- R-br - DINF UFPR

Algoritmos geração vetor normalmente distribuído
by Luiz Roberto Martins Pinto 17 Mai '17

17 Mai '17

Olá, Para a geração de vetores simulados normalmente distribuídos é possível utilizar diversos algoritmos associados com a função rnorm: "Inversion","Kinderman-Ramage","Box-Muller","Ahrens-Dieter". Pergunto se alguém conhece algum artigo no qual estes algoritmos foram comparados entre eles. Luiz Roberto. Luiz Roberto Martins Pinto Prof. Pleno/DCET/UESC Laboratório de Estatística Computacional Universidade Estadual de Santa Cruz Ilhéus-Bahia-Brasil luizroberto.uesc(a)gmail.com skype: lrmpinto http://lattes.cnpq.br/2732314327604831 "*The s**cience exists because there are patterns. * * The patterns exist because God created them*. * The statistic exists to research the patterns that God created.*"

1 0

Ajuda com Erro em DataFrame
by Ary Serpa Neto 16 Mai '17

16 Mai '17

4 4

Como calcular DIC na geoR
by Wagner Wolff 16 Mai '17

16 Mai '17

Olá pessoal alguem pode me dar uma dica de como calcular o DIC na geoR. Estou com dificuldade de calcular a média da deviance. Abraço -- *Wagner Wolff, **PhD* "*Luiz de Queiroz**" College of Agriculture,* University of São Paulo Pádua Dias avenue11 | 13418-900| Piracicaba-SP| Brazil Phone: +55 19 982385582 <+55%2019%2098238-5582> http://orcid.org/0000-0003-3426-308X https://github.com/wwolff7 http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4463141A1

1 0

Ajuste de modelos
by Maurício Lordêlo 15 Mai '17

15 Mai '17

Caros, Preciso fazer uma análise de três variáveis (m3 por apartamento, consumo per capita e média mensal das contas do domicilio) relacionadas ao consumo de água em três diferentes tipos de empreendimentos por quantidade de pessoas (ocupação) A variável "ocupação" possui valores variando de 1 a 14. Pelo fato de ter uma quantidade pequena de domicílios com 8 ou mais pessoas, esta variável foi agrupada e assim foi criada a variável "ocup_fator". Alguem poderia dar uma indicação se há possibilidade de ajustar um modelo para cada umas destas três variáveis por ocupação nos diferentes empreendimentos (A, B, C e D)? A intenção é verificar se os padrões de consumo diferem nos quatro tipo de empreendimentos considerados. Agradeço qualquer ajuda. Maurício https://www.dropbox.com/s/3maatp47ehdxikc/d.txt?dl=0 rm(list=ls(all=TRUE)) dados = read.table("d.txt",sep="",header = TRUE) str(dados) attach(dados) plot(m3_ap~ocup_fator) plot(per_cap~ocup_fator) plot(conta_mensal~ocup_fator) library(lattice) # Gráficos por empreendimento xyplot(m3_ap ~ ocup_fator| emp,data = dados,strip = strip.custom(par.strip.text = list(font = 3))) xyplot(per_cap ~ ocup_fator | emp,data = dados,strip = strip.custom(par.strip.text = list(font = 3))) xyplot(conta_mensal ~ ocup_fator | emp,data = dados,strip = strip.custom(par.strip.text = list(font = 3)))

1 0

knitr - definindo permissões qundo estou Gerando PDF
by Leonard de Assis 15 Mai '17

15 Mai '17

Bom dia a todos, Gostaria de saber como, no kntr (e similares), eu gero um pdf que contenha, já na geração do documento, proteção contra edição e similares. Exemplo: gerar um pdf que só possa ser visualizado ou impresso em determinada resolução. Este tipo de coisa eu sei fazer no Tex, gostaria de saber como impor isto diretamente no source .rmd Leonard

3 3

Fwd: Distribuição para regressão de resposta binária
by Marcos Bissoli 12 Mai '17

