Prezados membros da lista, Alguns dias postei um código não reproduzível sobre modelos para heterocedásticidade. Peço desculpas e abaixo vai o código que imagino ser possível reproduzir. Os dois principais problemas eram a instalação do pacote mcglm e o conjunto de dados. O pacote pode ser instalado facilmente pelo github repository neste endereço https://github.com/wbonat/mcglm install_github("wbonat/mcglm", ref = "devel") # Saliento para instalar a versão devel !! O conjunto de dados está anexado neste e-mail. Além disso, o Luiz Leal estava com problemas pra ter acesso e pediu o .tar.gz que também vai em anexo. Aproveito para salientar que o mcglm está em desenvolvimento, assim quaisquer dúvidas, criticas e/ou sugestões serão muito bem vindas. All the best! # Heteroscedastic regression model ------------------------------------- # Author: Wagner Hugo Bonat LEG/UFPR ----------------------------------- # Date: 13/11/2016 ----------------------------------------------------- # Loading extra packages install.packages("devtools") require(devtools) # Install mcglm package from github repository ------------------------- install_github("wbonat/mcglm", ref = "devel") require(mcglm) # Loading data set 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))) dados <- data.frame("Fenois" = Fenois, "Cor" = Cor) boxplot(dados$Fenois ~ dados$Cor) tapply(dados$Fenois, dados$Cor, sd) # Linear regression model- --------------------------------------------- fit1 <- lm(Fenois ~ Cor, data = dados) anova(fit1) plot(residuals(fit1) ~ fitted(fit1)) plot(residuals(fit1) ~ Cor) # Double Linear regression model --------------------------------------- dados$id <- 1 fit2 <- mcglm(c(Fenois ~ Cor), list(mc_dglm(~ Cor, id = "id", data = dados)), covariance = "expm", data = dados) summary(fit2) summary(fit1) summary(fit2) cbind(coef(fit1), coef(fit2, type = "beta")$Estimates) cbind(sqrt(diag(vcov(fit1))), coef(fit2, type = "beta", std.error = TRUE)$Std.error) # Example 2 ------------------------------------------------------------ dados2 <- read.table("HETE.csv", header = TRUE, sep = ";", dec = ",") with(dados2, boxplot(y ~ x)) # Note that, the A33 has no variance, so we need to remove this level. dados2 <- dados2[which(dados2$x != "A33"),] dados2$x <- droplevels(dados2$x) tapply(dados2$y, dados2$x, sd) # Linear regression model ---------------------------------------------- fit_lm <- lm(y ~ x, data = dados2) summary(fit_lm) plot(residuals(fit_lm) ~ fitted(fit_lm)) plot(residuals(fit_lm) ~ dados2$x) # Double linear regression model --------------------------------------- dados2$id <- 1 fit_dlm <- mcglm(c(y ~ x), list(mc_dglm(~ x, id = "id", data = dados2)), covariance = "expm", data = dados2) summary(fit_dlm) # Comparing estimates and standard errors ------------------------------ cbind(coef(fit_lm), coef(fit_dlm, type = "beta")$Estimates) cbind(sqrt(diag(vcov(fit_lm))), coef(fit_dlm, type = "beta", std.error = TRUE)$Std.error) Em 11 de novembro de 2016 17:01, Luiz Leal <richfield1974@yahoo.com> escreveu:
Prezado Wagner, uso o R no trabalho e devido a restrições técnicas só consigo instalar pacotes a partir do zip. Poderia me mandar o zip deste pacote? Att Luiz
On Friday, November 4, 2016 5:05 PM, Wagner Bonat <wbonat@gmail.com> wrote:
Sim, vc pode usar qualquer dos testes padrões. A única diferença é que vc deve usar os beta e erros padrões que vem deste modelo. Não sei se vc pode incluir sua própria matriz de covariancia nas funções do R. Talvez, sim. Se não tem que implementar. O Walmes é muito bom nestes testes de comparações múltiplas talvez ele possa ajudar.
