[R-br] (sem assunto)

[walmes .]

Faça uma boa análise de diagnóstico nos resíduos. A qualidade das suas
inferências depende disso. Se estiver tudo ok nos dois modelos concorrentes
eleja um critério de comparação. As medidas mais consideradas são R², RMSE,
PRESS. Medidas como log-verossimilhança e AIC/BIC são coisas que dou
preferência porém, quando a resposta é transformada, a log-verossimilhança
não é diretamente comparada (BIC e AIC também não). Para ser precisa-se
considerar um fator de correção que depende do jacobiano da transformação.
Do meu ponto de vista, usar o modelo linearizado se tornou uma prática
porque, sendo o modelo linear após a transformação, obter estimativas para
os parâmetros é muito simples, mínimos quadrados. Já na versão não linear,
envolve passar valores iniciais e otimizar, o que de fato não é um fator
limitador nos dias de hoje. Quase sempre o interesse está no modelo não
linear e não em sua versão linearizada. O mais importante disso é que ao
aplicar uma transformação você muda as suposições sobre a distribuição das
variáveis aleatórias do modelo.

À disposição.
Walmes.

==========================================================================
Walmes Marques Zeviani
LEG (Laboratório de Estatística e Geoinformação, 25.450418 S, 49.231759 W)
Departamento de Estatística - Universidade Federal do Paraná
fone: (+55) 41 3361 3573
skype: walmeszeviani
homepage: http://www.leg.ufpr.br/~walmes
linux user number: 531218
==========================================================================

2014-10-24 9:01 GMT-02:00 Ari Clecius <ari072000 em yahoo.com.br>:

> Caros colegas, uso alguns modelos de isotermas de adsorção, para o modelo
> de Langmuir existem algumas linearizações, como faço para avaliar no R se o
> modelo não linear é melhor que o modelo linearizado?
>
> Att,
>
> Ari Clecius Alves de Lima
> Engenheiro Químico
> Me. Engenharia Civil
> (085)88412345
> (085)33669042
>
> #CRM
>
> *ce=c(0.66450,0.92395,1.22510,1.53040,12.89600,32.44400,70.93000,135.54800)*
> *qe=c(0.65864,0.83815,1.09135,1.42049,11.57060,15.42198,16.41500,20.42020)*
> *#########Modelo linear####################*
> *ce_inv=1/ce*
> *qe_inv=1/qe*
> *Langmuir_Linear=lm(qe_inv~ce_inv)*
> *summary(Langmuir_Linear)*
> *names(Langmuir_Linear)*
> *Langmuir_Linear$coefficients*
> *Langmuir_Linear$coefficients[1]*
> *qmax_L=1/Langmuir_Linear$coefficients[1]*
> *qmax_L*
> *kl_L=1/qmax*Langmuir_Linear$coefficients[2]*
> *kl_L*
> *qe_est_L=qmax_L* kl_L*ce/(1+  kl_L *ce)*
> *plot(ce,qe)*
> *lines(ce,qe_est_L,col="blue")*
> *##########################################*
>
> *library(nlstools)*
> *adsorption=list(ce,qe)*
>
> *langmuir<-nls(qe~qmax*kl*ce/(1+kl*ce),adsorption,start=list(qmax=30,kl=0.02))*
> *summary(langmuir)*
>
> *qe_Est_NL=21.40602*  0.07498 *ce/(1+  0.07498 *ce)*
> *qe_Est_NL*
> *plot(ce,qe)*
> *lines(ce,qe_Est_NL,col="red")*
> *legend("top",legend=c("LangmuirExp","Langmuir_Est_NL"), lty=c(NA,1),
> col=c("black","red"),pch=c(3,NA),cex=0.6)*
> *########################################*
> *#############################################*
> *plot(ce,qe)*
> *lines(ce,qe_est_L,col="blue")*
> *lines(ce,qe_Est_NL,col="red")*
> *legend("topleft",legend=c("LangmuirExp","Langmuir_Est_L","Langmuir_Est_NL"),
> lty=c(NA,1,1), col=c("black","blue","red"),pch=c(3,NA,NA),cex=0.6)*
>
> *#####################################################*
>
> _______________________________________________
> R-br mailing list
> R-br em listas.c3sl.ufpr.br
> https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
> Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça
> código mínimo reproduzível.
>
-------------- Próxima Parte ----------
Um anexo em HTML foi limpo...
URL: <http://listas.inf.ufpr.br/pipermail/r-br/attachments/20141024/110d1afa/attachment.html>