Resenha dos Modelos Lineares Generalizados
|
|
- Isabel Olívia Bonilha Tomé
- 5 Há anos
- Visualizações:
Transcrição
1 Resenha dos Modelos Lineares Generalizados p. 1/67 Resenha dos Modelos Lineares Generalizados Gilberto A. Paula Departamento de Estatística IME-USP MAE Modelos Lineares Generalizados 2 o semestre de 2011
2 Resenha dos Modelos Lineares Generalizados p. 2/67 Sumário Introdução A ideia dos MLGs Nova família Um exemplo simples Contribuições dos MLGs Modelos de quase-verossimilhança Equações de estimação generalizadas Modelos aditivos generalizados
3 Resenha dos Modelos Lineares Generalizados p. 3/67 Modelos não lineares de família exponencial Modelos lineares generalizados duplos Modelos lineares generalizados mistos Modelos lineares generalizados hierárquicos Aplicativos Conclusões Referências
4 Resenha dos Modelos Lineares Generalizados p. 4/67 Introdução O objetivo desta palestra inaugural é fazer uma resenha dos Modelos Lineares Generalizados(MLGs) criados há quase 40 anos por Nelder e Wedderburn (1972).
5 Resenha dos Modelos Lineares Generalizados p. 4/67 Introdução O objetivo desta palestra inaugural é fazer uma resenha dos Modelos Lineares Generalizados(MLGs) criados há quase 40 anos por Nelder e Wedderburn (1972). Após uma breve introdução dos MLGs apresentaremos em ordem cronológica algumas das principais classes de modelos de regressão que foram motivadas pelos MLGs. Algumas dessas classes serão estudadas na disciplina Modelos Lineares Generalizados. Exemplos ilustrativos são também apresentados ao longo do texto.
6 Resenha dos Modelos Lineares Generalizados p. 5/67 Antes dos MLGs Os MLGs foram criados com o objetivo de reunir numa mesma família vários modelos estatísticos que eram tratados separadamente. Em geral nas análises de regressão procurava-se algum tipo de transformação que levasse à normalidade, tais como a transformação de Box-Cox (1964) z = { y λ 1 λ se λ 0 logy se λ = 0, em que y > 0 e λ é uma constante desconhecida.
7 Resenha dos Modelos Lineares Generalizados p. 6/67 A ideia dos MLGs O modelo normal linear é definido por (1) Y i indep N(µ i,σ 2 ) (i = 1,...,n), (2) µ i = η i = β 1 +β 2 x i2 + +β p x ip.
8 Resenha dos Modelos Lineares Generalizados p. 6/67 A ideia dos MLGs O modelo normal linear é definido por (1) Y i indep N(µ i,σ 2 ) (i = 1,...,n), (2) µ i = η i = β 1 +β 2 x i2 + +β p x ip. Os MLGs são definidos por (1) Y i indep FE(µ i,φ) (i = 1,...,n), (2) µ i = g 1 (η i ), em que E(Y i ) = µ i, Var(Y i ) = φ 1 V(µ i ), V(µ i ) função de variância, g( ) função de ligação, φ 1 parâmetro de dispersão e η i preditor linear.
9 Resenha dos Modelos Lineares Generalizados p. 7/67 Nova família Alguns modelos da nova família:
10 Resenha dos Modelos Lineares Generalizados p. 7/67 Nova família Alguns modelos da nova família: Modelo logístico-linear (1) Y i indep Be(µ i ) (i = 1,...,n), (0 < µ i < 1), (2) µ i = exp(η i) 1+exp(η i ).
11 Resenha dos Modelos Lineares Generalizados p. 7/67 Nova família Alguns modelos da nova família: Modelo logístico-linear (1) Y i indep Be(µ i ) (i = 1,...,n), (0 < µ i < 1), (2) µ i = exp(η i) 1+exp(η i ). Modelo recíproco gama (1) Y i indep G(µ i,φ) (i = 1,...,n), (2) µ i = η 1 i, em que (µ i > 0) e (Y i > 0).
12 Resenha dos Modelos Lineares Generalizados p. 8/67 Nova família Modelo log-linear de Poisson (1) Y i indep P(µ i ) (i = 1,...,n), (2) µ i = e η i, em que (Y i = 0,1,2,...), (µ i > 0) e (Var(Y i ) = µ i ).
13 Resenha dos Modelos Lineares Generalizados p. 8/67 Nova família Modelo log-linear de Poisson (1) Y i indep P(µ i ) (i = 1,...,n), (2) µ i = e η i, em que (Y i = 0,1,2,...), (µ i > 0) e (Var(Y i ) = µ i ). Modelo log-linear binomial negativo (1) Y i indep BN(µ i,φ) (i = 1,...,n), (2) µ i = e η i, em que (Y i = 0,1,2,...), (µ i > 0) e (Var(Y i ) = µ i + µ2 i φ ).
14 Resenha dos Modelos Lineares Generalizados p. 9/67 Um exemplo simples Vamos considerar um exemplo em que modelos de regressão normal linear são comparados com um modelo log-linear de Poisson para ajustar dados de contagem. resposta: número de bactérias sobreviventes em amostras de um produto elimentício exposto a uma temperatura de 300 o F. variável explicativa: tempo de exposição do produto (em minutos). (Montgomery, Peck e Vining, 2001) (Paula, 2010).
15 Resenha dos Modelos Lineares Generalizados p. 10/67 Descrição dados bactérias Bactérias Exposição Bactérias Exposição Numero de Bacterias Tempo de Exposicao
16 Resenha dos Modelos Lineares Generalizados p. 11/67 Ajuste modelos nomais Com base na aproximação da Poisson pela normal vamos propor inicialmente os seguintes modelos: yi = α+βtempo i +ǫ i e yi = α+βtempo i +γtempo 2 i +ǫ i, em que ǫ i N(0,σ 2 ) são erros mutuamente independentes. Pelos gráficos de resíduos a observação #1 não foi bem ajustada pelos dois modelos.
17 Resenha dos Modelos Lineares Generalizados p. 12/67 Resíduos modelos normais Residuo Studentizado Residuo Studentizado Percentis da N(0,1) (linear) Percentis da N(0,1) (quadratico)
18 Resenha dos Modelos Lineares Generalizados p. 13/67 Ajuste modelo de Poisson Vamos supor agora o seguinte modelo log-linear de Poisson logµ i = α+βtempo i, em que Y i P(µ i ). As estimativas desse modelo são apresentadas na tabela abaixo. Parâmetro Estimativa E/E.Padrão α 5,30 88,34 β -0,23-23,00 Desvio 8,42 (10 g.l.)
19 Resenha dos Modelos Lineares Generalizados p. 14/67 Resíduos modelo de Poisson Componente do Desvio Percentis da N(0,1)
20 Resenha dos Modelos Lineares Generalizados p. 15/67 Interpretação modelo de Poisson O modelo ajustado fica então dado por ˆµ(x) = e 5,30 0,23x, em que x denota o tempo de exposição.
21 Resenha dos Modelos Lineares Generalizados p. 15/67 Interpretação modelo de Poisson O modelo ajustado fica então dado por ˆµ(x) = e 5,30 0,23x, em que x denota o tempo de exposição. Logo, se diminuirmos de uma unidade o tempo de exposição a variação no valor esperado fica dada por ˆµ(x 1) ˆµ(x) = e 0,23 = 1,259. Ou seja, o número esperado de sobreviventes aumenta aproximadamente 25,9%.
22 Resenha dos Modelos Lineares Generalizados p. 16/67 Curva ajustada modelo de Poisson Numero de Bacterias Tempo de Exposicao
23 Resenha dos Modelos Lineares Generalizados p. 17/67 Contribuições dos MLGs Algumas contribuições importantes dos MLGs.
24 Resenha dos Modelos Lineares Generalizados p. 17/67 Contribuições dos MLGs Algumas contribuições importantes dos MLGs. (1) Ligação entre a média e o preditor linear: µ i = g 1 (η i ). Para cada distribuição da família exponencial novos modelos podem ser gerados variando-se a função de ligação g( ).
