[R-br] Parâmetros_modelo de regressão dinâmico

Terça Setembro 30 10:38:10 BRT 2014

ola fatima
se a funcao do forecast permitir a especificação de entrada de novos dados como na função predict vc nao precisaria ajustar um novo modelo. por exemplo na função predict: 

original: banco de dados com 5000 linhas 
try: seria sua amostra retirada aleatoriamente do seu banco de dados originais por exemplo 1000 dados e onde vc ponderaria a temperatura por 7. 
set: seria o seu banco de dados retirando as mil linhas do banco de dados try, ou seja 9000 mil linhas 

modelo 
 mod<-glm(y~a+b, data=set....)

predict(mod, newdata=try)

ai vc teria a predição com a temperatura ponderada a 7

nao sei se te ajudei

humberto 

Enviado do meu iPhone

> Em 30/09/2014, às 09:17, Fatima do Nascimento Silva <fatima em ccet.ufrn.br> escreveu:
> 
> Olá Humberto,
> 
> Mas neste caso eu teria que ajustar outro modelo ou no forecast uso o mesmo modelo e 
> especifico apenas os novos dados??
> 
> 
> Atenciosamente,
> 
> Fátima Nascimento
> Estatística - CONRE nº 9439
> Mestre em Ciência e Engª de Petróleo-PPGCEP/UFRN
> Doutoranda no Programa de Pós-Graduação em Ciência e Engª de Petróleo-
> PPGCEP/UFRN
> 
> ---------- Original Message -----------
> From: Humberto Hazin <hghazin em hotmail.com>
> To: "r-br em listas.c3sl.ufpr.br" <r-br em listas.c3sl.ufpr.br>
> Sent: Mon, 29 Sep 2014 23:51:40 -0300
> Subject: Re: [R-br] Parâmetros_modelo de regressão dinâmico
> 
>> ola fatima,
>> 
>> nunca trabalhei com esse pacote geralmente uso o glm e gams e suas 
>> variações. voce nao poderia retirar aleatoriamente uma amostra 
>> desse banco de dados e ai ponderar por 7 o valor da temperatura e 
>> usar o predict ou no teu caso forecast (modelo, new data ponderado)?
>> 
>> vi que eras da ufrn. eu sou da ufersa na area de pesca
>> humberto
>> 
>> Enviado do meu iPhone
>> 
>>> Em 29/09/2014, às 20:28, Fatima do Nascimento Silva <fatima em ccet.ufrn.br> escreveu:
>>> 
>>> olá caros colegas, boa noite!
>>> 
>>> estou ajustando um modelo de regressão dinâmico e preciso ponderar o vetor 
>>> de parâmetros beta 2 (b2) por 7, que representaria um aumento de 7° na 
>>> variável temperatura. E depois faria as previsões inserindo estes novos 
>>> valores de b2 no calculo dos valores ajustados.
>>> 
>>> Alguém poderia me dar uma dica de como alterar isso no R?
>>> 
>>> segue os comandos utilizados.
>>> 
>>> desde já agradeço a atenção.
>>> 
>>> ponderar o beta 2 (L(Temperatura, 1) = -4.8725) por 7.
>>> 
>>> caso possa me ajudar com alguma sugestão agradeço muito.
>>> 
>>> 
>>> #Comandos (CMR)
>>> rm(list=ls(all=TRUE))
>>> 
>>> #pacotes utilizados
>>> 
>>> require(dynlm)
>>> require(tseries) 
>>> require(car) 
>>> require(verification) 
>>> require(MASS)
>>> require(forecast)
>>> require(TSA)
>>> require(nortest)
>>> 
>>> ##################################################################
>>> 
>>> (dados=read.table(file="BDAC.txt",header=T,dec=","))
>>> attach(dados)
>>> (dados1<-ts(dados,frequency=12, start=c(2000,1),end=c(2010,12)))
>>> 
>>> 
>>> #modelo ajustado
>>> MOD1 <- 
>>> dynlm(BEAI~trend(BEAI)+season(BEAI)+L(Temperatura,1)+L(Poluente,3),data = 
>>> dados1 )
>>> summary(MOD1)
>>> par(mfrow = c(2,2))
>>> plot(MOD1,  main="")
>>> 
>>> names(MOD1) #lista de objetos do modelo
>>> 
>>> 
>>> #previsões
>>> p<-(forecast(MOD1$fitted.values, h=12, level=c(80,95), fan=FALSE))
>>> plot(p)
>>> 
>>> 
>>> #saída do modelo
>>>> summary(MOD1)
>>> 
>>> Time series regression with "ts" data:
>>> Start = 2000(4), End = 2010(12)
>>> 
>>> Call:
>>> dynlm(formula = BEAI ~ trend(BEAI) + season(BEAI) + L(Temperatura, 
>>>   1) + L(Poluente, 3), data = dados1)
>>> 
>>> Residuals:
>>>   Min      1Q  Median      3Q     Max 
>>> -42.946 -13.816  -1.482  12.327  80.586 
>>> 
>>> Coefficients:
>>>                 Estimate Std. Error t value Pr(>|t|)    
>>> (Intercept)       263.2442    45.6925   5.761 7.21e-08 ***
>>> trend(BEAI)         0.4470     0.6201   0.721  0.47241    
>>> season(BEAI)Feb   -19.3407     9.5712  -2.021  0.04565 *  
>>> season(BEAI)Mar     9.0604     9.6612   0.938  0.35032    
>>> season(BEAI)Apr     5.1280     9.4526   0.543  0.58853    
>>> season(BEAI)May    25.2990     9.6410   2.624  0.00988 ** 
>>> season(BEAI)Jun    35.7033    11.7395   3.041  0.00292 ** 
>>> season(BEAI)Jul    30.0824    11.3742   2.645  0.00933 ** 
>>> season(BEAI)Aug    19.1968    11.9829   1.602  0.11192    
>>> season(BEAI)Sep     4.6108    10.3265   0.447  0.65608    
>>> season(BEAI)Oct     3.7939    10.4920   0.362  0.71832    
>>> season(BEAI)Nov    -1.3031     9.4690  -0.138  0.89078    
>>> season(BEAI)Dec    -7.6315     9.4334  -0.809  0.42020    
>>> L(Temperatura, 1)  -4.8725     1.5284  -3.188  0.00185 ** 
>>> L(Poluente, 3)      2.6678     0.8455   3.155  0.00205 ** 
>>> ---
>>> Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
>>> 
>>> Residual standard error: 21.34 on 114 degrees of freedom
>>> Multiple R-squared:  0.618,     Adjusted R-squared:  0.5711 
>>> F-statistic: 13.17 on 14 and 114 DF,  p-value: < 2.2e-16
>>> 
>>> 
>>> 
>>> Atenciosamente,
>>> 
>>> Fátima Nascimento
>>> Estatística - CONRE nº 9439
>>> Mestre em Ciência e Engª de Petróleo-PPGCEP/UFRN
>>> Doutoranda no Programa de Pós-Graduação em Ciência e Engª de Petróleo-
>>> PPGCEP/UFRN
>>> 
>>> _______________________________________________
>>> 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.
>> _______________________________________________
>> 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.
> ------- End of Original Message -------
> 
> _______________________________________________
> 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.