12 Mai '17

---------- Mensagem encaminhada ---------- De: Marcos Bissoli <mbissoli(a)gmail.com> Data: 9 de fevereiro de 2017 09:38 Assunto: Re: [R-br] Distribuição para regressão de resposta binária Para: Leonard Mendonça de Assis <assis.leonard(a)gmail.com> Bom dia, Mais uma vez, muito obrigado pela oportunidade de diálogo. Seguem códigos aplicados ao meu banco de dados. Modelei com diversas técnicas. Perceba que os gráficos de diagnóstico não diferem muito entre si, nestas que estou testando. E a dúvida, talvez, central, seja essa: esses gráficos são, de fato, tão relevantes? Pois, como eu disse, alguns testes de ajuste que fiz deram resultados satisfatórios. Até que ponto esse diagnóstico visual de ajuste é um problema? Percebam, também, que não há grandes diferenças inclusive com o gráfico da regressão logística. Meu problema com a logística, repito, é que ela me retorna odds ratios, e essa medida não tem sido bem aceita entre epidemiologistas. Por isso eu prefiro famílias com função de ligação "log", pois assim eu consigo facilmente as razões de prevalência. Percebam, ainda, que a log binomial retorna erro e não gera um objeto. Há algum ajuste a mais que eu possa fazer no código para ela funcionar? Na literatura que consultei, quando isso ocorre, a sugestão é que se use a Poisson com variância robusta. Percebam, também, que os coeficientes significantes não mudam de modelo para modelo, à exceção da Quasi-Poisson que é mais "sensível" (estou usando um termo epidemiológico aqui) para detectar fatores potencialmente causais. Tabagismo é a variável binária de resposta: 1 para fumantes, 0 para não fumantes. As demais marcadas com "factor" são também binárias. As sem "factor" são contínuas ou discretas. > TabModelagem <- data.frame(Tabagismo,factor(SexoDic),factor(Branca),factor(Negra),factor(Parda),+ factor(Amarela),factor(SemReligiao),factor(Catolica),+ factor(Espirita),factor(Evangelica),factor(AfroBrasileira),+ factor(Turno),factor(Aposentado),factor(OcupaEstDiApenasDesemp),+ factor(ComFamilia),factor(ComOutParentes),factor(Republica),+ factor(Sozinho),factor(Pensao),factor(OutroMoradia),factor(RU),+ factor(praec4),IdadeA,escola,RendaPC,Dist,PraecSoma)> ModeloLogBinomial <- glm(Tabagismo~.,data = TabModelagem,family = binomial(link = log))Erro: nenhum jogo válido de coeficientes tem sido encontrado: por favor, fornece valores iniciais> ModeloLogistico <- glm(Tabagismo~.,data = TabModelagem,family = binomial(link = logit))> summary(ModeloLogistico) Call: glm(formula = Tabagismo ~ ., family = binomial(link = logit), data = TabModelagem) Deviance Residuals: Min 1Q Median 3Q Max -2.0034 -0.8824 -0.5459 1.0052 2.3721 Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 1.215e+01 8.827e+02 0.014 0.989021 factor.SexoDic.1 1.042e+00 1.430e-01 7.281 3.31e-13 *** factor.Branca.1 -1.481e+01 8.827e+02 -0.017 0.986618 factor.Negra.1 -1.474e+01 8.827e+02 -0.017 0.986677 factor.Parda.1 -1.487e+01 8.827e+02 -0.017 0.986563 factor.Amarela.1 -1.545e+01 8.827e+02 -0.018 0.986037 factor.SemReligiao.1 -1.956e-01 4.151e-01 -0.471 0.637543 factor.Catolica.1 -1.009e+00 4.026e-01 -2.506 0.012225 * factor.Espirita.1 -3.190e-01 4.624e-01 -0.690 0.490209 factor.Evangelica.1 -1.759e+00 4.694e-01 -3.747 0.000179 *** factor.AfroBrasileira.1 1.438e+01 4.219e+02 0.034 0.972808 factor.Turno.1 3.093e-02 1.920e-01 0.161 0.872056 factor.Aposentado.1 -9.971e-02 1.901e-01 -0.524 0.600027 factor.OcupaEstDiApenasDesemp.1 1.799e-01 2.670e-01 0.674 0.500536 factor.ComFamilia.1 -6.624e-01 4.098e-01 -1.616 0.106055 factor.ComOutParentes.1 -7.401e-01 5.805e-01 -1.275 0.202332 factor.Republica.1 6.300e-02 3.837e-01 0.164 0.869588 factor.Sozinho.1 -5.343e-01 4.299e-01 -1.243 0.213914 factor.Pensao.1 -1.324e+00 6.812e-01 -1.944 0.051938 . factor.OutroMoradia.1 -9.557e-01 5.861e-01 -1.631 0.102934 factor.RU.1 -3.592e-01 1.911e-01 -1.880 0.060152 . factor.praec4.1 -2.845e-01 4.985e-01 -0.571 0.568191 IdadeA 7.917e-02 2.043e-02 3.875 0.000107 *** escola 1.200e-01 6.289e-02 1.909 0.056297 . RendaPC 1.699e-04 4.093e-05 4.151 3.31e-05 *** Dist 1.634e-04 2.525e-04 0.647 0.517573 PraecSoma 5.281e-02 5.452e-02 0.969 0.332692 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 1516.6 on 1135 degrees of freedom Residual deviance: 1279.3 on 1109 degrees of freedom (587 observations deleted due to missingness) AIC: 1333.3 Number of Fisher Scoring iterations: 13 > ModeloPoisson <- glm(Tabagismo~.,data = TabModelagem,family = poisson(link = log))> summary(ModeloPoisson) Call: glm(formula = Tabagismo ~ ., family = poisson(link = log), data = TabModelagem) Deviance Residuals: Min 1Q Median 3Q Max -1.4867 -0.7821 -0.5889 0.5349 1.6624 Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -1.245e+00 1.125e+00 -1.107 0.26845 factor.SexoDic.1 5.800e-01 1.065e-01 5.447 5.11e-08 *** factor.Branca.1 -8.332e-01 1.009e+00 -0.826 0.40870 factor.Negra.1 -8.210e-01 1.028e+00 -0.799 0.42446 factor.Parda.1 -9.009e-01 1.012e+00 -0.890 0.37337 factor.Amarela.1 -1.089e+00 1.092e+00 -0.998 0.31852 factor.SemReligiao.1 -9.670e-02 2.430e-01 -0.398 0.69062 factor.Catolica.1 -4.813e-01 2.396e-01 -2.009 0.04459 * factor.Espirita.1 -1.235e-01 2.806e-01 -0.440 0.65987 factor.Evangelica.1 -9.177e-01 3.126e-01 -2.936 0.00332 ** factor.AfroBrasileira.1 6.068e-01 5.538e-01 1.096 0.27325 factor.Turno.1 1.534e-03 1.331e-01 0.012 0.99081 factor.Aposentado.1 -4.516e-02 1.357e-01 -0.333 0.73937 factor.OcupaEstDiApenasDesemp.1 7.249e-02 1.816e-01 0.399 0.68972 factor.ComFamilia.1 -4.323e-01 2.739e-01 -1.578 0.11447 factor.ComOutParentes.1 -5.029e-01 4.527e-01 -1.111 0.26655 factor.Republica.1 8.985e-03 2.522e-01 0.036 0.97157 factor.Sozinho.1 -2.475e-01 2.878e-01 -0.860 0.38987 factor.Pensao.1 -8.439e-01 5.148e-01 -1.639 0.10117 factor.OutroMoradia.1 -5.262e-01 4.316e-01 -1.219 0.22275 factor.RU.1 -1.937e-01 1.363e-01 -1.421 0.15517 factor.praec4.1 -1.583e-01 3.432e-01 -0.461 0.64469 IdadeA 3.787e-02 1.207e-02 3.136 0.00171 ** escola 8.576e-02 4.429e-02 1.936 0.05281 . RendaPC 4.045e-05 1.690e-05 2.393 0.01670 * Dist 2.605e-05 1.668e-04 0.156 0.87586 PraecSoma 2.419e-02 3.972e-02 0.609 0.54262 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for poisson family taken to be 1) Null deviance: 834.67 on 1135 degrees of freedom Residual deviance: 706.16 on 1109 degrees of freedom (587 observations deleted due to missingness) AIC: 1640.2 Number of Fisher Scoring iterations: 5 > ModeloQuasiPoisson <- glm(Tabagismo~.,data = TabModelagem,family = quasipoisson(link = log))> summary(ModeloQuasiPoisson) Call: glm(formula = Tabagismo ~ ., family = quasipoisson(link = log), data = TabModelagem) Deviance Residuals: Min 1Q Median 3Q Max -1.4867 -0.7821 -0.5889 0.5349 1.6624 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) -1.245e+00 8.738e-01 -1.424 0.154644 factor.SexoDic.1 5.800e-01 8.273e-02 7.011 4.11e-12 *** factor.Branca.1 -8.332e-01 7.836e-01 -1.063 0.287863 factor.Negra.1 -8.210e-01 7.987e-01 -1.028 0.304185 factor.Parda.1 -9.009e-01 7.863e-01 -1.146 0.252163 factor.Amarela.1 -1.089e+00 8.481e-01 -1.284 0.199466 factor.SemReligiao.1 -9.670e-02 1.888e-01 -0.512 0.608566 factor.Catolica.1 -4.813e-01 1.862e-01 -2.585 0.009863 ** factor.Espirita.1 -1.235e-01 2.181e-01 -0.566 0.571230 factor.Evangelica.1 -9.177e-01 2.429e-01 -3.779 0.000166 *** factor.AfroBrasileira.1 6.068e-01 4.303e-01 1.410 0.158794 factor.Turno.1 1.534e-03 1.034e-01 0.015 0.988169 factor.Aposentado.1 -4.516e-02 1.055e-01 -0.428 0.668597 factor.OcupaEstDiApenasDesemp.1 7.249e-02 1.411e-01 0.514 0.607474 factor.ComFamilia.1 -4.323e-01 2.128e-01 -2.031 0.042444 * factor.ComOutParentes.1 -5.029e-01 3.517e-01 -1.430 0.153011 factor.Republica.1 8.985e-03 1.959e-01 0.046 0.963429 factor.Sozinho.1 -2.475e-01 2.236e-01 -1.107 0.268673 factor.Pensao.1 -8.439e-01 4.000e-01 -2.110 0.035106 * factor.OutroMoradia.1 -5.262e-01 3.353e-01 -1.569 0.116880 factor.RU.1 -1.937e-01 1.059e-01 -1.830 0.067589 . factor.praec4.1 -1.583e-01 2.666e-01 -0.594 0.552951 IdadeA 3.787e-02 9.381e-03 4.037 5.79e-05 *** escola 8.576e-02 3.441e-02 2.492 0.012836 * RendaPC 4.045e-05 1.313e-05 3.080 0.002119 ** Dist 2.605e-05 1.296e-04 0.201 0.840689 PraecSoma 2.419e-02 3.086e-02 0.784 0.433427 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for quasipoisson family taken to be 0.6036898) Null deviance: 834.67 on 1135 degrees of freedom Residual deviance: 706.16 on 1109 degrees of freedom (587 observations deleted due to missingness) AIC: NA Number of Fisher Scoring iterations: 5 > library(MASS)> ModeloBinomialNegativa <- glm.nb(Tabagismo~.,data = TabModelagem,link = log)Warning messages:1: In theta.ml(Y, mu, sum(w), w, limit = control$maxit, trace = control$trace > : iteration limit reached2: In theta.ml(Y, mu, sum(w), w, limit = control$maxit, trace = control$trace > : iteration limit reached> summary(ModeloBinomialNegativa) Call: glm.nb(formula = Tabagismo ~ ., data = TabModelagem, link = log, init.theta = 9955.862378) Deviance Residuals: Min 1Q Median 3Q Max -1.4866 -0.7821 -0.5889 0.5349 1.6624 Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -1.245e+00 1.125e+00 -1.107 0.26847 factor.SexoDic.1 5.800e-01 1.065e-01 5.447 5.12e-08 *** factor.Branca.1 -8.332e-01 1.009e+00 -0.826 0.40872 factor.Negra.1 -8.210e-01 1.028e+00 -0.799 0.42448 factor.Parda.1 -9.009e-01 1.012e+00 -0.890 0.37339 factor.Amarela.1 -1.089e+00 1.092e+00 -0.997 0.31853 factor.SemReligiao.1 -9.670e-02 2.430e-01 -0.398 0.69063 factor.Catolica.1 -4.813e-01 2.396e-01 -2.008 0.04459 * factor.Espirita.1 -1.235e-01 2.807e-01 -0.440 0.65989 factor.Evangelica.1 -9.177e-01 3.126e-01 -2.936 0.00333 ** factor.AfroBrasileira.1 6.068e-01 5.539e-01 1.096 0.27327 factor.Turno.1 1.530e-03 1.331e-01 0.011 0.99083 factor.Aposentado.1 -4.516e-02 1.358e-01 -0.333 0.73937 factor.OcupaEstDiApenasDesemp.1 7.249e-02 1.816e-01 0.399 0.68973 factor.ComFamilia.1 -4.323e-01 2.739e-01 -1.578 0.11449 factor.ComOutParentes.1 -5.029e-01 4.527e-01 -1.111 0.26658 factor.Republica.1 8.986e-03 2.522e-01 0.036 0.97157 factor.Sozinho.1 -2.475e-01 2.878e-01 -0.860 0.38988 factor.Pensao.1 -8.439e-01 5.149e-01 -1.639 0.10120 factor.OutroMoradia.1 -5.262e-01 4.316e-01 -1.219 0.22277 factor.RU.1 -1.937e-01 1.363e-01 -1.421 0.15519 factor.praec4.1 -1.583e-01 3.432e-01 -0.461 0.64469 IdadeA 3.787e-02 1.207e-02 3.136 0.00171 ** escola 8.576e-02 4.429e-02 1.936 0.05282 . RendaPC 4.045e-05 1.690e-05 2.393 0.01670 * Dist 2.605e-05 1.668e-04 0.156 0.87585 PraecSoma 2.419e-02 3.972e-02 0.609 0.54264 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for Negative Binomial(9955.862) family taken to be 1) Null deviance: 834.65 on 1135 degrees of freedom Residual deviance: 706.13 on 1109 degrees of freedom (587 observations deleted due to missingness) AIC: 1642.2 Number of Fisher Scoring iterations: 1 Theta: 9956 Std. Err.: 36769 Warning while fitting theta: iteration limit reached 2 x log-likelihood: -1586.177 > par(mfrow=c(2,2))> qqnorm(resid(ModeloLogistico, type = "deviance"),+ pch = 20, main = "Logística", las = 1)> qqline(resid(ModeloLogistico, type = "deviance"))> qqnorm(resid(ModeloPoisson, type = "deviance"),+ pch = 20, main = "Poisson", las = 1)> qqline(resid(ModeloPoisson, type = "deviance"))> qqnorm(resid(ModeloQuasiPoisson, type = "deviance"),+ pch = 20, main = "Quasi-Poisson", las = 1)> qqline(resid(ModeloQuasiPoisson, type = "deviance"))> qqnorm(resid(ModeloBinomialNegativa, type = "deviance"),+ pch = 20, main = "Binomial Negativa", las = 1)> qqline(resid(ModeloBinomialNegativa, type = "deviance")) [image: Imagem inline 1] Em 8 de fevereiro de 2017 20:35, Leonard Mendonça de Assis < assis.leonard(a)gmail.com> escreveu: > Exato, > > > > Existem várias funções de ligação pre definidas para cada família. Não > tenho certeza se ‘log’ é um link válido para binomial, nunca o usei com > binomial. > > > > Caso este link não exista, você terá que cria-lo antes, veja um exemplo > neste local: https://stat.ethz.ch/pipermail/r-help/2013-November/362787. > html > > > > Neste