25 Resenha dos Modelos Lineares Generalizados p. 17/67 Contribuições dos MLGs Algumas contribuições importantes dos MLGs. (1) Ligação entre a média e o preditor linear: µ i = g 1 (η i ). Para cada distribuição da família exponencial novos modelos podem ser gerados variando-se a função de ligação g( ). (2) Função desvio: D(y; ˆµ) = 2{L(y,y) L(ˆµ,y)}. É uma distância entre as (log) verossimilhnças do modelo saturado e do modelo postulado. Para alguns modelos a distribuição do desvio é uma qui-quadrado facilitando avaliar a qualidade do ajuste.
26 Resenha dos Modelos Lineares Generalizados p. 18/67 Contribuições dos MLGs (3) Resíduo componente do desvio: t Di = ± d 2 (y i,ˆµ i ). Esse resíduo é muito utilizado para detectar pontos aberrantes e para avaliar a adequação da distribuição utlizada para a resposta.
27 Resenha dos Modelos Lineares Generalizados p. 18/67 Contribuições dos MLGs (3) Resíduo componente do desvio: t Di = ± d 2 (y i,ˆµ i ). Esse resíduo é muito utilizado para detectar pontos aberrantes e para avaliar a adequação da distribuição utlizada para a resposta. (4) Função de variância: V(µ) Caracteriza a distribuição da família exponencial. Ou seja, para cada V(µ) existe apenas uma distribuição na família exponencial e vice-versa. Além disso, quando φ tem-se que φ(y µ) d N(0,V(µ)) (Jørgensen, 1987).
28 Resenha dos Modelos Lineares Generalizados p. 19/67 Contribuições dos MLGs (5) Processo iterativo na forma de mínimos quadrados A estimativa de máxima verossimilhança ˆβ pode ser obtida através do processo iterativo de mínimos quadrados reponderados β (m+1) = (X T W (m) X) 1 X T W (m) z (m), com matriz modelo X, matriz de pesos W e variável dependende modificada z. Esse processo iterativo é inicializado nos próprios valores observados e em geral converge num número finito de passos.
29 Resenha dos Modelos Lineares Generalizados p. 20/67 Quase-verossimilhança Wedderburn (1974) apresentou uma extensão dos MLGs criando uma função de (log) quase-verossimilhança: Q(µ;y) = 1 σ 2 µ y y t V(t) dt, em que V(µ) > 0 e σ 2 > 0.
30 Resenha dos Modelos Lineares Generalizados p. 20/67 Quase-verossimilhança Wedderburn (1974) apresentou uma extensão dos MLGs criando uma função de (log) quase-verossimilhança: Q(µ;y) = 1 σ 2 µ y y t V(t) dt, em que V(µ) > 0 e σ 2 > 0. Se V(µ) for uma função de variância então Q(µ; y) é uma log-verossimilhança. Todavia, pode-se mostrar que Q(µ; y) segue condições básicas de regularidade e consequentemente tem-se que E(Y) = µ e Var(Y) = σ 2 V(µ).
31 Resenha dos Modelos Lineares Generalizados p. 21/67 Modelos de QV Assim, os modelos de quase-verossimilhança podem ser definidos da seguinte maneira: (1) Y i indep Q(µ i,y i ) (i = 1,...,n), (2) µ i = g 1 (η i ), em que E(Y i ) = µ i, Var(Y i ) = σ 2 V(µ i ), V(µ i ) > 0, g( ) função de ligação e σ 2 > 0 parâmetro de dispersão.
32 Resenha dos Modelos Lineares Generalizados p. 21/67 Modelos de QV Assim, os modelos de quase-verossimilhança podem ser definidos da seguinte maneira: (1) Y i indep Q(µ i,y i ) (i = 1,...,n), (2) µ i = g 1 (η i ), em que E(Y i ) = µ i, Var(Y i ) = σ 2 V(µ i ), V(µ i ) > 0, g( ) função de ligação e σ 2 > 0 parâmetro de dispersão. O parâmetro β do preditor linear η i pode ser estimado através de um processo iterativo de mínimos quadrados reponderados similar aos MLGs.
33 Resenha dos Modelos Lineares Generalizados p. 22/67 Exemplo modelo de QV Seja Y ij a proporção da área afetada da folha da cevada da variedade j no local i (i = 1,...,9 e j = 1,...,10) (McCullagh e Nelder, 1989, Tabela 9.2).
34 Resenha dos Modelos Lineares Generalizados p. 22/67 Exemplo modelo de QV Seja Y ij a proporção da área afetada da folha da cevada da variedade j no local i (i = 1,...,9 e j = 1,...,10) (McCullagh e Nelder, 1989, Tabela 9.2). Como 0 Y ij 1 podemos propor o seguinte modelo de QV: (1) Y ij indep Q(µ ij,y ij ) (0 < µ ij < 1), (2) µ ij = exp(η ij) 1+exp(η ij ), η ij = α+β i +γ j, em que µ ij = E(Y ij ) e Var(Y ij ) = σ 2 V(µ ij ).
35 Resenha dos Modelos Lineares Generalizados p. 22/67 Exemplo modelo de QV Seja Y ij a proporção da área afetada da folha da cevada da variedade j no local i (i = 1,...,9 e j = 1,...,10) (McCullagh e Nelder, 1989, Tabela 9.2). Como 0 Y ij 1 podemos propor o seguinte modelo de QV: (1) Y ij indep Q(µ ij,y ij ) (0 < µ ij < 1), (2) µ ij = exp(η ij) 1+exp(η ij ), η ij = α+β i +γ j, em que µ ij = E(Y ij ) e Var(Y ij ) = σ 2 V(µ ij ). Vamos comparar os ajustes com V(µ ij ) = µ ij (1 µ ij ) e V(µ ij ) = µ 2 ij (1 µ ij) 2.
36 Resenha dos Modelos Lineares Generalizados p. 23/67 Resíduos V(µ ij ) = µ ij (1 µ ij ) Residuo de Pearson Logito valores ajustados
37 Resenha dos Modelos Lineares Generalizados p. 24/67 Resíduos V(µ ij ) = µ 2 ij (1 µ ij) 2 Residuo de Pearson Logito valores ajustados
38 Resenha dos Modelos Lineares Generalizados p. 25/67 Dados correlacionados Como ajustar dados correlacionados não Gaussianos?
39 Resenha dos Modelos Lineares Generalizados p. 25/67 Dados correlacionados Como ajustar dados correlacionados não Gaussianos? Liang e Zeger (1986) propuseram as Equações de Estimação Generalizadas (EEGs) que são uma extensão dos modelos de QV para dados correlacionados.
40 Resenha dos Modelos Lineares Generalizados p. 25/67 Dados correlacionados Como ajustar dados correlacionados não Gaussianos? Liang e Zeger (1986) propuseram as Equações de Estimação Generalizadas (EEGs) que são uma extensão dos modelos de QV para dados correlacionados. Supondo que y i = (y i1,...,y ini ) T correspondem às n i respostas do i-ésimo indivíduo as EEGs são definidas por: (1) Y ij FE(µ ij,φ) (i = 1,...,n), (j = 1,...,n i ), (2) µ ij = g 1 (η ij ), (3) corr(y i ) = R i (ρ), em que ρ = (ρ 1,...,ρ q ) T.
41 Resenha dos Modelos Lineares Generalizados p. 26/67 Exemplo dados longitudinais Considere os dados abaixo descritos em Myers, Montgomery e Vining (2002), em que pacientes com problemas respiratórios receberam dois tratamentos: Visita 1 Visita 2 Visita 3 Visita 4 Tratamento 22/27 13/27 5/27 1/27 Placebo 20/29 18/29 21/29 15/29 27 receberam uma droga ativa e 29 receberam placebo. Cada paciente foi observado em quatro ocasiões em que mediu-se a condição respiratória (boa ou ruim).
