- R-br - DINF UFPR

sobre abóboras
by Antonio Silva 09 Nov '16

09 Nov '16

Olá Hoje atializei o R. A nova versão é a Sincere Pumpkin Patch Vem de um diálogo entre o Linus e a Sally Brown. Outras versões anteriores também faziam referência às tirinhas do Snoopy e do Charlie Brown (não sei quando começou) Linus: He'll come here because I have the most *sincere pumpkin patch* and he respects sincerity. Sally Brown: Do you really think he will come? Linus: Tonight the Great Pumpkin will rise out of the pumpkin patch. He flies through the air and brings toys to all the children of the world. Sally Brown: That's a good story. Linus: You don't believe the story of the Great Pumpkin? I thought little girls always believed everything that was told to them. I thought little girls were innocent and trusting. Sally Brown: Welcome to the 20th century! Procurei na rede algo sobre o motivo desta homenagem, mas não achei. Alguém sabe algo sobre? Obrigado -- Antônio Olinto

2 1

Re: [R-br] Heterocedasticidade e teste de média
by Luiz Henrique Leal 09 Nov '16

09 Nov '16

Prezado César, toda ajuda é bem vinda pois estou com muita dificuldade em modelar esses dados por causa das violações. Endereçei aos outros colegas porque eles deram sugestões. O tratamento 0 é o controle e quero compará-lo com os outros tratamentos l. E ainda tem o problema da heteroscedasticidade. Todos os dados que trabalho tem essa característica. Abs Luiz Conectado pela Motorola Cesar Rabak <cesar.rabak(a)gmail.com> escreveu: >Luiz, > > >Malgrado você tenha endereçado a pergunta, dou meu "pitaco" enquanto os outros colegas não se manifestam. > > >Todas as regressões necessitam que em última análise os erros aleatórios possam ser modelados por um processo cuja melhor representação é a distribuição gaussiana com média zero e alguma dispersão em torno desse zero (que gera o "ruído" nas respostas versus a modelagem matemática da regressão). > > >A grande contribuição dos modelos generalizados é identificação de diversas funções de ligação que permitem modelar processos com respostas diferentes da média pura (ligação == identidade) de tal forma que quando você analisa os resíduos eles "ficam" normais (gaussianos). > > >No script que você enviou em anexo ao e-mail, você está aplicando testes com a suposição ("modelagem") de um processo que deveria ter uma relação "linear" entre x e y. > > >Ora, você tem três amostras para todos os grupos "x" com exceção do grupo "0" que tem 14 casos, como você espera obter alguma coisa razoável em relação aos resíduos? > > >Uma análise exploratória dos seus dados mostra algo interessante, veja no seu ambiente: > > >> library(gplots) > >> plotmeans(y ~ x, data=dados) > > >Uma outra instrutiva visualização dos seus dados é a seguinte: > > >> dotchart(dados$y, groups=dados$x) > > >HTH > >-- > >Cesar Rabak > > > >2016-11-08 11:11 GMT-02:00 Luiz Leal via R-br <r-br(a)listas.c3sl.ufpr.br>: > >Prezados Walmes e Wagner > >Costumo trabalhar com conjuntos de dados em que todos os pressupostos são violados (os dados e os resíduos desviam muito da normalidade além de heterocedasticidade que conforme o Walmes mencionou a solução transformação Box-Cox não resolve). Além disso não posso excluir ou agrupar os tratamentos porque os mesmos representam resultados (medições) de laboratórios. Preciso compará-los com um tratamento (laboratório) considerado de "referência". > >O modelo gls() é capaz de abarcar esses problemas? > >Desde já agradeço > >Luiz > > > >On Monday, November 7, 2016 10:34 PM, Mauro Sznelwar via R-br <r-br(a)listas.c3sl.ufpr.br> wrote: > > > >Ele não reconhece estes comandos 'mcglm','gof', tem alguma bibliotéca para isto? > > > >Caros, > > >Alguém postou esse conjunto de dados com problema de pressupostos, principalmente heterocedasticidade. Agora a pouco veio outro e-mail com um problema similar. Fiz um exemplo um pouco mais detalhado de como isso pode > >ser facilmente resolvido e mostrando o efeito disso no modelo. > ># Example 2 ------------------------------------------------------------ >Fenois = c(337.311, 344.874, 342.353, 325.546, 333.950, 330.588, 328.067, > 328.067, 318.824, 331.429, 333.950, 334.790, 336.471, 338.151, > 342.353, 259.160, 252.437, 268.403, 265.882, 266.723, 287.731, > 88.571, 88.571, 90.252, 41.513, 52.437, 49.076, 88.571, > 88.571, 90.252, 64.202, 60.000, 61.681) >Cor = factor(c(rep("ambar",6), rep("ambar_claro",3), rep("ambar",6), > rep("ambar_claro",6),rep("branco",6), > rep("extra_ambar_claro",3),rep("branco",3))) > ># Exploratory analysis >boxplot(Fenois ~ Cor) >tapply(Fenois, Cor, sd) >dados <- data.frame(Fenois, Cor) >dados$id <- 1 > ># Fitting >fit1 <- mcglm(c(Fenois ~ Cor), list(mc_id(dados)), data = dados) >fit2 <- mcglm(c(Fenois ~ Cor), list(mc_dglm(~ Cor, id = "id", data = dados)), > covariance = "expm", data = dados) ># Goodness-of-fit >gof(fit1) >gof(fit2) > ># Comparing estimates and standard errors >coef(fit1, type = "beta", std.error = TRUE) >coef(fit2, type = "beta", std.error = TRUE) > >O interessante é que a estimativa pontual é exatamente a mesma, porém >olha a enorme diferença nos erros padrões dos betas. > > >-- > >Wagner Hugo Bonat >---------------------------------------------------------------------------------------------- >Department of Mathematics and Computer Science (IMADA) >University of Southern Denmark (SDU) and >Laboratório de Estatística e Geoinformação (LEG) >Universidade Federal do Paraná (UFPR) > >_______________________________________________ > > >_______________________________________________ >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 forne� c�igo m�imo reproduz�el. > > > > >_______________________________________________ >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. > >

