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)