MLG Binomial Lembrar No
modelo de Regresso Logstica 3. MLG Binomial
Slide 8
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Introduo ao MLG Binomial
N inicial de indivduos Temperatura Humidade Relativa N final de
indivduos N mortos 30-5C20%1416 30-5C100%1119 3045C20%822
3045C100%129 exemplo4a.txt O MLG Binomial produz os mesmos
resultados que um MLG Bernoulli aplicado a uma tabela de dados
expandida. Exemplo: sobrevivncia de ratos a extremos ambientais.
exemplo4b.txt Sobreviveu? (0 no; 1 sim) Temperatura Humidade
Relativa 0-5C20% 1-5C20% 0-5C100% 1-5C100% 045C20% 145C20% 045C100%
145C100% N linhas 16 14 19 11 22 8 29 1 3. MLG Binomial
Slide 9
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Introduo ao MLG Binomial
>
summary(glm(cbind(ex4a[,4],ex4a[,5])~ex4a[,2]:ex4a[,3],family=binomial(link=logit)))
Call: glm(formula = cbind(ex4a[, 4], ex4a[, 5]) ~ ex4a[,
2]:ex4a[,3], family = binomial(link = logit)) Deviance Residuals:
[1] 0.88315 -0.85887 0.07411 -0.22794 Coefficients: Estimate Std.
Error z value Pr(>|z|) (Intercept) -0.51697 0.22213 -2.327
0.01995 * ex4a[, 2]:ex4a[, 3] -0.05837 0.01859 -3.140 0.00169 **
--- Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
(Dispersion parameter for binomial family taken to be 1) Null
deviance: 18.6093 on 3 degrees of freedom Residual deviance: 1.5751
on 2 degrees of freedom AIC: 18.834 Number of Fisher Scoring
iterations: 3 Para a tabela de exemplo4a: 3. MLG Binomial
Slide 10
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Para a tabela de
exemplo4b: Introduo ao MLG Binomial >
summary(glm(ex4b[,1]~ex4b[,2]:ex4b[,3],family=binomial(link=logit)))
Call: glm(formula = ex4b[, 1] ~ ex4b[, 2]:ex4b[, 3], family =
binomial(link = logit)) Deviance Residuals: Min 1Q Median 3Q Max
-1.0834 -0.9899 -0.2906 1.2744 2.5242 Coefficients: Estimate Std.
Error z value Pr(>|z|) (Intercept) -0.51697 0.22213 -2.327
0.01995 * ex4b[, 2]:ex4b[, 3] -0.05837 0.01859 -3.140 0.00169 **
--- Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
(Dispersion parameter for binomial family taken to be 1) Null
deviance: 143.06 on 119 degrees of freedom Residual deviance:
126.02 on 118 degrees of freedom AIC: 130.02 Number of Fisher
Scoring iterations: 5 Diferente 3. MLG Binomial
Slide 11
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Introduo ao MLG Binomial
Exemplo4a Exemplo4b 11x 14x 8x 1x 4 observaes Modelo com 2
parmetros 120 observaes Modelo com 2 parmetros Null deviance:
18.6093 on 3 d.f Residual deviance: 1.5751 on 2 d.f. Null deviance:
143.06 on 119 d.f. Residual deviance: 126.02 on 118 d.f. =D N -D M
=18.6093-1.5751=17.0342 =D N -D M =143.06-126.02=17.04 Resduo 3.