1 0

Re: [R-br] Heterocedasticidade e teste de média
by sznelwar＠uol.com.br 08 Nov '16

08 Nov '16

3 2

Re: [R-br] Regressão linear - Excluindo outliers
by sznelwar＠uol.com.br 07 Nov '16

07 Nov '16

2 1

Re: [R-br] heterocedasticidade
by sznelwar＠uol.com.br 07 Nov '16

07 Nov '16

1 0

Re: [R-br] Heterocedasticidade e teste de média
by sznelwar＠uol.com.br 05 Nov '16

05 Nov '16

2 1

Heterocedasticidade e teste de média
by Wagner Bonat 04 Nov '16

04 Nov '16

Caros, Alguém postou esse conjunto de dados com problema de pressupostos, principalmente heterocedasticidade. Agora a pouco veio outro e-mail com um problema similar. Fiz um exemplo um pouco mais detalhado de como isso pode ser facilmente resolvido e mostrando o efeito disso no modelo. # Example 2 ------------------------------------------------------------ Fenois = c(337.311, 344.874, 342.353, 325.546, 333.950, 330.588, 328.067, 328.067, 318.824, 331.429, 333.950, 334.790, 336.471, 338.151, 342.353, 259.160, 252.437, 268.403, 265.882, 266.723, 287.731, 88.571, 88.571, 90.252, 41.513, 52.437, 49.076, 88.571, 88.571, 90.252, 64.202, 60.000, 61.681) Cor = factor(c(rep("ambar",6), rep("ambar_claro",3), rep("ambar",6), rep("ambar_claro",6),rep("branco",6), rep("extra_ambar_claro",3),rep("branco",3))) # Exploratory analysis boxplot(Fenois ~ Cor) tapply(Fenois, Cor, sd) dados <- data.frame(Fenois, Cor) dados$id <- 1 # Fitting fit1 <- mcglm(c(Fenois ~ Cor), list(mc_id(dados)), data = dados) fit2 <- mcglm(c(Fenois ~ Cor), list(mc_dglm(~ Cor, id = "id", data = dados)), covariance = "expm", data = dados) # Goodness-of-fit gof(fit1) gof(fit2) # Comparing estimates and standard errors coef(fit1, type = "beta", std.error = TRUE) coef(fit2, type = "beta", std.error = TRUE) O interessante é que a estimativa pontual é exatamente a mesma, porém olha a enorme diferença nos erros padrões dos betas. -- Wagner Hugo Bonat ---------------------------------------------------------------------------------------------- Department of Mathematics and Computer Science (IMADA) University of Southern Denmark (SDU) and Laboratório de Estatística e Geoinformação (LEG) Universidade Federal do Paraná (UFPR)

3 2

heterocedasticidade
by Luiz Leal 04 Nov '16

04 Nov '16

PrezadosNos casos em que a transformação box-cox não é capaz remover a heterocedasticidade há alguma outra solução? Eu utilizei a sugestão do Leg/ UFPR nos meus dados, mas não funcionou.(exemplo: <http://www.leg.ufpr.br/Rpira/Rpira/node17.html>) Segue em anexo o script e os dados. Desde já agradeço Luiz

2 2

Sorteios aleatórios de um cadastro (AAS ou amostra estratificada)
by Andre Oliveira 02 Nov '16