exemplo, é criado o link ‘clog’, muito próximo ao que você precisa. > > > > Mas o que você chama de ‘não consigo criar o modelo’? Eu já ajustei modelo > logístico com mais de 200 variáveis (Contínuas, discretas, fatores ...) sem > problemas, a não ser problemas de algumas variáveis serem linearmente > dependentes e, com isto, me gerou problemas de estimação. Outro problema > que tive (não o tenho a mais de ano) foi estourar memória do computador. > > > > Mande pra mim o erro especifico que está dando ao executar o comando. Só > assim posso ser mais preciso em te ajudar > > > > *De:* Marcos Bissoli [mailto:mbissoli@gmail.com] > *Enviada em:* quarta-feira, 8 de fevereiro de 2017 19:35 > *Para:* Leonard Mendonça de Assis <assis.leonard(a)gmail.com> > > *Assunto:* Re: [R-br] Distribuição para regressão de resposta binária > > > > Prezado Leonard e amigos, > > > > Agradeço muito pelo debate. Venho tentando cada vez mais dialogar com > estatísticos, pois respeito muito o trabalho de vocês, embora admita ainda > ser "um menino" na arte. > > > > Em relação à função de ligação para logística, talvez eu não tenha sido > claro. Eu tentei uma função "ln(y)" que, ao menos no material que venho > consultando, seria uma regressão log-binomial. Este seria um modelo ideal, > e foi minha primeira tentativa. Ou seja, usei um código semelhante a: > > > > > Modelo -> glm(y~., data = Dados, family = binomial(link = "log")) > > > > O problema é que o R não consegue criar tal modelo. Tenho muitas variáveis > explicativas (isso é bastante comum em estudos epidemiológicos > descritivos), incluindo cinco contínuas, se é que esse seja o motivo. O > fato é que em uma das referências que citei em e-mail anterior, os autores > tratam deste problema. Veja os resultados apresentados no resumo de > Coutinho et al: > > > > "*RESULTADOS:* As estimativas por ponto e por intervalo [das razões de > prevalência] obtidas pelas regressões de Cox e Poisson foram semelhantes à > obtida pela estratificação de Mantel-Haenszel [considerada 'prova-ouro' > para a Epidemiologia], independentemente da prevalência do desfecho > [variável resposta] e das covariáveis [variáveis explicativas, pode-se > dizer; talvez, para que tem uma formação mais voltada para análises > experimentais, poderíamos dizer que covariáveis referem-se mais a 'blocos'] > do modelo. *O modelo log-binomial apresentou dificuldade de convergência* > quando o desfecho tinha prevalência alta e havia covariável contínua no > modelo. A regressão logística [valendo-se de logito como função de ligação] > produziu estimativas por ponto e por intervalo maiores do que as obtidas > pelos outros métodos, principalmente para os desfechos com maiores > prevalências iniciais. *Se interpretados como estimativas de RP, os OR > superestimariam as associações* para os desfechos com prevalência inicial > baixa, intermediária e alta em 13%, quase 100% e quatro vezes mais, > respectivamente." > > > > [notas minhas] [grifos meus] > > > > Portanto, os autores indicam (e vi isso em outros artigos) regressão de > Poisson, mesmo admitindo a variável resposta como sendo binária, variando > de 0 a 1, que representa a probabilidade de ocorrência do desfecho > (doença). Quase todos são unânimes em recomendar apenas que se use ajuste > de variância robusta para sanar problemas nos intervalos de confiança dos > coeficientes. Em Epidemiologia, mais importante que os valores p são esses > intervalos de confiança, pois há muitos desdobramentos inferenciais que são > feitos a partir deles. Portanto, creio que a justificativa para adoção de > Poisson seja esta: a não convergência da log-binomial. > > > > Talvez uma outra função de ligação em família binomial possa ser uma > solução, então? Como disse, tentei "log" e o próprio "logit". "Log" não deu > convergência e o modelo nem foi gerado. O "logit" eu também tentei, e o > gráfico de resíduos do modelo foi praticamente idêntico a este de > quasi-poisson que postei na primeira mensagem. Seria grato caso pudesse me > indicar algum referencial sobre outras funções de ligação, > preferencialmente com aplicações. Mas acho que isso se tornará um problema, > pois os coeficientes gerados certamente me resultarão indicadores não > reconhecidos na área da Epidemiologia. Não sei até que ponto eu posso > "converter" coeficientes livremente aplicando pura e simplesmente > aritméticas a estes coeficientes. Como acho que já expliquei acima: "logit" > me devolve razão de chances (odds ratio, OR) e "log" me retorna a tão > desejada razão de prevalência (razão de riscos, RR). Se eu não tiver como > converter meus coeficientes em uma dessas razões (e preferencialmente a RR) > eu vou apanhar tanto da banca que vou sair dali roxo e sem título. :D > > > > (Um parênteses: essas questões, como a brincadeira acima, tem me motivado > muito a ingressar em um doutorado em Estatística assim que eu concluir > esse. Creio que há muito há se propor de novo para a Epidemiologia, a > partir de um conhecimento mais profundo em Estatística. A Epidemiologia é, > de fato, bastante limitada naquilo que ela "aceita" como técnica válida > para suas análises inferenciais) > > > > Quando o senhor diz: > > > > "Uma segunda forma de analisar, seria termos uma resposta composta de > número de ocorrências do evento em um total possível", > > > > eu posso interpretar que isso também seria adaptável a uma probabilidade? > Valeria a pena eu tentar ajuste com Gamma ou Beta? A binomial negativa eu > até tentei, mais por curiosidade, pois tenho seguido o material do curso > que fiz com o Walmes em Varginha e ele preconizou que ela seria recomendada > para casos de superdispersão, e minha variável resposta aparenta > subdispersão. Mas a binomial negativa também gerou o mesmo gráfico de > resíduos. Eu posso usar uma variável binária como resposta num modelo Gamma > ou Beta? Ou teria que dar algum "tratamento" na variável antes de aplicar > estes modelos. Confesso que estes ainda não tentei com