MLG Binomial
Slide 12
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Introduo ao MLG Poisson
Distribuio aleatria > lat lon
plot(lon,lat,xlim=c(0,1),ylim=c(0,1)) A varincia cresce ao mesmo
ritmo que a mdia 4. MLG Poisson
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia 2) A funo de ligao
montona e diferencivel Funo de ligao Identidade, montona crescente
e diferencivel em IR O Modelo Poisson um MLG Funo de ligao Inversa,
montona decrescente e diferencivel em IR + Funo de ligao
Logartmica, montona crescente e diferencivel em IR + Introduo ao
MLG Poisson 4. MLG Poisson
Slide 16
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Introduo ao MLG Poisson
Estimao dos parmetros pelo Mtodo da Mxima Verosimilhana Para o MLG
Poisson com funo de ligao logartmica, as derivadas parciais das
parcelas da log-verosimilhana (necessrias para o algoritmo IRLS) so
4. MLG Poisson
Slide 17
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Introduo ao MLG Binomial
Negativa Distribuio agregada (sin.: contagiosa) > lon=2 >
lat=2 > plot(lon,lat,xlim=c(0,1),ylim=c(0,1)) > mat for (i in
1:5) for (j in 1:5) points(runif(mat[i,j],min=(j- 1)/5,max=j/5),
runif(mat[i,j],min=(5-i)/5,max=(6-i)/5)) ou onde 5. MLG BN A
varincia cresce mais depressa do que a mdia
Slide 18
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia f.m.p 1 a( ) 1 b( ) c(y,
) 1) A Distribuio Binomial Negativa pertence famlia exponencial O
Modelo para a Distribuio Binomial Negativa um MLG Frmula geral das
distribuies pertencentes famlia exponencial: Introduo ao MLG
Binomial Negativa 5. MLG BN
Slide 19
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia O Modelo para a
Distribuio Binomial Negativa um MLG Introduo ao MLG Binomial
Negativa 2) A funo de ligao montona e diferencivel Funo de ligao
Identidade, montona crescente e diferencivel em IR Funo de ligao
Inversa, montona decrescente e diferencivel em IR + Funo de ligao
Logartmica, montona crescente e diferencivel em IR + 5. MLG BN
Slide 20
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Estimao dos parmetros
pelo Mtodo da Mxima Verosimilhana Para o MLG Binomial Negativa com
funo de ligao logartmica, as derivadas parciais das parcelas da
log- verosimilhana (necessrias para o algoritmo IRLS) so Introduo
ao MLG Binomial Negativa 5. MLG BN
Slide 21
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Questo: Os aglomerados
surgem como resposta heterogeneidade espacial do ambiente ou so
caractersticos da populao? Hipteses: DistribuioA mdia depende de
variveis ambientais? AleatriaNo Sim ContagiosaNo Sim Introduo ao
MLG Binomial Negativa Modelo Nulo 5. MLG BN
Slide 22
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Construo de um MLG para
contagens Exemplo (exemplo4c): Varincia aumenta com a mdia
(previsto por ambos os MLG) 6. Construo
Slide 23
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Construo de um MLG para
contagens Distribuio Poisson D. Binomial Negativa Mdia Varincia
Mdia ou Varincia Preditor Distribuio Poisson Mdia ou Varincia
Preditor Distribuio Binomial Negativa O formato desta curvatura
indica qual a funo de ligao a usar 6. Construo
Slide 24 lines(ex4c$X,mm,type="l") d) Representao dos
resultados Concluso : O MLG Binomial Negativa parece ser mais
adequado Var. Mvel Md. Mvel 6. Construo">
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Construo de um MLG para
contagens Aplicao de mdias mveis escolha do tipo de MLG a utilizar:
> ex4c mm for (i in 5:95) mm[i,1] vm for (i in 5:95) vm[i,1]
plot(ex4c$X,vm,type="l, col=red) > lines(ex4c$X,mm,type="l") d)
Representao dos resultados Concluso : O MLG Binomial Negativa
parece ser mais adequado Var. Mvel Md. Mvel 6. Construo
Slide 25
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia >
glm(ex4c$Y~ex4c$X,family=poisson(link=log))$deviance [1] 318.7272
> 1-pchisq(318.7272,98) [1] 0 > library(MASS) >
glm.nb(ex4c$Y~ex4c$X,link=log)$deviance [1] 99.1284 >
1-pchisq(99.1284,98) [1] 0.4491182 Suponha-se que de qualquer forma
se tentava ajustar os dois MLG. As anlises globais do ajustamento,
baseadas no Desvio, seriam: MLG Poisson MLG Binomial Negativa A
qualidade do MLG Poisson reduzida O MLG BN satisfatrio Construo de
um MLG para contagens 6. Construo
Slide 26
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Construo de um MLG para
contagens 1. Recolha de uma amostra composta por observaes da
varivel resposta (contagem) e de candidatas a variveis preditoras.