42 Resenha dos Modelos Lineares Generalizados p. 27/67 Proposta de EEG Foram observados para cada paciente além do Trat (=0 droga ativa, =1 placebo) as variáveis explicativas: Idade (em anos), Gênero (=0 feminino, =1 masculino) e Base (=0 ausência, =1 presença).
43 Resenha dos Modelos Lineares Generalizados p. 27/67 Proposta de EEG Foram observados para cada paciente além do Trat (=0 droga ativa, =1 placebo) as variáveis explicativas: Idade (em anos), Gênero (=0 feminino, =1 masculino) e Base (=0 ausência, =1 presença). Seja Y ij a condição (=1 ruim, =0 boa) do i-ésimo paciente na j-ésima ocasião, i = 1,...,56 e j = 1,2,3,4. Proposta de EEG: (1) Y ij Be(µ i ) (0 < µ i < 1), (2) µ i = exp(η i) 1+exp(η i ), em que η i = α+β 1 Idade i +β 2 Trat i +β 3 Genero i +β 4 Base i, (3) corr(y ij,y ij ) = ρ j j para j j (AR(1)).
44 Resenha dos Modelos Lineares Generalizados p. 28/67 Resultados dos ajustes Estimativas dos ajustes através de modelos logísticos supondo independência e estrutura de correlação AR(1). Correlação AR(1) Independência Efeito Estimativa z-robusto Estimativa z-robusto Intercepto -0,377-0,386-0,404-0,474 Idade 0,043 3,380 0,048 3,443 Tratamento 1,001 3,066 1,070 3,425 Gênero -2,003-2,988-2,178-3,162 Base 0,492 0,586 0,498 0,977 ρ 0,275 0,00
45 Resenha dos Modelos Lineares Generalizados p. 29/67 Resíduos EEG Residuo de Pearson Padronizado Percentis da N(0,1)
46 Resenha dos Modelos Lineares Generalizados p. 30/67 Modelos aditivos Hastie e Tibshirane (1990) propuseram substituir o preditor linear dos MLGs por um preditor aditivo formado por funções não paramétricas f 1 (X 1 ),...,f p (X p ) das variáveis explicativas X 1,...,X p (por exemplo splines cúbicas).
47 Resenha dos Modelos Lineares Generalizados p. 30/67 Modelos aditivos Hastie e Tibshirane (1990) propuseram substituir o preditor linear dos MLGs por um preditor aditivo formado por funções não paramétricas f 1 (X 1 ),...,f p (X p ) das variáveis explicativas X 1,...,X p (por exemplo splines cúbicas). Esse nova classe de modelos denominada Modelos Aditivos Generalizados é definida por: (1) Y i indep FE(µ i,φ) (i = 1,...,n), (2) µ i = g 1 (η i ), em que η i = α+f 1 (x 1i )+ +f p (x pi ).
48 Resenha dos Modelos Lineares Generalizados p. 31/67 Modelos aditivos As funções f(x) são não paramétricas e em geral assumem a forma f(x) = r l=1 b l(x)β l, em que b 1 (x),...,b r (x) é a base do espaço de funções e β 1,...,β r são parâmetros a serem estimados. O logaritmo da função de verossimilhança penalizada assume a forma L p (θ) = L(θ) 1 2 p j=1 λ j β T j S j β j, em que θ = (α,β T 1,...,β T p ) T, β j = (β j1,...,β jrj ) T, S j é uma matriz r j r j e λ j são os parâmetros de suavização.
49 Resenha dos Modelos Lineares Generalizados p. 31/67 Modelos aditivos As funções f(x) são não paramétricas e em geral assumem a forma f(x) = r l=1 b l(x)β l, em que b 1 (x),...,b r (x) é a base do espaço de funções e β 1,...,β r são parâmetros a serem estimados. O logaritmo da função de verossimilhança penalizada assume a forma L p (θ) = L(θ) 1 2 p j=1 λ j β T j S j β j, em que θ = (α,β T 1,...,β T p ) T, β j = (β j1,...,β jrj ) T, S j é uma matriz r j r j e λ j são os parâmetros de suavização.
50 Resenha dos Modelos Lineares Generalizados p. 32/67 Exemplo perfil de clientes Considere os dados apresentados em Neter et al. (1996) sobre o perfil dos clientes de uma determinada loja oriundos de 110 áreas de uma cidade. O objetivo do estudo é relacionar o número de clientes em cada área (Nclientes) com as seguintes variáveis explicativas em cada área: número de domicílios (em mil) (Domic), renda média anual (em mil USD) (Renda), idade média dos domicílios (em anos) (Idade), distância ao concorrente mais próximo (em milhas) (Dist1) e distância à loja (em milhas) (Dist2).
51 Diagramas de dispersão Clientes Clientes Renda Idade Clientes Clientes Dist1 Dist2 Resenha dos Modelos Lineares Generalizados p. 33/67
52 Resenha dos Modelos Lineares Generalizados p. 34/67 Estimativas modelo de Poisson Supor o MLG: (1) Nclientes i P(µ i ) (i = 1,...,110), (2) logµ i = α+β 1 Domic i +β 2 Renda i +β 3 Idade i +β 4 Dist1 i +β 5 Dist2 i. Efeito Parâmetro Estimativa E/E.Padrão Constante α 2,942 14,21 Domicílio β 1 0,606 4,27 Renda β 2-0,012-5,54 Idade β 3-0,004-2,09 Dist1 β 4 0,168 6,54 Dist2 β 5-0,129-7,95
53 Resenha dos Modelos Lineares Generalizados p. 35/67 Resíduos modelo de Poisson Componente do Desvio Percentis da N(0,1)
54 Ajuste GAM logµi = α+s(domic) i +S(Renda) i +S(Idade) i +S(Dist1) i +S(Dist2) i. s(renda,1) s(idade,1) renda idade s(dist1,3.12) s(dist2,1) dist1 dist2 Resenha dos Modelos Lineares Generalizados p. 36/67
55 Resenha dos Modelos Lineares Generalizados p. 37/67 Comparação ajustes Predito ajuste GAM Predito ajuste GLM
56 Resenha dos Modelos Lineares Generalizados p. 38/67 Modelos não lineares Cordeiro e Paula (1989) propuseram os Modelos Não Lineares de Família Exponencial, em que o preditor linear dos MLGs é substituído por um preditor não linear.
57 Resenha dos Modelos Lineares Generalizados p. 38/67 Modelos não lineares Cordeiro e Paula (1989) propuseram os Modelos Não Lineares de Família Exponencial, em que o preditor linear dos MLGs é substituído por um preditor não linear. Wei (1998) agregou novos resultados a esta classe que é definida por: (1) Y i indep FE(µ i,φ) (i = 1,...,n), (2) µ i = g 1 (η i ), em que η i = f(x i ;β), sendo f(x i ;β) uma função não linear em β.
58 Resenha dos Modelos Lineares Generalizados p. 39/67 Modelo mistura de drogas Modelo proposto por Finney (1978) para avaliar a mistura de duas drogas A e B: (1) Y i indep FE(µ i,φ) (i = 1,...,n), (2) g(µ i ) = α+δlog{x 1i +ρx 2i +k ρx 1i x 2i },
59 Resenha dos Modelos Lineares Generalizados p. 39/67 Modelo mistura de drogas Modelo proposto por Finney (1978) para avaliar a mistura de duas drogas A e B: (1) Y i indep FE(µ i,φ) (i = 1,...,n), (2) g(µ i ) = α+δlog{x 1i +ρx 2i +k ρx 1i x 2i }, em que Y é a resposta, x 1 e x 2 representam as log-doses das drogas A e B, respectivamente, δ é a inclinação comum na relação log-dose e resposta, ρ é a potência da droga B em relação à doga A e k representa a interação entre as duas drogas (k = 0 ausência de interação, k > 0 sinergismo e k < 0 antagonistmo).