essa resposta com a > qual estou enfrentando o problema. Em outras variáveis eu experimentei > modelos Gamma, mas eles não apresentaram melhor ajuste que o gaussiano, a > ponto de justificar eu enfrentar tamanha novidade com a banca de > epidemiologistas. :D > > > > Agradeço, já, e muito, o diálogo estabelecido. > > > > Abraços fraternos, > > > > Marcos > > > > > > > > > > Em 8 de fevereiro de 2017 17:28, Leonard Mendonça de Assis < > assis.leonard(a)gmail.com> escreveu: > > Marcos, > > Não tenho acesso aos artigos, mas ... baseado em 27 anos de experiência > ajustando regressão logística, vamos aos meus pitacos: > > > > 1. Quando eu tenho os Y em forma binária (Presente/ausente), isto, > estatisticamente falando, é uma distribuição de Bernoulli > 2. Esta distribuição de bernoulli tem como parâmetro, a proporção. > Esta proporção varia de 0 a 1. > 3. Uma forma de ajustar este tipo de dados é a regressão logística, > esta pode assumir vários tipos de ligação. Aqui, de cabeça, eu lembro uns > 5, mas deve ter muito mais. > 4. Estas funções de ligação se ajustam melhor a determinados tipos de > dados e algumas áreas de conhecimento às vezes preferem um em detrimento de > outros. > > > > Baseado neste cenário acima, acho “estranho” utilizar outro tipo de modelo > (com dados na característica acima), sem uma justificativa bastante forte. > > > > Uma segunda forma de analisar, seria termos uma resposta composta de > número de ocorrências do evento em um total possível. Neste caso, teríamos > uma variedade de distribuições que provavelmente se encaixariam nos > documentos que você apresentou. Neste caso, o modelo seria ou binomial > negativa, ou Gama, ou Beta, ou qualquer outra similar. > > > > Ajustados os conceitos, vamos agora à minha opinião sobre seu problema. > > > > 1. Pelo que consegui entender de seu texto inicial e seu código > fornecido, você está ajustando algo que é 0 ou 1 como sendo uma > quase-poisson (esta é uma das opções de ajuste para o que expliquei acima, > onde existe uma determinada quantidade. > 2. Como seus dados são 0/1 (suposição esta que faço baseado em sua > explicação), o ajuste estar deficiente é algo bem esperado > > Seria bom se você informasse do que se trata a variável tabagismo, se ela > é 0/1 ou se é uma quantidade. Se for 0/1, certamente o problema dos dados é > esperado, por serem oriundos de uma distribuição diversa da que você está > ajustando. > > > > No aguardo > > > > Leonard > > > > *De:* Marcos Bissoli [mailto:mbissoli@gmail.com] > *Enviada em:* quarta-feira, 8 de fevereiro de 2017 14:57 > *Para:* Leonard Assis <assis.leonard(a)gmail.com>; a lista Brasileira > oficial de discussão do programa R. <r-br(a)listas.c3sl.ufpr.br> > *Assunto:* Re: [R-br] Distribuição para regressão de resposta binária > > > > Olá Leonard, > > > > Muito obrigado pelo interesse no debate. > > > > Minha afirmação baseada em epidemiologistas é, na verdade, baseada numa > série de artigos que venho estudando recentemente. Seguem algumas > referências, dentre outras várias, sobre as quais venho me fundamentando. > > > > ZOU, G. A Modified Poisson Regression Approach to Prospective Studies with > Binary Data. *American Journal of Epidemiology*, v. 159, n. 7, p. > 702–706, 1 abr. 2004. > > > > COUTINHO, L. M. S.; SCAZUFCA, M.; MENEZES, P. R. Métodos para estimar > razão de prevalência em estudos de corte transversal. *Revista de Saúde > Pública*, v. 42, n. 6, p. 992–998, dez. 2008. > > > > BARROS, A. J.; HIRAKATA, V. N. Alternatives for logistic regression in > cross-sectional studies: an empirical comparison of models that directly > estimate the prevalence ratio. *BMC Medical Research Methodology*, v. 3, > n. 1, p. 21, 20 dez. 2003. > > > > FRANCISCO, P. M. S. B. et al. Medidas de associação em estudo transversal > com delineamento complexo: razão de chances e razão de prevalência. *Revista > Brasileira de Epidemiologia*, v. 11, n. 3, p. 347–355, set. 2008. > > > > WILLIAMSON, T.; ELIASZIW, M.; FICK, G. H. Log-binomial models: exploring > failed convergence. *Emerging themes in epidemiology*, v. 10, n. 1, p. > 14, 13 dez. 2013. > > > > Abraços fraternos, > > > > Marcos > > > > Em 7 de fevereiro de 2017 22:22, Leonard Assis via R-br < > r-br(a)listas.c3sl.ufpr.br> escreveu: > > Tem ruído aí nesta explicação. Na verdade, o que o "epidemiologista" > alegou, não me convenceu. > > > > > > Em 7 de fev de 2017 9:14 PM, "Marcos Bissoli via R-br" < > r-br(a)listas.c3sl.ufpr.br> escreveu: > > Prezados, > > > > De antemão peço desculpas se desvio o tópico da lista. Mas creio que o > tema da mensagem é minimamente transversal aos aqui tratados. > > > > Tenho uma variável resposta binária. Como a frequência da resposta é alta > (38,11%), teóricos da Estatística aplicada à Epidemiologia sugerem que não > seja usada uma regressão logística. Neste caso (de alta prevalência do > desfecho), a primeira opção deveria ser uma log-binomial. Mas (e isso não é > raro de ocorrer), minha log-binomial não apresentou convergência. > > > > Quando não há convergência, os teóricos sugerem uma regressão de Poisson > com variância robusta. Entretanto, como meus dados sugerem subdispersão, > optei por um modelo de quasi-poisson. Isso já deu certo em outras análises > que fiz para terceiros. Inclusive, tenho conseguido adaptar a variância > robusta ao modelo de quasi-poisson. Mas justamente agora, com os dados de > minha tese... > > > > O diagnóstico visual está, ao meu ver, péssimo, para ajuste. A imagem > anexa é do modelo de quasi-poisson. Mas experimentei todos os acima citados > (logística e Poisson) e o gráfico não diferiu muito. > > > > [image: Imagem inline 1] > > > > A dúvida é... Há alguma outra alternativa de técnica de regressão que eu > poderia tentar? Minhas variáveis explicativas são diversas, em quantidade e > tipo (há contínuas, ordinais e binárias). Ou será (embora eu ache pouco > provável) que este gráfico não significa um grande incômodo? > > > > Fiz o teste de qui-quadrado da deviance