[R-br] AIC para variograma ajustado por OLS (variofit)

Paulo Justiniano paulojus em leg.ufpr.br
Quinta Abril 3 14:54:48 BRT 2014


Eder

Embora não entende bem para que, 
voce pode de fato tomar os valores dos parametros em variofit() e jogar em
loglik.GRF() para extrair depois o valor da log-verossimilhança

certametne será menor que o valor de likfit() que é o mximizado

Para mesmo numero de parametros e opcoes de modelo o AIC em nada 
acrescenta ao valor da verossimilhanca




On Wed, 2 Apr 2014, Éder Comunello wrote:

> Senhores, boa tarde!
> Ao utilizar a geoR temos a possibilidade de ajustes de modelos para variogramas por variofit() e likfit().
> 
> Eu costumava usar Grau de Dependência Espacial (GDE) e somatório de erro como critérios para seleção de modelos ajustados por variofit() e principalmente Akaike
> Information Citerion (AIC) para modelos ajustados por likfit().
> 
> Todavia, recentemente estudando a função loglik.GRF(), vi que é possível calcular um valor log-likelihood para modelos ajustados por variofit().
> 
> Minha dúvida é se faz sentido empregar esse valor no cálculo de um AIC para modelos ajustados por variofit(), uma vez que não encontrei embasamento na literatura.
> 
> Uma segunda dúvida é no número de parâmetros utilizados no cálculo do AIC. Observei que para obter um valor igual a o cálculado pela geoR devo considerar um
> parâmetro a mais do que vinha considerando ("tausq", "sigmasq" e "phi"). Poderia considerar o erro a ser estimado como um quarto parâmetro do modelo?
> 
> Agradeço qualquer ajuda...
> 
> Segue o CMR para apoiar a análise (modificado do help da função)...
> 
> ### <code r>
> require(geoR)
> # ?loglik.GRF
> 
> ## Computing the likelihood of a variogram fitted model
> s100.v  <- variog(s100, max.dist=1); plot(s100.v)
> 
> s100.vf1 <- variofit(s100.v, ini=c(1,.5),  weights="equal", cov="exp"); s100.vf1
> # variofit: model parameters estimated by OLS (ordinary least squares):
> # covariance model is: exponential
> # parameter estimates:
> #   tausq sigmasq     phi 
> #  0.1540  1.1505  0.6621 
> # Practical Range with cor=0.05 for asymptotic range: 1.983401
>> # variofit: minimised sum of squares = 0.0801
> 
> s100.vf2 <- variofit(s100.v, ini=c(1,.5),  weights="equal", cov="sph"); s100.vf2
> # variofit: model parameters estimated by OLS (ordinary least squares):
> # covariance model is: spherical
> # parameter estimates:
> #   tausq sigmasq     phi 
> #  0.1841  0.8179  0.9487 
> # Practical Range with cor=0.05 for asymptotic range: 0.9486608
>> # variofit: minimised sum of squares = 0.0727
> 
> plot(s100.v)
> lines.variomodel(s100.vf1, col=2)
> lines.variomodel(s100.vf2, col=3)
> 
> lk1 <- loglik.GRF(s100, obj=s100.vf1); lk1
> lk2 <- loglik.GRF(s100, obj=s100.vf2); lk2
> 
> # ?AIC
> # AIC = -2*log-likelihood + k*npar
> # log-like: maximized value of the likelihood function for the estimated model
> 
> # parameters <- c("tausq", "sigmasq", "phi") + erro?
> # npar=3
> npar=4 
> k=2 # for usual AIC
> 
> aic1 <- -2*lk1+k*npar; aic1
> aic2 <- -2*lk2+k*npar; aic2
> ### </code>
> 
> 
> Éder Comunello <comunello.eder em gmail.com>
> Dourados, MS - [22 16.5'S, 54 49'W]
> 
>


Mais detalhes sobre a lista de discussão R-br