60 Coelhos europeus Peso das lentes dos olhos do coelho(em mg) Idade do coelho(em dias) Resenha dos Modelos Lineares Generalizados p. 40/67
61 Resenha dos Modelos Lineares Generalizados p. 41/67 Modelo normal inverso Wei (1998) (Possamai, 2009) propôs o seguinte modelo não linear para explicar o peso das lentes (em mg) dos olhos de coelhos europeus em função da idade (em anos):
62 Resenha dos Modelos Lineares Generalizados p. 41/67 Modelo normal inverso Wei (1998) (Possamai, 2009) propôs o seguinte modelo não linear para explicar o peso das lentes (em mg) dos olhos de coelhos europeus em função da idade (em anos): indep (1) Y i NI(µ i,φ) (i = 1,...,76), { } (2) µ i = µexp β x i +γ ou logµ i = α β x i +γ, em que Y i e x i denotam, respectivamente, o peso da lente e a idade do i-ésimo coelho, µ é a assintota ou o peso máximo esperado para as lentes dos coelhos, β está relacionado com o crescimento da curva e γ com a idade dos coelhos. Note que Var(Y i ) = φ 1 µ 3 i.
63 Ajuste do modelo Peso das lentes dos olhos do coelho(em mg) Idade do coelho(em dias) Resenha dos Modelos Lineares Generalizados p. 42/67
64 Resenha dos Modelos Lineares Generalizados p. 43/67 MLGs duplos Smyth (1989) introduziu os modelos lineares generalizados duplos com modelagem conjunta da média e do parâmetro de dispersão, os quais são definidos por: (1) Y i indep FE(µ i,φ i ) (i = 1,...,n), (2) µ i = g 1 (η i ), com η i = x T i β, (3) φ i = h 1 (λ i ), com λ i = z T i γ, em que x i = (x i1,...,x ip ) T e z i = (z i1,...,z iq ) T contêm valores de variáveis explicativas e β = (β 1,...,β p ) T e γ = (γ 1,...,γ q ) T são parâmetros a serem estimados.
65 Resenha dos Modelos Lineares Generalizados p. 43/67 MLGs duplos Smyth (1989) introduziu os modelos lineares generalizados duplos com modelagem conjunta da média e do parâmetro de dispersão, os quais são definidos por: (1) Y i indep FE(µ i,φ i ) (i = 1,...,n), (2) µ i = g 1 (η i ), com η i = x T i β, (3) φ i = h 1 (λ i ), com λ i = z T i γ, em que x i = (x i1,...,x ip ) T e z i = (z i1,...,z iq ) T contêm valores de variáveis explicativas e β = (β 1,...,β p ) T e γ = (γ 1,...,γ q ) T são parâmetros a serem estimados.
66 Resenha dos Modelos Lineares Generalizados p. 44/67 Comparação de Snacks Vamos considerar um estudo desenvolvido na Faculdade de Saúde Pública da USP em que 5 formas diferentes de um novo tipo de snack, denotados por A, B, C, D e E, com baixo teor de gordura saturada e de ácidos graxos, foram comparados ao longo de 20 semanas. Neste novo produto optou-se por substituir, totalmente ou parcialmente, o agente responsável pela fixação do aroma do produto, a gordura vegetal hidrogenada por óleo de canola. Uma das variáveis de interesse é o comportamento da textura dos produtos através da força necessária para o cisalhamento.
67 Resenha dos Modelos Lineares Generalizados p. 44/67 Comparação de Snacks Vamos considerar um estudo desenvolvido na Faculdade de Saúde Pública da USP em que 5 formas diferentes de um novo tipo de snack, denotados por A, B, C, D e E, com baixo teor de gordura saturada e de ácidos graxos, foram comparados ao longo de 20 semanas. Neste novo produto optou-se por substituir, totalmente ou parcialmente, o agente responsável pela fixação do aroma do produto, a gordura vegetal hidrogenada por óleo de canola. Uma das variáveis de interesse é o comportamento da textura dos produtos através da força necessária para o cisalhamento.
68 Resenha dos Modelos Lineares Generalizados p. 45/67 Boxplots segundo a semana Cisalhamento Semanas
69 Resenha dos Modelos Lineares Generalizados p. 46/67 Boxplots segundo o grupo Cisalhamento A B C D E Grupo
70 Média e CV segundo a semana Cisalhamento Medio CV Cisalhamento Semana Semana Resenha dos Modelos Lineares Generalizados p. 47/67
71 Resenha dos Modelos Lineares Generalizados p. 48/67 Modelagem da média e dispersão Seja Y ijk a força de cisalhamento referente à k-ésima réplica do i-ésimo grupo na j-ésima semana. Vamos supor que Y ijk G(µ ij,φ ij ) com parte sistemática dada por µ ij = β 0 +β i +β 6 semana j +β 7 semana 2 j e logφ ij = γ 0 +γ i +γ 6 semana j +γ 7 semana 2 j, em que β 1 = 0 e γ 1 = 0. Portanto β 0 e γ 0 são os efeitos da forma A, controlando-se pela semana, na média e na dispersão, respectivamente, enquanto β 0 +β i e γ 0 +γ i são os efeitos das demais formas.
72 Resenha dos Modelos Lineares Generalizados p. 49/67 Estimativas da média e dispersão Média Dispersão Efeito Estimativa Valor-z Estimativa Valor-z Constante 36,990 11,53 1,560 7,27 Grupo B -10,783-6,40 0,468 2,95 Grupo C -3,487-1,98 0,050 0,31 Grupo D -14,829-9,18 0,815 5,05 Grupo E -15,198-9,54 0,817 5,06 Semana 5,198 9,88 0,155 3,91 Semana 2-0,189-8,88-0,005-2,99
73 Resenha dos Modelos Lineares Generalizados p. 50/67 Resíduos modelo gama duplo Componente do Desvio Percentis da N(0,1)
74 Resenha dos Modelos Lineares Generalizados p. 51/67 MLGs mistos Breslow e Clayton (1993) propuseram os Modelos Lineares Generalizados Mistos (MLGMs) em que o preditor linear é formado por um componente fixo (paramétrico) e um componente aleatório (efeitos aleatórios).
75 Resenha dos Modelos Lineares Generalizados p. 51/67 MLGs mistos Breslow e Clayton (1993) propuseram os Modelos Lineares Generalizados Mistos (MLGMs) em que o preditor linear é formado por um componente fixo (paramétrico) e um componente aleatório (efeitos aleatórios). Supondo que y i = (y i1,...,y ini ) T correspondem às n i respostas do i-ésimo indivíduo os MLGMs são definidas por: (1) Y ij b i indep FE(µ ij,φ) (i = 1,...,n) (j = 1,...,n i ), (2) µ ij = g 1 (η ij ), em que η ij = x T ij β +zt ij b i, (3) b i iid Nq (0,D).
76 Resenha dos Modelos Lineares Generalizados p. 52/67 Modelo marginal misto Sejam f ij (y ij b i,β,φ) e f(b i D) as f.d.p. s de Y ij b i e b i, respectivamente. Então, a f.d.p. marginal de Y = (Y 1,...,Y n ) T, em que Y i = (Y i1,...,y imi ) T, fica dada por (McCullogh e Searle, 2001) f(y β,φ,d) = Π n i=1 IR q {Π m i j=1 f ij(y ij b i,β,φ)}f(b i D)db i.
