Boa noite pessoal,eu que estou contente com essa discussão toda.Me ajudaram e criaram uma lista bem extensa de discussão,através destas discussões se aprende mais.Tiraram minhas dúvidas,porém criaram outras,mas acho que isso é válido,pois como meio leigo no assunto me faz buscar informações a mais,e isso é muito interessante.Obrigado.<br>
<br>
<div class="gmail_quote">Em 2 de junho de 2011 20:17, Daniel Marcelino <span dir="ltr"><<a href="http://dmsilva.br">dmsilva.br</a>@<a href="http://gmail.com">gmail.com</a>></span> escreveu:<br>
<blockquote style="BORDER-LEFT: #ccc 1px solid; MARGIN: 0px 0px 0px 0.8ex; PADDING-LEFT: 1ex" class="gmail_quote">Walmes,<br>Achei bastante instrutiva essa discussão na lista. Pensei agora num<br>exemplo que me ocorreu há uns 2 meses ao tentar ajudar um colega no<br>
mestrado que foi orientado a usar glm. Quando eu me deparei com os<br>resíduos não consegui avançar, pois não tenho muito conhecimento<br>teórico dos modelos generalizados.<br><br>Os dados que eu digo estão aqui, caso queira ver o problema:<br>
<a href="http://dl.dropbox.com/u/1339742/lucio11.dta" target="_blank">http://dl.dropbox.com/u/1339742/lucio11.dta</a><br><br>Usavamos o STATA  para rodar o seguinte modelo:<br><br>glm boe bps bpi bpn bls BOL  , link(logit) family(binomial) vce(r)<br>
predict glmdev, dev<br><br>glm boe bps bpi bpn bls BOL  , link(logit) family(binomial)<br>vce(bootstrap, reps(2000) seed(10101))<br>predict glmdevb, dev<br><br>swilk glmdev glmdevb<br>pnorm  glmdev<br>pnorm glmdevb<br><br>
A ideia do modelo era comparar as agendas de três diferentes públicos<br>(democrata satisfeito, insatisfeito e não democrata – bps, bpi e bpn),<br>das atividades de plenário do senado (bls) e das promessas fiscais<br>para o exercício seguinte (orçamento lei -1 = BOL) na solução imediata<br>
ou diferida dos acordos políticos (orçamento executado = boe).<br><br>Daniel<br><br><br>2011/6/2 Walmes Zeviani <<a href="mailto:walmeszeviani@gmail.com">walmeszeviani@gmail.com</a>>:<br>
<div>
<div></div>
<div class="h5">> Daniel,<br>><br>> Em glm não existe uma única definição de resíduos. Veja nas opções da função<br>> residuals.glm() que existem diversas opções. Há um resultado assintótico (n<br>> tende ao infinito) que que os resíduos de pearson e deviance padronizados<br>
> convergem para distribuição normal(0,1). Por isso o gráfico qqplot ainda é<br>> útil no diagnóstico desses resíduos. Leia os rótulos dos eixos dos gráficos<br>> de análise de resíduos que saberá qual tipo de resíduo está sendo usado.<br>
><br>> ## Dobson (1990) Page 93: Randomized Controlled Trial :<br>> counts <- c(18,17,15,20,10,20,25,13,12)<br>> outcome <- gl(3,1,9)<br>> treatment <- gl(3,3)<br>> glm.D93 <- glm(counts ~ outcome + treatment, family=poisson())<br>
> plot(glm.D93, which=1)<br>> plot(glm.D93, which=2)<br>><br>> Acontece que, assim como nem todos os dados contínuos são normais, também<br>> nem todas as proporções serão binomiais e nem todas as contagens serão<br>
> Poisson. Se assim fosse todos os nossos problemas seriam resolvidos com 3<br>> distribuições!!! Não devemos assumir uma distribuição de referência pela<br>> natureza de representação (números inteiros). Devemos procurar exergar o<br>
> processo gerador dos dados. Eu mesmo uma vez peguei dados de contagem do<br>> número de capulhos de algodão. Corri para o glm Poisson. Não observei um bom<br>> ajuste (presença de forte subdispersão) e busquei respostas teóricas.<br>
> Conclusões, apesar do meu dado ser uma contagem, o surgimento de capulhos<br>> numa planta não é um evento independente com o número de ligações que chegam<br>> numa central telefônica em uma hora (exemplo canônico de distribuição<br>
> Poisson). Meu dado é negativamente correlacionado, mais capulhos impedem que<br>> novos apareçam pois a planta só é capar de nutrir um número limitado deles.<br>> Felizmente eu encontrei uma distribuição (em que Poisson é um caso<br>
> particular) para dados de contagem que considerasse esse aspecto inerente do<br>> meu dado.<br>><br>> À disposição.<br>> Walmes.<br>><br>> ==========================================================================<br>
> Walmes Marques Zeviani<br>> LEG (Laboratório de Estatística e Geoinformação, 25.450418 S, 49.231759 W)<br>> Departamento de Estatística - Universidade Federal do Paraná<br>> fone: (+55) 41 3361 3573<br>> VoIP: (3361 3600) 1053 1173<br>
> e-mail: <a href="mailto:walmes@ufpr.br">walmes@ufpr.br</a><br>> twitter: @walmeszeviani<br>> homepage: <a href="http://www.leg.ufpr.br/~walmes" target="_blank">http://www.leg.ufpr.br/~walmes</a><br>> linux user number: 531218<br>
> ==========================================================================<br>><br></div></div>
<div>
<div></div>
<div class="h5">> _______________________________________________<br>> R-br mailing list<br>> <a href="mailto:R-br@listas.c3sl.ufpr.br">R-br@listas.c3sl.ufpr.br</a><br>> <a href="https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br" target="_blank">https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br</a><br>
><br>><br><br><br><br>--<br>Daniel Marcelino<br><a href="http://danielmarcelino.zip.net/" target="_blank">http://danielmarcelino.zip.net</a><br>Skype: d_marcelino<br>_______________________________________________<br>
R-br mailing list<br><a href="mailto:R-br@listas.c3sl.ufpr.br">R-br@listas.c3sl.ufpr.br</a><br><a href="https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br" target="_blank">https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br</a><br>
</div></div></blockquote></div><br><br clear="all"><br>-- <br>José Eduardo Vargas Lopes de Aráujo<br>Engenheiro Agrônomo<br>Contato:(38)8811-6985                         <br><a href="mailto:duvargas@gmail.com">duvargas@gmail.com</a><br>
<br>