O que houve q não conseguiu instalar o pacote? Tentou pelo github ou do CRAN?
https://cran.r-project.org/web/packages/mcglm/index.html https://github.com/wbonat/mcglm
Em 4 de novembro de 2016 19:46, Luiz Leal <richfield1974@yahoo.com> escreveu:
Wagner, meu interesse é, uma vez identificado que existe diferença entre os tratamentos (considerando que um deles é o controle) utilizar o teste de Dunnett para verificar quais tratamentos diferem do tratamento controle. Como o pressuposto de homogeneidade das variâncias é violado busquei alternativas para "homogeneizar" as variâncias. Posso aplicar esse teste a partir do modelo acima descrito? Desde já agradeço Luiz PS. Não consegui instalar o pacote
On Friday, November 4, 2016 4:13 PM, Wagner Bonat via R-br < r-br@listas.c3sl.ufpr.br> wrote:
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)
______________________________ _________________ R-br mailing list R-br@listas.c3sl.ufpr.br https://listas.inf.ufpr.br/ cgi-bin/mailman/listinfo/r-br <https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br> Leia o guia de postagem (http://www.leg.ufpr.br/r-br- guia <http://www.leg.ufpr.br/r-br-guia>) e forne� c�igo m�imo reproduz�el.
-- 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)
-- 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)
Muito obrigado On Sunday, November 13, 2016 3:40 PM, Wagner Bonat <wbonat@gmail.com> wrote: Prezados membros da lista, Alguns dias postei um código não reproduzível sobre modelos para heterocedásticidade. Peço desculpas e abaixo vai o código que imagino ser possível reproduzir. Os dois principais problemas eram a instalação do pacote mcglm e o conjunto de dados. O pacote pode ser instalado facilmente pelo github repository neste endereço https://github.com/wbonat/mcglm install_github("wbonat/mcglm", ref = "devel") # Saliento para instalar a versão devel !! O conjunto de dados está anexado neste e-mail. Além disso, o Luiz Leal estava com problemas pra ter acesso e pediu o .tar.gz que também vai em anexo. Aproveito para salientar que o mcglm está em desenvolvimento, assim quaisquer dúvidas, criticas e/ou sugestões serão muito bem vindas. All the best! # Heteroscedastic regression model ------------------------------------- # Author: Wagner Hugo Bonat LEG/UFPR ----------------------------------- # Date: 13/11/2016 ----------------------------------------------------- # Loading extra packages install.packages("devtools") require(devtools) # Install mcglm package from github repository ------------------------- install_github("wbonat/mcglm", ref = "devel") require(mcglm) # Loading data set 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))) dados <- data.frame("Fenois" = Fenois, "Cor" = Cor) boxplot(dados$Fenois ~ dados$Cor) tapply(dados$Fenois, dados$Cor, sd) # Linear regression model- --------------------------------------------- fit1 <- lm(Fenois ~ Cor, data = dados) anova(fit1) plot(residuals(fit1) ~ fitted(fit1)) plot(residuals(fit1) ~ Cor) # Double Linear regression model --------------------------------------- dados$id <- 1 fit2 <- mcglm(c(Fenois ~ Cor), list(mc_dglm(~ Cor, id = "id", data = dados)), covariance = "expm", data = dados) summary(fit2) summary(fit1) summary(fit2) cbind(coef(fit1), coef(fit2, type = "beta")$Estimates) cbind(sqrt(diag(vcov(fit1))), coef(fit2, type = "beta", std.error = TRUE)$Std.error) # Example 2 ------------------------------------------------------------ dados2 <- read.table("HETE.csv", header = TRUE, sep = ";", dec = ",") with(dados2, boxplot(y ~ x)) # Note that, the A33 has no variance, so we need to remove this level. dados2 <- dados2[which(dados2$x != "A33"),] dados2$x <- droplevels(dados2$x) tapply(dados2$y, dados2$x, sd) # Linear regression model ---------------------------------------------- fit_lm <- lm(y ~ x, data = dados2) summary(fit_lm) plot(residuals(fit_lm) ~ fitted(fit_lm)) plot(residuals(fit_lm) ~ dados2$x) # Double linear regression model --------------------------------------- dados2$id <- 1 fit_dlm <- mcglm(c(y ~ x), list(mc_dglm(~ x, id = "id", data = dados2)), covariance = "expm", data = dados2) summary(fit_dlm) # Comparing estimates and standard errors ------------------------------ cbind(coef(fit_lm), coef(fit_dlm, type = "beta")$Estimates) cbind(sqrt(diag(vcov(fit_lm))), coef(fit_dlm, type = "beta", std.error = TRUE)$Std.error) Em 11 de novembro de 2016 17:01, Luiz Leal <richfield1974@yahoo.com> escreveu: Prezado Wagner, uso o R no trabalho e devido a restrições técnicas só consigo instalar pacotes a partir do zip. Poderia me mandar o zip deste pacote?AttLuiz On Friday, November 4, 2016 5:05 PM, Wagner Bonat <wbonat@gmail.com> wrote: Sim, vc pode usar qualquer dos testes padrões. A única diferença é que vc deve usar os beta e erros padrões que vem deste modelo. Não sei se vc pode incluir sua própria matriz de covariancia nas funções do R. Talvez, sim. Se não tem que implementar. O Walmes é muito bom nestes testes de comparações múltiplas talvez ele possa ajudar. O que houve q não conseguiu instalar o pacote? Tentou pelo github ou do CRAN? https://cran.r-project.org/ web/packages/mcglm/index.html https://github.com/wbonat/ mcglm Em 4 de novembro de 2016 19:46, Luiz Leal <richfield1974@yahoo.com> escreveu: Wagner, meu interesse é, uma vez identificado que existe diferença entre os tratamentos (considerando que um deles é o controle) utilizar o teste de Dunnett para verificar quais tratamentos diferem do tratamento controle. Como o pressuposto de homogeneidade das variâncias é violado busquei alternativas para "homogeneizar" as variâncias. Posso aplicar esse teste a partir do modelo acima descrito?Desde já agradeçoLuizPS. Não consegui instalar o pacote On Friday, November 4, 2016 4:13 PM, Wagner Bonat via R-br <r-br@listas.c3sl.ufpr.br> wrote: 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) ______________________________ _________________ R-br mailing list R-br@listas.c3sl.ufpr.br https://listas.inf.ufpr.br/ cgi-bin/mailman/listinfo/r-br Leia o guia de postagem (http://www.leg.ufpr.br/r-br- guia) e forne� c�igo m�imo reproduz�el. -- 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) -- 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)
Muito obrigado a todos:) On Monday, November 14, 2016 10:06 AM, Luiz Leal <richfield1974@yahoo.com> wrote: Muito obrigado On Sunday, November 13, 2016 3:40 PM, Wagner Bonat <wbonat@gmail.com> wrote: Prezados membros da lista, Alguns dias postei um código não reproduzível sobre modelos para heterocedásticidade. Peço desculpas e abaixo vai o código que imagino ser possível reproduzir. Os dois principais problemas eram a instalação do pacote mcglm e o conjunto de dados. O pacote pode ser instalado facilmente pelo github repository neste endereço https://github.com/wbonat/mcglm install_github("wbonat/mcglm", ref = "devel") # Saliento para instalar a versão devel !! O conjunto de dados está anexado neste e-mail. Além disso, o Luiz Leal estava com problemas pra ter acesso e pediu o .tar.gz que também vai em anexo. Aproveito para salientar que o mcglm está em desenvolvimento, assim quaisquer dúvidas, criticas e/ou sugestões serão muito bem vindas. All the best! # Heteroscedastic regression model ------------------------------------- # Author: Wagner Hugo Bonat LEG/UFPR ----------------------------------- # Date: 13/11/2016 ----------------------------------------------------- # Loading extra packages install.packages("devtools") require(devtools) # Install mcglm package from github