<div><span style="font-size: small; color: #0000ff;">Consegui rodar o primeiro, instalando a mais nova versão do R no Windows. O segundo não consegui porque não forneceu o segundo arquivo </span></div>
<div><span style="font-family: verdana, Helvetica, sans-serif; font-size: small; color: #0000ff;">dados2 <- read.table("HETE.csv", header = TRUE, sep = ";", dec = ",")</span></div>
<div><span style="font-size: small; color: #0000ff;"> </span></div>
<div> </div>
<div dir="ltr">
<div>
<div>
<div>
<div>
<div>
<div>
<div>
<div>Prezados membros da lista,<br /><br /></div>
Alguns dias postei um código não reproduzível sobre modelos para heterocedásticidade.</div>
Peço desculpas e abaixo vai o código que imagino ser possível reproduzir.</div>
Os dois principais problemas eram a instalação do pacote mcglm e o conjunto de dados.</div>
O pacote pode ser instalado facilmente pelo github repository neste endereço<br /><br /><a href="https://github.com/wbonat/mcglm" target="_blank">https://github.com/wbonat/mcglm</a><br />install_github("wbonat/mcglm", ref = "devel") # Saliento para instalar a versão devel !!<br /><br /></div>
O conjunto de dados está anexado neste e-mail.</div>
Além disso, o Luiz Leal estava com problemas pra ter acesso e pediu o .tar.gz que também vai em anexo.</div>
Aproveito para salientar que o mcglm está em desenvolvimento, assim quaisquer dúvidas, criticas e/ou <br />sugestões serão muito bem vindas.</div>
<div>
<div> </div>
<div>All the best!</div>
<div><br /># Heteroscedastic regression model -------------------------------------<br /># Author: Wagner Hugo Bonat LEG/UFPR -----------------------------------<br /># Date: 13/11/2016 -----------------------------------------------------<br /><br /># Loading extra packages<br />install.packages("devtools")<br />require(devtools)<br /><br /># Install mcglm package from github repository -------------------------<br />install_github("wbonat/mcglm", ref = "devel")<br />require(mcglm)<br /><br /><br /># Loading data set<br />Fenois <- c(337.311, 344.874, 342.353, 325.546, 333.950, 330.588, 328.067,<br />            328.067, 318.824, 331.429, 333.950, 334.790, 336.471, 338.151,<br />            342.353, 259.160, 252.437, 268.403, 265.882, 266.723, 287.731,<br />            88.571, 88.571,  90.252,  41.513,  52.437,  49.076,  88.571,<br />            88.571,  90.252,  64.202,  60.000,  61.681)<br />Cor <- factor(c(rep("ambar",6), rep("ambar_claro",3), rep("ambar",6),<br />                rep("ambar_claro",6),rep("branco",6),<br />                rep("extra_ambar_claro",3),rep("branco",3)))<br />dados <- data.frame("Fenois" = Fenois, "Cor" = Cor)<br />boxplot(dados$Fenois ~ dados$Cor)<br />tapply(dados$Fenois, dados$Cor, sd)<br /><br /># Linear regression model- ---------------------------------------------<br />fit1 <- lm(Fenois ~ Cor, data = dados)<br />anova(fit1)<br />plot(residuals(fit1) ~ fitted(fit1))<br />plot(residuals(fit1) ~ Cor)<br /><br /># Double Linear regression model ---------------------------------------<br />dados$id <- 1<br />fit2 <- mcglm(c(Fenois ~ Cor), list(mc_dglm(~ Cor, id = "id", data = dados)), <br />              covariance = "expm", data = dados)<br />summary(fit2)<br /><br />summary(fit1)<br />summary(fit2)<br /><br />cbind(coef(fit1), coef(fit2, type = "beta")$Estimates)<br />cbind(sqrt(diag(vcov(fit1))), coef(fit2, type = "beta", std.error = TRUE)$Std.error)<br /><br /># Example 2 ------------------------------------------------------------<br />dados2 <- read.table("HETE.csv", header = TRUE, sep = ";", dec = ",")<br />with(dados2, boxplot(y ~ x))<br /><br /># Note that, the A33 has no variance, so we need to remove this level.<br />dados2 <- dados2[which(dados2$x != "A33"),]<br />dados2$x <- droplevels(dados2$x)<br />tapply(dados2$y, dados2$x, sd)<br /><br /># Linear regression model ----------------------------------------------<br />fit_lm <- lm(y ~ x, data = dados2)<br />summary(fit_lm)<br />plot(residuals(fit_lm) ~ fitted(fit_lm))<br />plot(residuals(fit_lm) ~ dados2$x)<br /><br /># Double linear regression model ---------------------------------------<br />dados2$id <- 1<br />fit_dlm <- mcglm(c(y ~ x), list(mc_dglm(~ x, id = "id", data = dados2)), <br />              covariance = "expm", data = dados2)<br />summary(fit_dlm)<br /><br /># Comparing estimates and standard errors ------------------------------<br />cbind(coef(fit_lm), coef(fit_dlm, type = "beta")$Estimates)<br />cbind(sqrt(diag(vcov(fit_lm))), coef(fit_dlm, type = "beta", std.error = TRUE)$Std.error)<br /><br />
<div>
<div> </div>
</div>
</div>
</div>
</div>
<div class="gmail_extra"><br />
<div class="gmail_quote"><a style="font-size: 12.8px;" href="http://www.leg.ufpr.br/r-br-guia" target="_blank">fpr.br/r-br-guia</a><span style="font-size: 12.8px;">) e forne�a c�digo m�nimo reproduz�vel.</span></div>
</div>