77 Resenha dos Modelos Lineares Generalizados p. 52/67 Modelo marginal misto Sejam f ij (y ij b i,β,φ) e f(b i D) as f.d.p. s de Y ij b i e b i, respectivamente. Então, a f.d.p. marginal de Y = (Y 1,...,Y n ) T, em que Y i = (Y i1,...,y imi ) T, fica dada por (McCullogh e Searle, 2001) f(y β,φ,d) = Π n i=1 IR q {Π m i j=1 f ij(y ij b i,β,φ)}f(b i D)db i. A função log-verossimilhança fica expressa na forma L(β,φ,D) = n log {Π m i j=1 f ij(y ij b i,β,φ)}f(b i D)db i. IR q i=1
78 Resenha dos Modelos Lineares Generalizados p. 53/67 Dados placas dentárias Escore Placebo RINSE A RINSE B Início Após 3 meses Após 6 meses Período
79 Resenha dos Modelos Lineares Generalizados p. 54/67 Distribuição inicial das placas Densidade Placa
80 Resenha dos Modelos Lineares Generalizados p. 55/67 Modelo proposto Seja Y ijk o escore do k-ésimo indivíduo do i-ésimo grupo (placebo, líquido A, líquido B) e j-ésimo período (início do tratamento, após 3 meses, após 6 meses), i,j = 1,2,3, k = 1,...,n ij com n 1j = 39, n 2j = 34 e n 3j = 36 (Hadgu e Koch, 1999).
81 Resenha dos Modelos Lineares Generalizados p. 55/67 Modelo proposto Seja Y ijk o escore do k-ésimo indivíduo do i-ésimo grupo (placebo, líquido A, líquido B) e j-ésimo período (início do tratamento, após 3 meses, após 6 meses), i,j = 1,2,3, k = 1,...,n ij com n 1j = 39, n 2j = 34 e n 3j = 36 (Hadgu e Koch, 1999). Modelo de intercepto aleatório: (1) Y ijk b k indep G(µ ijk,φ), (2) logµ ijk = η ijk, em que η ijk = α+b k +β i +γ j +δ ij, (3) b k iid N(0,σ 2 e ).
82 Resenha dos Modelos Lineares Generalizados p. 56/67 Estimativas do modelo Efeito Parâmetro Estimativa E/E.Padrão Constante α 0,938 13,95 Líquido A β 2 0,020 0,21 Líquido B β 3-0,026-0,27 Tempo(3M) γ 2-0,409-5,41 Tempo(6M) γ 3-0,424-5,46 A*Tempo(3M) δ 22-0,376-3,39 A*Tempo(6M) δ 23-0,319-2,93 B*Tempo(3M) δ 32-0,419-3,72 B*Tempo(6M) δ 33-0,498-4,51 Efeito aleatório σ e 0,252
83 Resenha dos Modelos Lineares Generalizados p. 57/67 Resíduos marginais Residuo marginal Percentil da N(0,1)
84 Resenha dos Modelos Lineares Generalizados p. 58/67 Modelos hierárquicos Os Modelos Lineares Generalizados Hierárquicos (MLGHs) (Lee, Nelder e Pawitan, 2004) flexibilizam a distribuição dos efeitos aleatórios na classe dos (MLGMs).
85 Resenha dos Modelos Lineares Generalizados p. 58/67 Modelos hierárquicos Os Modelos Lineares Generalizados Hierárquicos (MLGHs) (Lee, Nelder e Pawitan, 2004) flexibilizam a distribuição dos efeitos aleatórios na classe dos (MLGMs). Supondo que y i = (y i1,...,y ini ) T correspondem às n i respostas do i-ésimo indivíduo os MLGHs são definidas por: (1) Y ij b i indep FE(µ ij,φ) (i = 1,...,n) (j = 1,...,n i ), (2) µ ij = g 1 (η ij ), em que η ij = x T ij β +v i, (3) v i = v(u i ), em que u i tem uma distribuição apropriada.
86 Resenha dos Modelos Lineares Generalizados p. 59/67 A ideia dos MLGHs A principal contribuição dos MLGHs é estimar (v i,α) em conjunto com os parâmetros (β,φ). Nelder e Lee propuseram a h-verossimilhança: h(β,φ,α,v y) = n i=1 n i j=1 {L(β,φ;y ij v i )+L(α,v i )}.
87 Resenha dos Modelos Lineares Generalizados p. 59/67 A ideia dos MLGHs A principal contribuição dos MLGHs é estimar (v i,α) em conjunto com os parâmetros (β,φ). Nelder e Lee propuseram a h-verossimilhança: h(β,φ,α,v y) = n i=1 n i j=1 {L(β,φ;y ij v i )+L(α,v i )}. Modelo Poisson-gama: y ij u i é Poisson e u i é gama; modelo binomial-beta: y ij u i é binomial e u i é beta e modelo gama-normal inversa: y ij u i é gama e u i é normal inversa, em que v i = v(u i ).
88 Resenha dos Modelos Lineares Generalizados p. 60/67 Aplicativos O primeiro aplicativo desenvolvido para o ajuste de MLGs GLIM está desativado. Aplicativos com MLGs e extensões: S-Plus ( R ( (software livre) SAS ( STATA ( MATLAB ( SUDAAN (
89 Resenha dos Modelos Lineares Generalizados p. 61/67 Conclusões Os MLGs trouxeram uma nova notação para a área de Modelos de Regressão e nesses quase 40 anos receberam várias extensões com modificações na parte aleatória, na estrutura de correlação e no componente sistemático com a inclusão, por exemplo, de componentes não paramétricos, componentes não lineares e componentes aleatórios.
90 Resenha dos Modelos Lineares Generalizados p. 61/67 Conclusões Os MLGs trouxeram uma nova notação para a área de Modelos de Regressão e nesses quase 40 anos receberam várias extensões com modificações na parte aleatória, na estrutura de correlação e no componente sistemático com a inclusão, por exemplo, de componentes não paramétricos, componentes não lineares e componentes aleatórios. Todavia, os MLGs na sua forma original continuam sendo aplicados num grande número de problemas práticos com excelentes resultados.
91 Resenha dos Modelos Lineares Generalizados p. 62/67 Referências Breslow, N. E. e Clayton, D. G. (1993). Approximate inference in generalized linear mixed models. Journal of the American Statistical Association 88, Cordeiro, G. M. e Paula, G. A. (1989). Improved likelihood ratio statistics for exponential family nonlinear models. Biometrika 76, Finney, D. J. (1978). Statistical Methods in Biological Assay, 3rd. Edition. Cambridge University Press, Cambridge.
92 Resenha dos Modelos Lineares Generalizados p. 63/67 Referências Hadgu, A. e Koch, G. (1999). Application of generalized estimating equations to a dental randomized clinical trial. Journal of Biopharmaceutical Statistics 9, Hastie, T. e Tibshirani, R. (1990). Generalized Additive Models. Chapman and Hall, London. Jørgensen, B. (1987). Exponential dispersion models (with discussion). Journal of the Royal Statistical Society B 49,
93 Resenha dos Modelos Lineares Generalizados p. 64/67 Referências Lee, Y., Nelder, J. A. e Pawitan, Y. (2006). Generalized Linear Models with Random Effects. Chapman and Hall, London. Liang, K. Y. e Zeger, S. L. (1986). Longitudinal data analysis using generalized linear models. Biometrika 73, McCullagh, P. e Nelder, J. A. (1989). Generalized Linear Models, 2nd. Edition. Chapman and Hall, London.
94 Resenha dos Modelos Lineares Generalizados p. 65/67 Referências McCulloch, C. E. e Searle, S. R. (2001). Linear and Generalized Linear Mixed Models. Wiley, New York. Montgomery, D. C.; Peck, E. A. e Vining, G. G. (2001). Introduction to Linear Regression Analysis, Third Edition. John Wiley, New York. Myers, R.H.; Montgomery, D. C. e Vining, G. G. (2002). Generalized Linear Models: With Applications in Engineering and the Sciences. John Wiley, New York.
95 Resenha dos Modelos Lineares Generalizados p. 66/67 Referências Nelder, J. A. e Wedderburn, R. W. M. (1972). Generalized linear models. Journal of the Royal Statistical Society A 135, Neter, J.; Kutner, M. H.; Nachtsheim, C. J. e Wasserman, W.(1996). Applied Linear Regression Models, 3rd Edition. Irwin, Illinois, Paula, G. A. (2010). Modelos de Regressão: com apoio computacional. IME-USP. ( giapaula/mlgs.html)
96 Resenha dos Modelos Lineares Generalizados p. 67/67 Referências Possamai, A. A. (2009). Modelos Não Lineares de Família Exponencial Revisitados. Dissertação de Mestrado, IME-USP. Wedderburn, R. W. M. (1974). Quasi-likelihood functions, generalized linear models and the Gauss-Newton method. Biometrika 61, Wei, B. C. (1998). Exponential Family Nonlinear Models. Lecture Notes in Statistics Vol Springer, New York.
