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.
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>