2. Anlise exploratria univariada 3. Escolha do tipo de MLG (Poisson
ou Binomial Negativa) e da funo de ligao a utilizar 3. Construo do
modelo inicial (excluso sequencial de preditores no-significativos)
5. Afinao do modelo inicial (teste linearidade dos preditores) 6.
Finalizao do modelo (incluso de interaces) Passos na modelao 6.
Construo
Slide 27
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Avaliao da Qualidade de
Ajustamento (goodness of fit) Anlise Global do Ajustamento 1.
Desvio 2. Estatstica de Pearson generalizada 3. Pseudo R 2
Percentagem do desvio explicada pelo modelo 7. GOF
Slide 28
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Anlise de Resduos 1.
Resduos do Desvio MLG Poisson: MLG Binomial Negativa: Avaliao da
Qualidade de Ajustamento (goodness of fit) MLG Poisson MLG Bin.
Neg. 7. GOF
Slide 29
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Avaliao da Qualidade de
Ajustamento (goodness of fit) 2. Resduos de Pearson Anlise de
Resduos MLG Poisson MLG Bin. Neg. Os resduos de Pearson apresentam
maus resultados at para o MLG bem ajustado! 7. GOF
Slide 30
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Avaliao da Qualidade de
Ajustamento (goodness of fit) 3. Quantile Residuals (devem ter
distribuio normal padro) Anlise de Resduos > QRP hist(QRP) >
qqnorm(QRP,xlim=c(-4,4)) > qqline(QRP) > abline(0,1) >
tQRNB hist(QRNB) > qqnorm(QRNB) > abline(0,1) 7. GOF
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Exemplo de aplicaes dos
MLG para contagens (PDF) Exemplo 1: LeBrocque.pdf Objectivo: testar
se os padres de riqueza especfica de vrias comunidades vegetais do
Parque Nacional Ku-ring-gai esto significativamente associadas a
variveis ambientais (inclinao do terreno, ensombramento, composio
do solo, etc.). Metodologia: 1)Amostragem por quadrats de 500m 2 em
50 locais do Parque a)Riqueza especfica (R.E.) total b)R.E. de
plantas arbreas, c)R.E. de plantas arbustivas d)R.E. da plantas
herbceas 2) Variveis resposta: 3) Variveis preditoras: 17 variveis
ambientais 4) Ajustamento de 4 MLG Poisson (funo de ligao
logartmica); mtodo forward stepwise 5) Transformao de alguns
preditores aps uma anlise preliminar 6) Incluso de uma interaco (
[N] x [P] ) entre os candidatos a preditores 7) Avaliao da
qualidade do ajustamento por a) Pseudo R 2 b) qq-plots dos resduos
de Anscombe (ver p.ex. Turkman e Silva, 2000) c) diagramas de
disperso (scatterplots) entre as variveis resposta e os preditores
mais importantes. 8. Exemplos (PDF)
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Exemplo de aplicaes dos
MLG para contagens (PDF) Exemplo 2: Forchhammer.pdf Objectivo:
avaliar o impacto das alteraes (biticas e abiticas) do meio sobre
alguns aspectos do ciclo de vida de ovelhas Ovies aries, na ilha de
Hirta (Esccia) Metodologia: 1)Variveis resposta (registos entre
1985 e 1998): a)Nascimento de gmeos b)Sobrevivncia neonatal
c)Sobrevivncia at idade i d)Reproduo de animais com 1 ano de idade
e)Data do nascimento f)Fecundidade dos adultos (# crias) g)Peso dos
recm-nascidos Regresso Logistica MLG Poisson (log) MLG Normal 2)
Preditores: a)ndice de Oscilao do Atlntico Norte (NAO) b)Densidade
populacional c)Peso e idade das mes d)Nascimento de gmeos 3)
Ajustamento de MLG adequados ao tipo de distribuio das variveis
resposta 4) Indicador da qualidade de ajustamento percentagem do
desvio explicada pelos preditores 8. Exemplos (PDF)
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Um MLG para contagens com
muitos zeros Janeiro Fevereiro Maro Abril Maio Junho Julho Agosto
Setembro Outubro Novembro Dezembro Ms Revs: Jul-Ago Direito:
Mai-Jun R Sub-populao de T. thynnus Distribuio do atum rabilho no
Atlntico NE e Mediterrneo 9. MLG 0s
Slide 38
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Artes de pesca envolvidas
