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