Resenha Modelos Lineares Generalizados
Resenha Modelos Lineares Generalizados Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2014 G. A. Paula (IME-USP) Resenha MLGs 2 o Semestre 2014 1 / 75 Introdução
Leia maisExemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
Leia maisExemplo Placas Dentárias
Exemplo Placas Dentárias Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Placas Dentárias 2 o Semestre 2016 1 / 20 Placas Dentárias
Leia maisExemplo MLG Misto. Gilberto A. Paula. Departamento de Estatística IME-USP, Brasil
Exemplo MLG Misto Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Placas Dentárias 2 o Semestre 2015 1 / 16 Placas Dentárias Sumário
Leia maisExemplos Regressão Dados de Contagem
Exemplos Regressão Dados de Contagem p. 1/26 Exemplos Regressão Dados de Contagem Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
Leia maisExemplo Ataques Epilépticos
Exemplo Ataques Epilépticos Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Ataques Epilépticos 2 o Semestre 2015 1 / 20 Ataques
Leia maisExemplos Modelos de Quase-Verossimilhança
Exemplos Modelos de Quase-Verossimilhança p. 1/40 Exemplos Modelos de Quase-Verossimilhança Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de
Leia maisExemplo Número de Clientes da Loja
Exemplo Número de Clientes da Loja Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Clientes da Loja 2 o Semestre 2015 1 / 24 Clientes
Leia maisExemplo Misto Ataques Epilépticos
Exemplo Misto Ataques Epilépticos Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Ataques Epilépticos 2 o Semestre 2016 1 / 25
Leia maisMAE Modelos Lineares Generalizados 2 o semestre 2017
MAE5763 - Modelos Lineares Generalizados 2 o semestre 2017 Prof. Gilberto A. Paula 3 a Lista de Exercícios 1. Supor y i ind FE(µ, φ i ) com φ i = α + γz i, para i = 1,..., n. Como ca a matriz modelo Z?
Leia maisModelo Linear Generalizado Exponencial Potência
Modelo Linear Generalizado Exponencial Potência Cristian Villegas 1 2 1 Introdução Os modelos lineares normais são amplamente aplicados em diversas áreas do conhecimento para modelar a média de dados contínuos
Leia maisExemplo Multicolinearidade
Exemplo Multicolinearidade Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 1 o Semestre 2013 G. A. Paula (IME-USP) Calor do Cimento 1 o Semestre 2013 1 / 28 Calor de Cimento
Leia maisExemplo Regressão Robusta
Exemplo Regressão Robusta Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 1 o Semestre 2013 G. A. Paula (IME-USP) Abastecimento de Refrigerantes 1 o Semestre 2013 1 /
Leia maisExemplo Abastecimento de Refrigerantes
Exemplo Abastecimento de Refrigerantes Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 1 o Semestre 2016 G. A. Paula (IME-USP) Abastecimento de Refrigerantes 1 o Semestre
Leia maisExemplo Chamadas Telefônicas
Exemplo Chamadas Telefônicas Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Chamadas Telefônicas 2 o Semestre 2016 1 / 25 Chamadas
Leia maisExemplo Falhas em Tecidos
Exemplo Falhas em Tecidos Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Falhas em Tecidos 2 o Semestre 2016 1 / 27 Rolos de Tecido
Leia maisExemplo Vida Útil de Ferramentas
Exemplo Vida Útil de Ferramentas Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Vida útil de Ferramentas 2 o Semestre 2016 1 /
Leia maisExemplos Regressão Dados Binários
Exemplos Regressão Dados Binários p. 1/28 Exemplos Regressão Dados Binários Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
Leia maisExemplo Ausências Escolares
Exemplo Ausências Escolares Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Ausências Escolares 2 o Semestre 2015 1 / 24 Ausências
Leia maisModelos Lineares Generalizados
Modelos Lineares Generalizados Emilly Malveira de Lima Análise de Dados Categóricos Universidade Federal de Minas Gerais - UFMG 10 de Maio de 2018 Emilly Malveira (PGEST-UFMG) 10 de Maio de 2018 1 / 20
Leia maisExemplo Cupons com Desconto
Exemplo Cupons com Desconto Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2013 G. A. Paula (IME-USP) Cupons com Desconto 2 o Semestre 2013 1 / 21 Cupons
Leia maisFaturamento de Restaurantes
Faturamento de Restaurantes Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Faturamento de Restaurantes 2 o Semestre 2016 1 / 29
Leia maisQuantis residuais. Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná
Quantis residuais Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná Orientador: Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Resumo Uma etapa importante
Leia maisExemplos Modelos Binomiais de Dose-Resposta
Exemplos Modelos Binomiais de Dose-Resposta p. 1/14 Exemplos Modelos Binomiais de Dose-Resposta Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre
Leia maisExemplo Infecções de Ouvido
Exemplo Infecções de Ouvido Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Infecções de Ouvido 2 o Semestre 2016 1 / 27 Infecções
Leia maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Leia maisExemplo Cupons com Desconto
Exemplo Cupons com Desconto Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Cupons com Desconto 2 o Semestre 2016 1 / 22 Cupons
Leia maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisModelos Lineares Generalizados - Verificação do Ajuste do Modelo
1 Modelos Lineares Generalizados - Verificação do Ajuste do Modelo Erica Castilho Rodrigues 9 de Abril de 2015 2 3 Função Deviance Podemos ver o ajuste de um modelo a um conjunto de dados como: uma forma
Leia maisCOMPARAÇÃO DE MODELOS MISTOS VISANDO À ESTIMAÇÃO DO COEFICIENTE DE HERDABILIDADE PARA DADOS DE PROPORÇÕES
COMPARAÇÃO DE MODELOS MISTOS VISANDO À ESTIMAÇÃO DO COEFICIENTE DE HERDABILIDADE PARA DADOS DE PROPORÇÕES Telde Natel CUSTÓDIO 1 Décio BARBIN RESUMO: O objetivo deste trabalho foi apresentar um procedimento
Leia maisCE062c - GAMLSS. Silva, J.P; Taconeli, C.A. 09 de outubro, Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, / 42
CE062c - GAMLSS Silva, J.P; Taconeli, C.A. 09 de outubro, 2018 Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, 2018 1 / 42 Por que GAMLSS? Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro,
Leia maisModelo de regressão Beta
Modelo de regressão Beta Fernando Lucambio Pérez Departamento de Estatística Universidade Federal do Paraná Agosto de 2004 1 Consideremos uma situação em que a variável resposta contínua é restrita ao
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2. Veremos
Leia maisA Importância da Estatística na Pesquisa Científica e na Tomada de Decisão
A Importância da Estatística na Pesquisa Científica e na Tomada de Decisão Ricardo Alves de Olinda Universidade Estadual da Paraíba - UEPB Centro de Ciências e Tecnologia - CCT Departamento de Estatística
Leia maisModelos Binomial e Poisson
Objetivos Motivação BIE5781 - Pós-Graduação em Ecologia USP setembro de 2012 Objetivo da Aula Objetivos Motivação Os objetivos dessa aula são: Objetivos Motivação Objetivo da Aula Os objetivos dessa aula
Leia maisExemplo Espinhel de Fundo
Exemplo Espinhel de Fundo Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre 2016 1 / 35 Espinhel de
Leia maisRegressão de Poisson e parentes próximos
Janeiro 2012 Família Exponencial Seja Y uma variável aleatória. A distribuição de probabilidade de Y pertence à família exponencial se a sua função densidade de probabilidade é da forma ( ) yθ b(θ) f (y
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto Introdução 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2.