02 Nov '16

Bom dia, estou buscando informações de como realizar sorteios aleatórios de um cadastro (AAS ou amostra estratificada) com objetivo de inferir para média ou para a proporção. Alguma dica de pacote para tal trabalho? obg André Oliveira Souza. Graduação em Matemática, mestrado em estatística aplicada.Instituto Federal de Educação, Ciência e Tecnologia do Espirito Santo. IFES

4 4

mutate vs within
by Leonard Mendonça de Assis 02 Nov '16

02 Nov '16

Boa tarde a todos Surgiu uma dúvida conceitual aqui: Eu tenho um data.frame que precisa unir com vários outros, além de fazer várias transformações. Estou utilizando a seguinte sequencia para fazer tudo bhz.data <- read_csv2( "Belo Horizonte 20161027.csv", col_types=colunas) %>% filter(Filtro == 1 & Filtro.Votar==1) %>% select(-Filtro, -Filtro.Votar) %>% left_join(label.Sexo,by=c("Sexo"="value")) %>% select(-Sexo) %>% left_join(label.Faixa.Idade, by=c("Faixa.Idade"="value")) %>% select(-Faixa.Idade) %>% left_join(label.Renda, by=c("Renda"="value")) %>% select(-Renda) %>% left_join(label.classe, by=c("Renda.Classe"="value")) %>% select(-Renda.Classe) %>% left_join(label.Escolaridade, by=c("Escolaridade"="value")) %>% select(-Escolaridade) %>% left_join(label.Etinia, by=c('Etinia'="value")) %>% select(-Etinia) %>% left_join(label.Religião, by=c("Religião"="value")) %>% select(-Religião) %>% left_join(label.Trabalha, by=c("Trabalha"="value")) %>% select(-Trabalha) %>% mutate(Area.1 = ifelse(is.na(Area.1),0,Area.1), Area.2 = ifelse(is.na(Area.2),0,Area.2), Area.3 = ifelse(is.na(Area.3),0,Area.3)) %>% mutate(area.Educação = ifelse(Area.1 == 1,1,0) + ifelse(Area.2 == 1,1,0) + ifelse(Area.3 == 1,1,0), area.Habitação = ifelse(Area.1 == 2,1,0) + ifelse(Area.2 == 2,1,0) + ifelse(Area.3 == 2,1,0), area.Limpeza = ifelse(Area.1 == 3,1,0) + ifelse(Area.2 == 3,1,0) + ifelse(Area.3 == 3,1,0), area.Obras.Mobilidade = ifelse(Area.1 == 4,1,0) + ifelse(Area.2 == 4,1,0) + ifelse(Area.3 == 4,1,0), area.Obras.Pavimentação = ifelse(Area.1 == 5,1,0) + ifelse(Area.2 == 5,1,0) + ifelse(Area.3 == 5,1,0), area.Saneamento = ifelse(Area.1 == 6,1,0) + ifelse(Area.2 == 6,1,0) + ifelse(Area.3 == 6,1,0), area.Saúde = ifelse(Area.1 == 7,1,0) + ifelse(Area.2 == 7,1,0) + ifelse(Area.3 == 7,1,0), area.Transpoorte = ifelse(Area.1 == 8,1,0) + ifelse(Area.2 == 8,1,0) + ifelse(Area.3 == 8,1,0), area.Conservação = ifelse(Area.1 == 9,1,0) + ifelse(Area.2 == 9,1,0) + ifelse(Area.3 == 9,1,0), area.Acessibilidade = ifelse(Area.1 == 10,1,0) + ifelse(Area.2 == 10,1,0) + ifelse(Area.3 == 10,1,0), area.Combate.Mosquito = ifelse(Area.1 == 11,1,0) + ifelse(Area.2 == 11,1,0) + ifelse(Area.3 == 11,1,0), area.MeioAmbiente = ifelse(Area.1 == 12,1,0) + ifelse(Area.2 == 12,1,0) + ifelse(Area.3 == 12,1,0), area.Social = ifelse(Area.1 == 13,1,0) + ifelse(Area.2 == 13,1,0) + ifelse(Area.3 == 13,1,0), area.Esporte.Lazer = ifelse(Area.1 == 14,1,0) + ifelse(Area.2 == 14,1,0) + ifelse(Area.3 == 14,1,0), area.Geração.Empregos = ifelse(Area.1 == 15,1,0) + ifelse(Area.2 == 15,1,0) + ifelse(Area.3 == 15,1,0)) %>% select(-Area.1, -Area.2, -Area.3) A questão é a seguinte: No caso da variável área, que é recodificada de 3 para 15 variáveis, quando eu substituo esta sequencia enorme de mutate por um within, as variáveis ficam em uma ordem diferente da que eu preciso. A questão é: como deixar o código mais limpo nesta situação, visto que esta alternativa funciona, mas parece ser meio gambiarra? Leonard

3 3