na explorao de Thunnus thynnus Um MLG para contagens com muitos
zeros 9. MLG 0s
Slide 39
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia A armao do Barril ou Trs
Irmos Um MLG para contagens com muitos zeros 9. MLG 0s
Slide 40
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Um MLG para contagens com
muitos zeros 9. MLG 0s
Slide 41
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Factores ambientais
candidatos : Transparncia da gua Correntes costeiras Temperatura
Salinidade Mars Oxignio e fosfatos dissolvidos Poluio sonora e
qumica Falta um modelo que quantifique a influncia de cada factor
sobre o rendimento de pesca Um MLG para contagens com muitos zeros
9. MLG 0s
Slide 42
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Como pode um factor
ambiental X afectar as capturas dirias de atum? X afecta a presena
(+) mas no a abundncia Gradiente de X Replicados Atuns capturados
num dia em que X mnimo Atuns capturados num dia em que X mximo Um
MLG para contagens com muitos zeros 9. MLG 0s
Slide 43
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia n 0 =2226 n 1 =58
Capturas dirias na armao do Barril, entre 1926 e 1966 (temporada de
pesca: Maio Setembro) Tal como no MLG Gama adaptado ocorrncia de
zeros, tambm neste caso necessrio um MLG especial que lide com a
superabundncia de contagens nulas. Um MLG para contagens com muitos
zeros 9. MLG 0s
Slide 44
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Os modelos com fasquia
(hurdle models) Contagem nula Contagem positiva 0 1 2 3 4 5 6 7 8 9
10 x1x1 Concepo do modelo (p.ex. quando X promove a presena e a
abundncia) x1x1 x2x2 x2x2 Um MLG para contagens com muitos zeros 9.
MLG 0s
Slide 45
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Modelos com fasquia: Um
MLG para contagens com muitos zeros Poisson Binomial Negativa
Modelo Gama que admite zeros Lembrar Compensao devida ao facto de,
uma vez ultrapassada a barreira, as contagens nulas j no serem
possveis. Aqui, a compensao no feita porque a varivel com
distribuio Gama positiva. 9. MLG 0s
Slide 46
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Um MLG para contagens com
muitos zeros Tal como no Modelo Gama que admite zeros, nos modelos
com fasquia a funo verosimilhana factorizvel. Podemos construir
separadamente um Modelo de Regresso Logstica para modelar a
Presena/Ausncia. Contudo, a correco feita impede o ajustamento de
um MLG Poisson ou BN clssico s contagens positivas esses modelos
considerariam possvel a ocorrncia de contagens nulas. por isso
necessrio utilizar a funo hurdle Depois de obtidos os modelos
finais que relacionam a probabilidade de ocorrncia ( e a abundncia
( ; no-nula) com as variveis preditoras, a estimao do valor mdio
esperado de Y ( ) dada por: 9. MLG 0s >
source("D:/R/hurdle.r")
Slide 47
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Um MLG para contagens com
muitos zeros = Pr[Y>0] = E[Y|Y>0] = E[Y] =20 =40 =60 = 0.3
=100 = 30 = 0.6 =50 = 30 Interpretao do modelo com fasquia 9. MLG
0s
Slide 48
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Um MLG para contagens com
muitos zeros Condies: velocidade do vento = 0 m/s corrente =
longshore transparncia = gua lusa amplitude de mar = 2.15m dia
varivel (01-Maio a 31-Agosto) 9. MLG 0s
Slide 49
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Um MLG para contagens com
muitos zeros Condies: vento varivel (0m/s a 11m/s) corrente =
longshore transparncia = gua lusa amplitude de mar = 2.15m dia =
9-Junho (pico de Direito) ou 27-Julho (pico de Revs) 9. MLG 0s
Slide 50
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Bibliografia Anlise de
tabelas de contingncia Modelos para respostas multinomiais
LogLinear.PDF MRM.PDF Poisson1.PDFPoisson2.PDF Cameron, A.C.,
Windmeijer, F.A.G., 1996. R-Squared Measures for Count Data
Regression Models With Applications to Health Care Utilization.