repository ------------------------- install_github("wbonat/mcglm", ref = "devel") require(mcglm) # Loading data set 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))) dados <- data.frame("Fenois" = Fenois, "Cor" = Cor) boxplot(dados$Fenois ~ dados$Cor) tapply(dados$Fenois, dados$Cor, sd) # Linear regression model- --------------------------------------------- fit1 <- lm(Fenois ~ Cor, data = dados) anova(fit1) plot(residuals(fit1) ~ fitted(fit1)) plot(residuals(fit1) ~ Cor) # Double Linear regression model --------------------------------------- dados$id <- 1 fit2 <- mcglm(c(Fenois ~ Cor), list(mc_dglm(~ Cor, id = "id", data = dados)), covariance = "expm", data = dados) summary(fit2) summary(fit1) summary(fit2) cbind(coef(fit1), coef(fit2, type = "beta")$Estimates) cbind(sqrt(diag(vcov(fit1))), coef(fit2, type = "beta", std.error = TRUE)$Std.error) # Example 2 ------------------------------------------------------------ dados2 <- read.table("HETE.csv", header = TRUE, sep = ";", dec = ",") with(dados2, boxplot(y ~ x)) # Note that, the A33 has no variance, so we need to remove this level. dados2 <- dados2[which(dados2$x != "A33"),] dados2$x <- droplevels(dados2$x) tapply(dados2$y, dados2$x, sd) # Linear regression model ---------------------------------------------- fit_lm <- lm(y ~ x, data = dados2) summary(fit_lm) plot(residuals(fit_lm) ~ fitted(fit_lm)) plot(residuals(fit_lm) ~ dados2$x) # Double linear regression model --------------------------------------- dados2$id <- 1 fit_dlm <- mcglm(c(y ~ x), list(mc_dglm(~ x, id = "id", data = dados2)), covariance = "expm", data = dados2) summary(fit_dlm) # Comparing estimates and standard errors ------------------------------ cbind(coef(fit_lm), coef(fit_dlm, type = "beta")$Estimates) cbind(sqrt(diag(vcov(fit_lm))), coef(fit_dlm, type = "beta", std.error = TRUE)$Std.error) Em 11 de novembro de 2016 17:01, Luiz Leal <richfield1974@yahoo.com> escreveu: Prezado Wagner, uso o R no trabalho e devido a restrições técnicas só consigo instalar pacotes a partir do zip. Poderia me mandar o zip deste pacote?AttLuiz On Friday, November 4, 2016 5:05 PM, Wagner Bonat <wbonat@gmail.com> wrote: Sim, vc pode usar qualquer dos testes padrões. A única diferença é que vc deve usar os beta e erros padrões que vem deste modelo. Não sei se vc pode incluir sua própria matriz de covariancia nas funções do R. Talvez, sim. Se não tem que implementar. O Walmes é muito bom nestes testes de comparações múltiplas talvez ele possa ajudar. O que houve q não conseguiu instalar o pacote? Tentou pelo github ou do CRAN? https://cran.r-project.org/ web/packages/mcglm/index.html https://github.com/wbonat/ mcglm Em 4 de novembro de 2016 19:46, Luiz Leal <richfield1974@yahoo.com> escreveu: Wagner, meu interesse é, uma vez identificado que existe diferença entre os tratamentos (considerando que um deles é o controle) utilizar o teste de Dunnett para verificar quais tratamentos diferem do tratamento controle. Como o pressuposto de homogeneidade das variâncias é violado busquei alternativas para "homogeneizar" as variâncias. Posso aplicar esse teste a partir do modelo acima descrito?Desde já agradeçoLuizPS. Não consegui instalar o pacote On Friday, November 4, 2016 4:13 PM, Wagner Bonat via R-br <r-br@listas.c3sl.ufpr.br> wrote: 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) ______________________________ _________________ R-br mailing list R-br@listas.c3sl.ufpr.br https://listas.inf.ufpr.br/ cgi-bin/mailman/listinfo/r-br Leia o guia de postagem (http://www.leg.ufpr.br/r-br- guia) e forne� c�igo m�imo reproduz�el. -- 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) -- 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)
participantes (2)
-
Luiz Leal -
Wagner Bonat