residual e estranhamente o valor p > está resultando em 1, tanto para Poisson quanto para quasi-Poisson. Um > outro fato estranho é o pseudo R² de Nagelkerke ter acusado 20%: todas as > outras minhas variáveis resposta não passaram de 12%. Não sei se é correto > (consultei bibliografia que sugeria isso para a regressão logística), mas > apliquei um teste de Hosmer e Lemeshow e ele acusou um bom ajuste do > modelo, também (p = 0,2718). Até uma curva de ROC eu fiz e a área está > grande no gráfico (mais uma técnica que não sei se deve ser aplicada além > da regressão logística,). > > > > Seguem alguns resultados, caso possa ajudar em algo. > > > > Desde já agradeço qualquer comentário. E reforço minhas desculpas caso eu > tenha desviado do tópico além do esperado, e desde já acato qualquer > negativa em prosseguir o debate. Nesse caso, se possível, aceitaria > sugestões de boas listas para debates nesse nível onde eu pudesse me > inscrever. > > > > Há braços, > > > > Marcos Bissoli > > Faculdade de Nutrição > > Unifal-MG > > > > > Mod1 <- glm(Tabagismo~.,data = TabModelagem,family = quasipoisson) > > > summary(Mod1) > > > > Call: > > glm(formula = Tabagismo ~ ., family = quasipoisson, data = TabModelagem) > > > > Deviance Residuals: > > Min 1Q Median 3Q Max > > -1.4867 -0.7821 -0.5889 0.5349 1.6624 > > > > Coefficients: > > Estimate Std. Error t value Pr(>|t|) > > (Intercept) -1.245e+00 8.738e-01 -1.424 0.154644 > > factor.SexoDic.1 5.800e-01 8.273e-02 7.011 4.11e-12 *** > > factor.Branca.1 -8.332e-01 7.836e-01 -1.063 0.287863 > > factor.Negra.1 -8.210e-01 7.987e-01 -1.028 0.304185 > > factor.Parda.1 -9.009e-01 7.863e-01 -1.146 0.252163 > > factor.Amarela.1 -1.089e+00 8.481e-01 -1.284 0.199466 > > factor.SemReligiao.1 -9.670e-02 1.888e-01 -0.512 0.608566 > > factor.Catolica.1 -4.813e-01 1.862e-01 -2.585 0.009863 ** > > factor.Espirita.1 -1.235e-01 2.181e-01 -0.566 0.571230 > > factor.Evangelica.1 -9.177e-01 2.429e-01 -3.779 0.000166 *** > > factor.AfroBrasileira.1 6.068e-01 4.303e-01 1.410 0.158794 > > factor.Turno.1 1.534e-03 1.034e-01 0.015 0.988169 > > factor.Aposentado.1 -4.516e-02 1.055e-01 -0.428 0.668597 > > factor.OcupaEstDiApenasDesemp.1 7.249e-02 1.411e-01 0.514 0.607474 > > factor.ComFamilia.1 -4.323e-01 2.128e-01 -2.031 0.042444 * > > factor.ComOutParentes.1 -5.029e-01 3.517e-01 -1.430 0.153011 > > factor.Republica.1 8.985e-03 1.959e-01 0.046 0.963429 > > factor.Sozinho.1 -2.475e-01 2.236e-01 -1.107 0.268673 > > factor.Pensao.1 -8.439e-01 4.000e-01 -2.110 0.035106 * > > factor.OutroMoradia.1 -5.262e-01 3.353e-01 -1.569 0.116880 > > factor.RU.1 -1.937e-01 1.059e-01 -1.830 0.067589 . > > factor.praec4.1 -1.583e-01 2.666e-01 -0.594 0.552951 > > IdadeA 3.787e-02 9.381e-03 4.037 5.79e-05 *** > > escola 8.576e-02 3.441e-02 2.492 0.012836 * > > RendaPC 4.045e-05 1.313e-05 3.080 0.002119 ** > > Dist 2.605e-05 1.296e-04 0.201 0.840689 > > PraecSoma 2.419e-02 3.086e-02 0.784 0.433427 > > --- > > Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 > > > > (Dispersion parameter for quasipoisson family taken to be 0.6036898) > > > > Null deviance: 834.67 on 1135 degrees of freedom > > Residual deviance: 706.16 on 1109 degrees of freedom > > AIC: NA > > > > Number of Fisher Scoring iterations: 5 > > > > > > > > -- > > MARCOS BISSOLI > > Faculdade de Nutrição > Universidade Federal de Alfenas > > Blog: bocademiamaldita.blogspot.com/ > > E-mail: mbissoli(a)gmail.com > Twitter: #mbissoli > > > Alfenas, Minas Gerais, Brasil > > > *****Pense na Natureza antes de Imprimir***** > Divulgue ON-LINE > > Eu apoio a ENEN "na luta por um Brasil sem fome" > > "por ĉiu popolo ties propran lingvon, por ĉiuj popoloj la esperantan" > (para cada povo sua própria língua, para todos os povos o Esperanto) > > > > E nunca votarei no PSDB/DEM! > > > > _______________________________________________ > R-br mailing list > R-br(a)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(a)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. > > > > > > -- > > MARCOS BISSOLI > > Faculdade de Nutrição > Universidade Federal de Alfenas > > Blog: bocademiamaldita.blogspot.com/ > > E-mail: mbissoli(a)gmail.com > Twitter: #mbissoli > > > Alfenas, Minas Gerais, Brasil > > > *****Pense na Natureza antes de Imprimir***** > Divulgue ON-LINE > > Eu apoio a ENEN "na luta por um Brasil sem fome" > > "por ĉiu popolo ties propran lingvon, por ĉiuj popoloj la esperantan" > (para cada povo sua própria língua, para todos os povos o Esperanto) > > > > E nunca votarei no PSDB/DEM! > > > > > > -- > > MARCOS BISSOLI > > Faculdade de Nutrição > Universidade Federal de Alfenas > > Blog: bocademiamaldita.blogspot.com/ > > E-mail: mbissoli(a)gmail.com > Twitter: #mbissoli > > > Alfenas, Minas Gerais, Brasil > > > *****Pense na Natureza antes de Imprimir***** > Divulgue ON-LINE > > Eu apoio a ENEN "na luta por um Brasil sem fome" > > "por ĉiu popolo ties propran lingvon, por ĉiuj popoloj la esperantan" > (para cada povo sua própria língua, para todos os povos o Esperanto) > > > > E nunca votarei no PSDB/DEM! > -- MARCOS BISSOLI Faculdade de Nutrição Universidade Federal de Alfenas Blog: bocademiamaldita.blogspot.com/ E-mail: mbissoli(a)gmail.com Twitter: #mbissoli Alfenas, Minas Gerais, Brasil *****Pense na Natureza antes de Imprimir***** Divulgue ON-LINE Eu apoio a ENEN "na luta por um Brasil sem fome" "por ĉiu popolo ties propran lingvon, por ĉiuj popoloj la esperantan" (para cada povo sua própria língua, para todos os povos o Esperanto) E nunca votarei no PSDB/DEM! -- MARCOS BISSOLI Faculdade de Nutrição Universidade Federal de Alfenas Blog: bocademiamaldita.blogspot.com/ E-mail: mbissoli(a)gmail.com Twitter: #mbissoli Alfenas, Minas Gerais, Brasil *****Pense na Natureza antes de Imprimir***** Divulgue ON-LINE Eu apoio a ENEN "na luta por um Brasil sem fome" "por ĉiu popolo ties propran lingvon, por ĉiuj popoloj la esperantan" (para cada povo sua própria língua, para todos os povos o Esperanto) E nunca votarei no PSDB/DEM!