Journal of Business and Economic Statistics 14: 209-220.
Forchhammer, M.C., et al., 2001. Climate and population density
induce long-term cohort variation in a northern ungulate. Journal
of Animal Ecology 70: 721-729. Le Brocque, A.F., Buckney, R.T.,
2003. Species richnessenvironment relationships within coastal
sclerophyll and mesophyll vegetation in Ku-ring-gai Chase National
Park, New South Wales, Australia. Austral Ecology 28: 404412.
Turkman, M.A., Silva, G.L., 2000. Modelos Lineares Generalizados.
VIII Congresso Anual da Sociedade Portuguesa de Estatstica
Cameron2.PDF Modelos de contagens PDF 10. Bibliografia
Slide 51
mini-curso mlge 1. Programa 2. Objectivo 4. MLG contagens 3.
MLG Binomial 4. MLG Poisson 5. MLG BN 6. Construo 7. GOF 8.
Exemplos (PDF) 9. MLG 0s 10. Bibliografia Bibliografia Barry, S.C.
and Welsh, A.H., 2002. Generalized additive modelling and zero
inflated count data. Ecol. Model., 157: 179-188. Bning, D., et al.,
1997. Zero-Inflated count models and their application in public
health and social science. In Rost, J., Langeheine, R. (eds.).
Applications of latent traits and latent class models in the social
sciences. Mnster: Waxman Dobbie, M.J., Welsh, A.H., Modelling
correlated zero-inflated count data. Australian & New Zealand
Journal of Statistics 43(4): 431-444. Gurmu, S. 1998. Generalized
hurdle count data regressions models. Economics letters, 58: 263-
268. Lambert, D., 1992. Zero-inflated Poisson regression, with an
application to defects in manufacturing. Technometrics 34: 1-14.
Lemos, R.T., 2003. Aplicao de um modelo de contagens ao estudo da
ecologia e pesca do atum rabilho, Thunnus thynnus (L.). Tese de
Mestrado. Lisboa: ISA-UTL. Mullahy, J., 1986. Specification and
testing of some modified count data models. Journal of
Econometrics, 33: 341-365. Perkins, P.C., Edwards, E.F., 1994. A
mixture model for estimating bycatch from data with many zero
observations: Tuna bycatch in the eastern tropical Pacific Ocean
Southwest Fisheries Science Center Administrative Report LJ-94-07
Ridout, M., et al., 1998. Models for count data with many zeros.
International Biometric Conference, Cape Town, December 1998:
179-192. Welsh, A.H., et al., 1996. Modelling the abundance of rare
species: statistical models for counts with extra zeros. Ecol.
Model., 88: 297-308. Zorn, C.J., 1996. Evaluating zero-inflated and
hurdle Poisson specifications. Midwest Political Science
Association April 18-20, 1996 Modelos de contagens com muitos zeros
Mais PDF 10. Bibliografia