[R-br] detecção de outliers modelos mistos não lineares

[Walmes Zeviani]

Você tem que estabelecer um critério de parada porque você pode encontrar
outliers se continuar o ciclo de buscar por eles.
A sua estratégia de remoção acaba sendo modelo dependente, ou seja, você
ajusta, remove outliers, ajusta de novo, vê que o modelo mudou (e deveria
mesmo), mas surgem outros outliers pois na presença dos dados restantes,
novas observações se tornam vilãs (influentes). Se o seu modelo estiver mau
especificado, os danos são ainda maiores porque os "outliers" (que não
seriam) são apenas observações injustiçadas pela má especificação do
modelo. Se você olhar a curva de cada indivíduo, vai concluir que as
observações dentro dos indivíduos estão coesas, ou seja, desvios da curva
imaginária (uso panel.smoother()) para me auxiliar com a curva imaginária).

# Olhando para cada a curva de cada ID.
xyplot(PESO ~ SEMANA | ID,
       data = DADOS,
       strip = FALSE,
       type = "o",
       as.table = TRUE,
       jitter.x = TRUE) +
    layer(panel.smoother(..., col = 1))

# Olhando por tratamento.
xyplot(PESO ~ SEMANA | TRAT,
       groups = ID,
       data = DADOS,
       type = "o",
       jitter.x = TRUE) +
    layer(panel.smoother(..., col = 1, lwd = 3))

Acredito que o modelo mais apropriado para os seus dados seja um modelo de
efeitos aleatórios, coisa que você não está fazendo. A variação entre ID
você está estruturando já de início com função de variância e correlação
entre observações. Acredito que primeiro deveria acomodar a variação do
estrato superior (ID) para depois fazer um ajuste mais fino (com função de
variância e correlação se forem necessários) especificando elementos para o
estrato inferior (residual). Você está modelando a camada inferior sem dar
a devida a atenção para o estrato de cima. Em muitos casos, a inclusão dos
efeitos aleatórios vais dispensar modelagem da variância porque a variância
marginal aumenta com as semanas mas não é porque ela cresce dentro dos ID
mas sim entre ID. E a correlação pode desaparecer também, porque muitas
vezes ela resulta de um modelo que apresenta falta de ajuste. Abaixo eu uso
um polinômio de 4 grau, que é bem flexível, ou seja, o modelo "corre para
os dados". Nos gráficos eu não fiquei convencido de que existem observações
influentes.

# Criando objeto de classe groupedData.
da <- groupedData(PESO ~ SEMANA | ID,
                  data = DADOS,
                  order.groups = FALSE)

# Ajuste de um modelo suficientemente flexível.
m0 <-  lme(PESO ~ SEMANA + I(SEMANA^2) + I(SEMANA^3) + I(SEMANA^4),
           random = ~ 1 | ID,
           na.action = na.omit,
           data = da)
summary(m0)

plot(augPred(m0), strip = FALSE)

plot(residuals(m0))
plot(residuals(m0, type = "normalized"))

xyplot(residuals(m0) ~ fitted(m0) | TRAT, data = da)
qqmath(~residuals(m0) | TRAT, data = da)
qqmath(~residuals(m0) | ID, data = da, strip = FALSE)

À
 disposição.
Walmes.​
-------------- Próxima Parte ----------
Um anexo em HTML foi limpo...
URL: <http://listas.inf.ufpr.br/pipermail/r-br/attachments/20180116/1e5d1b60/attachment.html>