[R-br] Summary GLM

[walmes .]

Lá de modelos lineares tem-se que, por exemplo, com um fator de K níveis
categóricos, pode-se estimar apenas K quantidades. Quando escrevemos o
modelo, por exemplo,

y = mu+alpha_i, i = 1,...,K,

especificamos K+1 quantidades à serem estimadas (K alphas + mu). Mas não é
possível estimar K+1 e sim apenas K. O que se faz é supor que algo, 1 no
caso, é conhecido. O nome mais comum para isso é restrição paramétrica. O R
assume por padrão que o nível i=1 tem alpha=0 (restrição zerar primeiro
nível). Outros assumem que o nível i=K tem alpha=0 (restrição zerar último
nível). Outros assumem que a soma dos alphas é zero (restrição soma zero).
E existem outras restrições. Mu e alpha são portanto representadores
genéricos e sua interpretação é dependente da parametrização (ou restrição
paramétrica) adotada.

Para resumir, essa saída não vai te dar nunca valores correspondentes à
todos os níveis. Reflita e verá que têm pouca utilidade prática os efeitos
(mu, alpha_1, alpha_2, etc). São úteis para testar hipóteses, tipo, todos
os alphas são iguais à zero? Se forem eu não rejeito à hipótese nula do
efeito de tratamentos, seja qual for a parametrização. Mas são as
estimativas individuais que são interpretáveis (mu+alpha_1, mu+alpha_2,
etc). E estas você calcula por fora, com a doBy::popMeans(), com a
multcomp::glht() ou com operações matriciais apropriadas. E além das
estimativas existe interesse em contrastes entre elas que saem basicamente
da mesma forma. Outro ponto é que são estimativas na escala do preditor
linear e não da resposta, existe uma função de ligação separando as coisas.

À disposição.
Walmes.

-------------- Próxima Parte ----------
Um anexo em HTML foi limpo...
URL: <http://listas.inf.ufpr.br/pipermail/r-br/attachments/20131216/fa3bdbe9/attachment.html>