[R-br] Resíduos e MCMCglmm

[Elias Teixeira Krainski]

On 23/11/15 10:19, Wagner Bonat wrote:
> 5 - Como é que um Bayesiano testa o efeito da filogenia no modelo? Que 
> priori vc está usando para o componente de variância associado a 
> filogenia?
>
> 6 - Pq vc quer manter a inferência Bayesiana?

Talvez o jargão de modelos lineares usado no primeior email dessa thread 
tenha me direcionado à falar de noções básicas de análise de resíduos 
(àquelas no livro do prof. G.A.P.)

Mas o Wagner tocou levemente no assunto model assumptions. Um 
estatístico paramétrico ao usar GLMM assume
  1. um modelo paramétrico relacionado observações, covariáveis e 
efeitos aleatórios
  2. distribuição condicional de cada observação (condicional à 
covariáveis, efeitos aleatórios e possível(eis) parâmetros adicionais da 
distribuição assumida para os dados)
  3. distribuição dos efeitos aleatórios geralmente Gaussiana com 
parâmetros na matriz de covariância/precisão
Um Bayesiano considera os três ítens anteriores mais os dois seguintes
  4. distribuição(ões) para o(s) parâmetro(s) adicionais da verossimilhança
  5. distribuição para os parâmetros da ditribuição(ões) assumida para 
o(s) efeito(s) aleatório(s)

O estatístico paramétrico não Bayesiano precisa checar 3 suposições de 
modelos.
O estatístico Bayesiano paramétrico precisa checar todos os 5.

Se usar a definição mais simples de resíduo, a forma de checar os três 
primeiros ítens dessa lista é como sugerido no meu email anterior. O 
terceiro item envolve o ítem número 1 da lista do Wagner. Os ítens 4-5 
eu não sei. Um facilitador é considerar priori baseada na suposição de 
um modelo básico de referência (http://arxiv.org/abs/1403.4630).  Tenho 
colegas que estão estudando isso, sendo que várias dessas prioris estão 
disponíveis no pacote INLA. Há também estudos sendo feitos em formas 
mais gerais de testar suposições de modelos e no futuro também serão 
incorporados automaticamente no pacote INLA.

O item 6 da lista do Wagner: "Pq vc quer manter a inferência 
Bayesiana?". Porque o Bayesiano tem mais suposições que deseja incluir 
na análise? Porque assumindo distribuição de probabilidade aos 
parâmetros, a interpretação dos resultados é baseada no fato de que 
também se obtem distribuições de probabilidade à posteriori para 
interpretar? Porque Bayesianos não precisam da suposição de replicação?

Elias