Leia maisAnálise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
Leia maisModelos Lineares Generalizados - Componentes do Modelo
Modelos Lineares Generalizados - Componentes do Modelo Erica Castilho Rodrigues 01 de Abril de 2014 3 Vejamos agora quais as componentes de um Modelo Linear Generalizado. Temos um conjunto de variáveis
Leia mais4 Modelos Lineares Generalizados
4 Modelos Lineares Generalizados Neste capítulo, serão apresentados arcabouços teóricos dos modelos lineares generalizados (MLGs) e como casos particulares desses modelos são aplicáveis ao problema da
Leia maisMODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS
MODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS 1 Diversas distribuições podem ser consideradas para a modelagem de dados positivos com distribuição contínua e assimétrica, como, por exemplo, as
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
Leia maisModelos não lineares de família exponencial revisitados. Adriana Alvarez Possamai. de Mestre em Ciências
Modelos não lineares de família exponencial revisitados Adriana Alvarez Possamai Dissertação apresentada ao Instituto de Matemática e Estatística da Universidade de São Paulo para obtenção do título de
Leia maisAjuste e comparação de modelos para dados grupados e censurados
Ajuste e comparação de modelos para dados grupados e censurados 1 Introdução José Nilton da Cruz 1 Liciana Vaz de Arruda Silveira 2 José Raimundo de Souza Passos 2 A análise de sobrevivência é um conjunto
Leia maisModelos Binomial e Poisson
Objetivos Motivação BIE5781 - Pós-Graduação em Ecologia USP Setembro de 2016 Objetivos Motivação Objetivo da Aula Os objetivos dessa aula são: Objetivos Motivação Objetivo da Aula Os objetivos dessa aula
Leia maisInfluência Local Gilberto A. Paula
Influência Local p. 1/18 Influência Local Gilberto A. Paula Instituto de Matemática e Estatística Universidade de São Paulo e-mail:giapaula@ime.usp.br Influência Local p. 2/18 Preliminares O método de
Leia maisAplicação dos modelos lineares generalizados na análise do
Aplicação dos modelos lineares generalizados na análise do número de ácaros Ana Paula Coelho Madeira Silva 12 Fabrício Oliveira Fernandes 12 Marcos Antonio Matiello Fadini 12 1 Introdução O estudo das
Leia maisModelo marginal de odds proporcionais para dados longitudinais: um estudo de simulação
Modelo marginal de odds proporcionais para dados longitudinais: um estudo de simulação Nívea B. da Silva 1 Enrico A. Colosimo 2 Leila A. F. Amorim 3 1 Introdução Nos últimos anos muitas metodologias têm
Leia maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia maisComparação entre intervalos de confiança calculados com métodos bootstrap e intervalos assintóticos
Comparação entre intervalos de confiança calculados com métodos strap e intervalos assintóticos Selene Loibel Depto. de Estatística, Matemática Aplicada e Computação, IGCE, UNESP, Rio Claro, SP E-mail:sloibel@rc.unesp.br,
Leia maisAplicação do modelo de Quase-Verossimilhança
Aplicação do modelo de Quase-Verossimilhança Fábio Hideto Oki 1 1 Introdução O câncer é uma doença de proporção mundial, atingindo só no Brasil cerca de 350 mil pessoas por ano e é caracterizado pela mutação
Leia maisAnálise de Dados Categóricos
1/43 Análise de Dados Categóricos Modelo de Regressão de Poisson Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Departamento de Estatística Universidade Federal de Minas Gerais 2/43 Revisão:
Leia maisModelos e inferência para um experimento em blocos casualizados para o número de vagens em soja RESUMO
Modelos e inferência para um experimento em blocos casualizados para o número de vagens em soja Natália da Silva Martins 1, Davi Butturi-Gomes 1, Lucas Souza Capelaro 2 1 Instituto de Ciências Exatas,
Leia maisModelos de regressão beta inflacionados
Modelos de regressão beta inflacionados Raydonal Ospina Martínez Orientadora: Silvia Lopes de Paula Ferrari Recife/PE: 3 de Março de 2009 XI Escola de Modelos de Regressão 1 / 22 APOIO FINANCIERO CAPES,
Leia maisModelagem de dados complexos por meio de extensões do modelo de
Modelagem de dados complexos por meio de extensões do modelo de regressão clássico Luiz R. Nakamura Departamento de Informática e Estatística Universidade Federal de Santa Catarina luiz.nakamura@ufsc.br
Leia maisEstatística e Delineamento
Estatística e Delineamento Jorge Cadima Secção de Matemática (DCEB) Instituto Superior de Agronomia (ULisboa) 2016-17 J. Cadima (ISA) Estatística e Delineamento 2016-17 1 / 474 1 Professores: Jorge Cadima
Leia maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia maisO USO DE MODELOS DE REGRESSÃO LOGÍSTICA PARA AVALIAÇÃO DO PROBLEMA DE EVASÃO DE ALUNOS NO CURSO DE QUÍMICA INDUSTRIAL DA UNUCET-UEG
O USO DE MODELOS DE REGRESSÃO LOGÍSTICA PARA AVALIAÇÃO DO PROBLEMA DE EVASÃO DE ALUNOS NO CURSO DE QUÍMICA INDUSTRIAL DA UNUCET-UEG Robson de Souza Vieira 1 ; Rogério Silva Pimentel 1 ; Emerson Wruck 2
Leia maisFAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a
Leia maisExemplo Preferência de Automóveis
Exemplo Preferência de Automóveis Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Preferência Automóveis 2 o Semestre 2016 1 /
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisModelos para dados de contagem
O modelo de Poisson Sumário 1 Introdução 2 Regressão de Poisson Taxa de Incidência Inclusão de covariáveis Interpretação dos parâmetros 3 Exemplos 4 Superdispersão Dados de Contagem Podemos estar interessados
Leia maisTransformações e Ponderação para corrigir violações do modelo
Transformações e Ponderação para corrigir violações do modelo Diagnóstico na análise de regressão Relembrando suposições Os erros do modelo tem média zero e variância constante. Os erros do modelo tem
Leia maisUNIVERSIDADE FEDERAL DE OURO PRETO PRÓ REITORIA DE GRADUAÇÃO. Código: EST011 Departamento: Unidade: DEPARTAMENTO DE ESTATÍSTICA
PROGRAMA DE DISCIPLINA Disciplina: PROCESSOS ESTOCÁSTICOS Código: EST011 Departamento: Unidade: DEPARTAMENTO DE ESTATÍSTICA INSTITUTO DE CIÊNCIAS EXATAS E BIOLÓGICAS Carga Horária Semanal Teórica Prática
Leia maisRegressão Linear - Parte I
UFPE - Universidade Federal de Pernambuco Curso: Economia Disciplina: ET-406 Estatística Econômica Professor: Waldemar Araújo de S. Cruz Oliveira Júnior Regressão Linear - Parte I 1 Introdução Podemos
Leia maisMLG. 16 de outubro de Curso de Modelos Lineares Generalizado - DEST/UFMG Marcos Oliveira Prates. Marcos Oliveira Prates
MLG Curso de Modelos Lineares Generalizado - DEST/UFMG 16 de outubro de 2017 Modelo Linear Generalizado Família Exponencial Seja Y a variável de resposta. A distribuição de Y é membro da família exponencial
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia mais4 Metodologia. Wt = W 0 exp{(l/k)(1-e-kt)} (8)
4 Metodologia Serão apresentadas duas formas de se estimar a persistência. A primeira é de forma mais agregada e se utiliza de dados em forma de triângulos de run-off e é conhecida como Chain Ladder, uma
Leia maisModelos lineares parciais aditivos generalizados com suavização por meio de P-splines. Amanda Amorim Holanda
Modelos lineares parciais aditivos generalizados com suavização por meio de P-splines Amanda Amorim Holanda Dissertação apresentada ao Instituto de Matemática e Estatística da Universidade de São Paulo
Leia maisO uso dos modelo ZIP, ZINB e Hurdle Model para dados de contagem com excessos de zeros
O uso dos modelo ZIP, ZINB e Hurdle Model para dados de contagem com excessos de zeros Eriton Barros dos Santos 1 Sílvia Maria de Freitas 2 1 Introdução Dados de contagem são comuns em diversas áreas.
