Senhores, boa tarde! Ao utilizar a geoR temos a possibilidade de ajustes de modelos para variogramas por variofit() e likfit(). Eu costumava usar Grau de Dependência Espacial (GDE) e somatório de erro como critérios para seleção de modelos ajustados por variofit() e principalmente Akaike Information Citerion (AIC) para modelos ajustados por likfit(). Todavia, recentemente estudando a função loglik.GRF(), vi que é possível calcular um valor log-likelihood para modelos ajustados por variofit(). Minha dúvida é se faz sentido empregar esse valor no cálculo de um AIC para modelos ajustados por variofit(), uma vez que não encontrei embasamento na literatura. Uma segunda dúvida é no número de parâmetros utilizados no cálculo do AIC. Observei que para obter um valor igual a o cálculado pela geoR devo considerar um parâmetro a mais do que vinha considerando ("tausq", "sigmasq" e "phi"). Poderia considerar o erro a ser estimado como um quarto parâmetro do modelo? Agradeço qualquer ajuda... Segue o CMR para apoiar a análise (modificado do help da função)... ### <code r> require(geoR) # ?loglik.GRF ## Computing the likelihood of a variogram fitted model s100.v <- variog(s100, max.dist=1); plot(s100.v) s100.vf1 <- variofit(s100.v, ini=c(1,.5), weights="equal", cov="exp"); s100.vf1 # variofit: model parameters estimated by OLS (ordinary least squares): # covariance model is: exponential # parameter estimates: # tausq sigmasq phi # 0.1540 1.1505 0.6621 # Practical Range with cor=0.05 for asymptotic range: 1.983401 # # variofit: minimised sum of squares = 0.0801 s100.vf2 <- variofit(s100.v, ini=c(1,.5), weights="equal", cov="sph"); s100.vf2 # variofit: model parameters estimated by OLS (ordinary least squares): # covariance model is: spherical # parameter estimates: # tausq sigmasq phi # 0.1841 0.8179 0.9487 # Practical Range with cor=0.05 for asymptotic range: 0.9486608 # # variofit: minimised sum of squares = 0.0727 plot(s100.v) lines.variomodel(s100.vf1, col=2) lines.variomodel(s100.vf2, col=3) lk1 <- loglik.GRF(s100, obj=s100.vf1); lk1 lk2 <- loglik.GRF(s100, obj=s100.vf2); lk2 # ?AIC # AIC = -2*log-likelihood + k*npar # log-like: maximized value of the likelihood function for the estimated model # parameters <- c("tausq", "sigmasq", "phi") + erro? # npar=3 npar=4 k=2 # for usual AIC aic1 <- -2*lk1+k*npar; aic1 aic2 <- -2*lk2+k*npar; aic2 ### </code> Éder Comunello <c <comunello.eder@gmail.com>omunello.eder@gmail.com> Dourados, MS - [22 16.5'S, 54 49'W]