4 3

Intervalo de predição INLA
by Wagner Wolff 10 Mai '17

10 Mai '17

Olá pessoal estou fazendo uma modelagem geoestatística pelo INLA, mas estou com dúvidas quanto às estimativas para os intervalos de credibilidade maiores, p.ex. 95%, para esta situação os valores estimados fogem do campo amostral que é de 0,3 a 0,7. Alguém sabe onde posso configurar para que as estimativas fiquem nesse intervalo. Segue o código: ## Criando domain IEBdomain <- inla.nonconvex.hull(as.matrix(dados[,1:2]), -0.03, -0.05, resolution=c(100,100)) ## Crando mesh IEBmesh <- inla.mesh.2d(boundary=IEBdomain, max.edge=c(35,35), cutoff=35, offset=c(-0.5, -0.5)) plot(IEBmesh, asp=1, main='') ## spde matern 0.5 = exponetial IEBspde <- inla.spde2.matern(mesh=IEBmesh,alpha=2) mesh.index <- inla.spde.make.index(name = "i", n.spde = IEBspde$n.spde) ## Matriz projetora estimativa A.est <- inla.spde.make.A(IEBmesh, loc=as.matrix(dados[,1:2])) ## Matriz de covariaveis selecionadas pelo AIC, estatistica frequentista covars <- dados[,c(1:4,6:23)] stk.est <- inla.stack(data=list(y=dados$IEB_ANO), A=list(A.est,1), tag="est", effects=list(c(mesh.index,list(Intercept=1)), list(covars))) stk.val <- inla.stack(data=list(y=NA), A=list(A.est,1), tag="est", effects=list(c(mesh.index,list(Intercept=1)), list(covars))) ## Matriz projetora predicao A.pred = inla.spde.make.A(IEBmesh) stk.pred = inla.stack(data = list(y = NA), A = list(A.pred),tag = "pred", effects=list(c(mesh.index,list(Intercept=1)))) str(stk.pred) stk.all <- inla.stack(stk.est, stk.val,stk.pred) ## Testar qual variável tem menor DIC names(covars) f.IEB <- y ~ -1 + Intercept + Dens.dren + f(i, model=IEBspde) names(inla.models()$likelihood) r.IEB <-inla(f.IEB,family="beta", control.compute=list(dic=TRUE),quantiles=c(0.025,0.1,0.5, 0.975), data=inla.stack.data(stk.all,spde=IEBspde), control.predictor=list(A=inla.stack.A(stk.all),compute=TRUE)) names(r.IEB) r.IEB$dic$dic r.IEB$summary.fixed r.IEB$summary.hyper[1,] r.IEB$summary.hyper[-1,] result <- inla.spde2.result(r.IEB, "i", IEBspde) names(result) str(r.IEB$marginals.hyperpar) ## Posterior mean inla.emarginal(function(x) x, result$marginals.variance.nominal[[1]]) inla.emarginal(function(x) x, result$marginals.range.nominal[[1]]) ## Quantis inla.qmarginal(c(0.025,0.5,0.975), result$marginals.variance.nominal[[1]]) inla.qmarginal(c(0.025,0.5,0.975), result$marginals.range.nominal[[1]]) par(mfrow=c(2,3), mar=c(3,3.5,0,0), mgp=c(1.5, .5, 0), las=0) plot(r.IEB$marginals.fix[[1]], type='l', xlab=expression(beta[0]), ylab='Density') plot(r.IEB$marginals.fix[[2]], type='l', xlab=expression(beta[1]),ylab= 'Density') plot(r.IEB$marginals.hy[[1]], type='l', xlab=expression(phi),ylab='Density') plot.default(inla.tmarginal(function(x) 1/exp(x), r.IEB$marginals.hy[[3]]), type='l', xlab=expression(kappa), ylab='Density') plot.default(result$marginals.variance.nominal[[1]], type='l', xlab=expression(sigma[x]^2), ylab='Density') plot.default(result$marginals.range.nominal[[1]], type='l', xlab='Practical range', ylab='Density') index.pred <- inla.stack.index(stk.all, "pred")$data names(r.IEB$summary.linear.predictor) linpred.mean <- r.IEB$summary.linear.predictor[index.pred,"mean"] linpred.2.5 <- r.IEB$summary.linear.predictor[index.pred,"0.025quant"] linpred.10 <- r.IEB$summary.linear.predictor[index.pred,"0.1quant"] linpred.50 <- r.IEB$summary.linear.predictor[index.pred,"0.5quant"] linpred.97.5 <- r.IEB$summary.linear.predictor[index.pred,"0.975quant"] (nxy <- round(c(diff(c(200,800)), diff(c(6700,7200))))) proj <- inla.mesh.projector(IEBmesh, xlim=c(200,800), ylim=c(6700,7200), dims=nxy) lp.mean.grid <- inla.mesh.project(proj, linpred.mean) lp.2.5.grid <- inla.mesh.project(proj, linpred.2.5) lp.10.grid <- inla.mesh.project(proj, linpred.10) lp.50.grid <- inla.mesh.project(proj, linpred.50) lp.97.5.grid <- inla.mesh.project(proj, linpred.97.5) par(mfrow=c(2,3), mar=c(3,3.5,0,0), mgp=c(1.5, .5, 0), las=0) image(lp.2.5.grid) image(lp.10.grid) image(lp.mean.grid) image(lp.97.5.grid) Abraço -- *Wagner Wolff, **PhD* "*Luiz de Queiroz**" College of Agriculture,* University of São Paulo Pádua Dias avenue11 | 13418-900| Piracicaba-SP| Brazil Phone: +55 19 982385582 <+55%2019%2098238-5582> http://orcid.org/0000-0003-3426-308X https://github.com/wwolff7 http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4463141A1

