Boa tarde! Prezados, estou tentando ajustar o número de filhos/mulheres para 4 municípios a partir do modelo de poisson e ZIP. 1) Tentei colocar no modelo o número de filhos/mulheres (Y), mas o resultado foi: Error: não é possível encontrar valores iniciais válidos: especifique alguns Não sei se isso está relacionado com o fato desse vetor ter como respostas NaN e Inf. ou pq o Y seja mesmo o C (número de filhos). 2) E para plotar o gráfico de linhas com o número de filhos/mulheres já ajustado pelo modelo o comando (inicialmente) seria plot(F$Idade, (modelo.z$fitted.values)) ? 3) e qual comando posso usar para ter um gráfico para cada município? C= número de filhos segundo a idade simples da mulher M = número de mulheres por idade simples Idade = as idades simples das mulheres. ###saída GLM Call: glm(formula = C ~ M + Idade, family = poisson(), data = F) Deviance Residuals: Min 1Q Median 3Q Max -7.3875 -2.6026 -2.3316 0.9828 9.5008 Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 1.2374245 0.1272825 9.722 <2e-16 *** M 0.0051281 0.0002939 17.451 <2e-16 *** Idade -0.0073104 0.0035070 -2.084 0.0371 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for poisson family taken to be 1) Null deviance: 2080.1 on 163 degrees of freedom Residual deviance: 1675.9 on 161 degrees of freedom AIC: 1941.2 Number of Fisher Scoring iterations: 6 ##Saída ZIP Call: zeroinfl(formula = C ~ M + Idade, data = F, dist = "poisson") Pearson residuals: Min 1Q Median 3Q Max -2.1522 -0.6622 -0.5179 0.4001 3.8106 Count model coefficients (poisson with log link): Estimate Std. Error z value Pr(>|z|) (Intercept) 2.1878890 0.1359308 16.096 <2e-16 *** M 0.0035164 0.0003052 11.521 <2e-16 *** Idade -0.0026143 0.0040649 -0.643 0.52 Zero-inflation model coefficients (binomial with logit link): Estimate Std. Error z value Pr(>|z|) (Intercept) 0.277153 0.538864 0.514 0.60702 M -0.005364 0.001954 -2.745 0.00605 ** Idade 0.022874 0.015151 1.510 0.13111 --- Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Number of iterations in BFGS optimization: 14 Log-likelihood: -389.5 on 6 Df Desde já agradeço! Anna Cruz.