Leia maisMODELANDO DADOS LONGITUDINAIS DE PROPORÇÕES DE PEGAMENTO DE CAMU-CAMU
MODELANDO DADOS LONGITUDINAIS DE PROPORÇÕES DE PEGAMENTO DE CAMU-CAMU Silvano Cesar da COSTA 1 Clarice Garcia Borges DEMÉTRIO2 Eduardo SUGUINO 3 Suely Ruiz GIOLO 4 RESUMO: Dados de proporção são muito
Leia maisESTUDO SOBRE A TAXA ANUAL DE CÂNCER NASAL EM UMA REFINARIA DE NÍQUEL NO PAÍS DE GALES
Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Estatística ESTUDO SOBRE A TAXA ANUAL DE CÂNCER NASAL EM UMA REFINARIA DE NÍQUEL NO PAÍS DE GALES CE225 - Modelos Lineares Generalizados
Leia maisMarkov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)
Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão
Leia maisEstatística e Delineamento
Estatística e Delineamento Jorge Cadima Secção de Matemática (DCEB) Instituto Superior de Agronomia (ULisboa) 2018-19 J. Cadima (ISA - ULisboa) Estatística e Delineamento 2018-19 1 / 459 1 Professores:
Leia maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Leia maisModelos de Regressão Linear Simples - parte III
1 Modelos de Regressão Linear Simples - parte III Erica Castilho Rodrigues 20 de Setembro de 2016 2 3 4 A variável X é um bom preditor da resposta Y? Quanto da variação da variável resposta é explicada
Leia maisModelos de Regressão Linear Simples - parte II
Modelos de Regressão Linear Simples - parte II Erica Castilho Rodrigues 14 de Outubro de 2013 Erros Comuns que Envolvem a Análise de Correlação 3 Erros Comuns que Envolvem a Análise de Correlação Propriedade
Leia mais1 Que é Estatística?, 1. 2 Séries Estatísticas, 9. 3 Medidas Descritivas, 27
Prefácio, xiii 1 Que é Estatística?, 1 1.1 Introdução, 1 1.2 Desenvolvimento da estatística, 1 1.2.1 Estatística descritiva, 2 1.2.2 Estatística inferencial, 2 1.3 Sobre os softwares estatísticos, 2 1.4
Leia maisModelo de regressão estável aplicado a econometria
Modelo de regressão estável aplicado a econometria financeira Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br 1 Objetivos
Leia maisAline Campos Reis de Souza Instituto de Matemática e Estatística - Universidade de São Paulo Antonio Carlos Pedroso de Lima. 30 de abril de 2018
Modelos conjuntos para dados longitudinais e de sobrevivência: uma aplicação a dados de qualidade de vida e tempo de sobrevivência de pacientes com câncer. Aline Campos Reis de Souza Instituto de Matemática
Leia maisREGRESSÃO LINEAR Parte I. Flávia F. Feitosa
REGRESSÃO LINEAR Parte I Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Julho de 2015 Onde Estamos Para onde vamos Inferência Esta5s6ca se resumindo a uma equação
Leia maisEconometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Leia maisCOMPARAÇÃO DE DUAS ABORDAGENS DOS MODELOS DE TRANSIÇÃO DE MARKOV EM EXPERIMENTOS PLANEJADOS COM DADOS BINÁRIOS CORRELACIONADOS
COMPARAÇÃO DE DUAS ABORDAGENS DOS MODELOS DE TRANSIÇÃO DE MARKOV EM EXPERIMENTOS PLANEJADOS COM DADOS BINÁRIOS CORRELACIONADOS Maurício Santana LORDÊLO1 Sônia Maria De Stefano PIEDADE 2 Gilênio Borges
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
1 Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 27 de Setembro de 2016 2 3 O modelo de regressão linear é dado por 3 O modelo de regressão linear é dado por Y i = β
Leia maisUtilização de modelos marginais na análise de dados longitudinais irregulares em relação ao tempo
Utilização de modelos marginais na análise de dados longitudinais irregulares em relação ao tempo César Gonçalves de Lima 1 Michele Barbosa 2 Valdo Rodrigues Herling 3 1. Introdução Dados longitudinais
Leia maisCOMPARAÇÃO ENTRE TESTES PARA SUPERDISPERSÃO EM DADOS BINÁRIOS
COMPARAÇÃO ENTRE TESTES PARA SUPERDISPERSÃO EM DADOS BINÁRIOS Tânia Fernandes BOGUTCHI 1 Enrico Antônio COLOSIMO 2 Joel Alves LAMOUNIER 3 RESUMO: Modelos lineares generalizados para resposta binária ou
Leia maisAnálise de Dados Longitudinais Modelos Lineares Generalizados Longitudinais
1/55 Análise de Dados Longitudinais Modelos Lineares Generalizados Longitudinais Enrico A. Colosimo-UFMG www.est.ufmg.br/ enricoc 2/55 Respostas Longitudinal Não-Gaussiana 1 Y ij, i = 1,..., N; j = 1,...,
Leia maisSME0803 ANÁLISE DE REGRESSÃO 1º/2011
SME0803 ANÁLISE DE REGRESSÃO 1º/2011 Cibele Russo cibele@icmc.usp.br http://www.icmc.usp.br/~cibele Sala 3-160, ramal 8174 CoteiaWIKI: http://wiki.icmc.usp.br/index.php/sme-260 OBJETIVO DO CURSO Introduzir
Leia maisDimensionamento de amostras para regressão logística
Dimensionamento de amostras para regressão logística Arminda Lucia Siqueira 1 Flávia Komatsuzaki 1 Introdução Regressão logística é hoje padrão de análise para muitos estudos da área da saúde cuja variável
Leia maisCorrelação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Leia maisUso de modelos lineares generalizados para estimar germinação carpogênica de escleródios de S. sclerotioroum
Uso de modelos lineares generalizados para estimar germinação carpogênica de escleródios de S. sclerotioroum Marceli Hikishima, Embrapa Arroz e Feijão 1 Aline de Holanda Nunes Maia, Embrapa Meio Ambiente
Leia mais1 z 1 1 z 2. Z =. 1 z n
Gabarito Lista 3. Tópicos de Regressão. 2016-2. 1. Temos que y i ind N (µ, φi ), com log φ i = α + γz i, para i = 1,..., n, portanto (i) para o γ = (α, γ) a matriz modelo ca Z = 1 z 1 1 z 2.. 1 z n (ii)
Leia maisCoeficiente de determinação R 2 no modelo de regressão linear normal
Coeficiente de determinação R 2 no modelo de regressão linear normal Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br
Leia maisModelagem estatística da captura da broca-do-café (Hypothenemus hampei) ao longo do tempo 1
Modelagem estatística da captura da broca-do-café (Hypothenemus hampei) ao longo do tempo 1 Alessandra dos Santos 2 ernando de Pol Mayer 2 Rafael de Andrade Moral 2 Luiz Henrique Costa Mota 3 Clarice Garcia
Leia mais3 Modelos para o Cálculo de IBNR
3 Modelos para o Cálculo de IBNR 3.1 O Método de Mack Tomas Mack em (24) propõe um modelo probabilístico para o método Chain Ladder que fornece estimativas de provisão idênticas à técnica Chain Ladder
Leia maisMODELO POISSON GLARMA APLICADO A ATENDIMENTOS HOSPITALARES POR CAUSAS RESPIRATÓRIAS NA REGIÃO DA GRANDE VITÓRIA - E.S.
MODELO POISSON GLARMA APLICADO A ATENDIMENTOS HOSPITALARES POR CAUSAS RESPIRATÓRIAS NA REGIÃO DA GRANDE VITÓRIA - E.S. Magno dos Santos Neto Programa de Pós-Graduação em Ciências Contábeis - UFES/ES Universidade
Leia mais