2 3

Análise de variância ponderada
by Maurício Sangiogo 10 Mai '17

10 Mai '17

Bom dia pessoal, Preciso de uma ajuda de vocês em relação a regressão ponderada, para análises de dados com heterocedasticidade. Para fins didáticos, gostaria de entender como determino os "pesos" ("weights") no R. Alguém de vocês teria algum material voltado ao R ou algum script? Desde já muito obrigado! .................. Eng. Agr. Maurício Sangiogo TEL:(55) 96822030

2 1

Dificuldade no ajuste do modelo Weibull no pacote VGAM
by Gilenio Borges Fernandes 09 Mai '17

09 Mai '17

Prezad@s Estou interessado (iniciante no tema) no uso dos modelos lineares generalizados aditivos (GAM, pacote VGAM do R), como uma opção para análise de dados de sobrevivência não censurados. O objetivo é avaliar o efeito de ano, renda per capita e escolaridade na expectativa de vida. Estou enviando no CMR os fit´s 1 e 2 (ajuda das funções weibull.mean e weibullR), mas, meu interesse e dificuldade é entender e obter uma interpretação prática para os dois interceptos no fit3a e fit3b. Já li sobre GAM, mas não entendi o problema dos dois interceptos. O CMR do problema está disponível em https://www.dropbox.com/s/czk0gbdxz5v9q2e/ExpVida-Weibull.txt?dl=0 No fit3a há um problema de convergência, mas, no banco de dados completo ele desaparece. Na verdade, minha dificuldade maior é nos GAM´s, mas, ainda assim, alguma ajuda ou sugestão de referência bibliográfica sobre o assunto? Talvez os links seguintes possam ser úteis para as funções weibull.mean e weibullR, usadas no CMR https://www.rdocumentation.org/packages/VGAM/versions/1.0-3/topics/weibull.… https://www.rdocumentation.org/packages/VGAM/versions/1.0-3/topics/weibullR Desde já agradeço Gilênio Borges Fernandes Professor Associado IV (Aposentado) Professor Adjunto A (Substituto - 2015 a 2017) Universidade Federal da Bahia Instituto de Matemática e Estatística Departamento de Estatística Av. Adhemar de Barros, s/n – Ondina. 40.170-110 - Salvador - BA, Brasil Tel.: (071)3283-6340/6341/6337 Fax: (071)3283-6336 Skype: gilenio.fernandes Lattes: http://lattes.cnpq.br/6764860618464860

1 0

R studio não está exportando gráfico.
by Sergio Pinto 09 Mai '17

09 Mai '17

Prezados Tenho um computador 64 bits com o sistema operacioanl UBUNTU 16.04 LTS. As versões de R e RStudio instaladas estão descritas abaixo. R version 3.4.0 (2017-04-21) -- "You Stupid Darkness" RStudio Version 1.0.136 Tudo funciona muito bem exceto a exportação de gráficos. Quando eu escrevo um comando para gerar gráficos a imagem aparece em uma janela independente. Até esse ponto tudo ok o problema é que eu não consigo exportar ou salvar este gráfico. Seria algum problema de configuração (do R, ou do RStudio ou do próprio sistema operacional) ? No windows a coisa funciona perfeitamente, e no ubuntu que tenho em outro computador também funciona as mil maravilhas. É possivel resolver? Qualquer ajuda será bem vinda. Atenciosamente Sergio Medeiros Pinto Mestre em Ciência da Motricidade Humana

3 3