Estou aprendendo a ajustar modelos com distribuição não normal. Tenho lido alguns livros para entender a metodologia, entretanto alguns pontos não estão claro para mim. Acredito que porque minha mente está viciada em modelos normais apenas. Por isso gostaria de uma esclarecimento e se tiverem material que possa indicar ou compartilhar para complementar meu aprendizado Em modelo linear generalizado com distribuição não normal. Como saber se a familia de distribuição escolhida foi correta para os dados. Seria da mesma forma que para dados com distribuição normal (Q-Q plot, testes) --
Prezados, estou usando Sweave e um gráfico de uma Árvore de Decisão que ajustei não aparece. Mensagem de erro de que não encontrou: <<fig=T>>= draw.tree(mod.rpart1) @ ! LaTeX Error: File `tree.luci-004' not found. See the LaTeX manual or LaTeX Companion for explanation. Type H <return> for immediate help. ... l.113 \includegraphics{tree.luci-004} Porém, quando rodo outro arquivo .Rnw com o mesmo preâmbulo mas com chunck com gráfico diferente: <<fig=T>>= x<-rnorm(100) hist(x,prob=T) rug(x) lines(density(x)) @ ! LaTeX Error: File `teste2-001' not found. See the LaTeX manual or LaTeX Companion for explanation. Type H <return> for immediate help. ... l.39 \includegraphics{teste2-001} Mesma mensagem de erro mas o gráfico aparece perfeitamente no arquivo .pdf, o que não ocorre no primeiro caso. O preâmbulo que estou usando é o seguinte: \documentclass[a4paper,12pt]{article} \usepackage[utf8]{inputenc} \usepackage{amsmath} \usepackage{indentfirst} \usepackage{graphicx} \usepackage{color} \usepackage{graphics} \setlength{\parindent}{1.0cm} \addtolength{\topmargin}{-1.5in} \usepackage{Sweave} Se alguém puder me ajudar ficarei muito grato.
Sim. Mudando para outra distribuição você ainda está rodeado de pressupostos (pois de fato não há como viver sem eles), só que agora são outros. Por exemplo, ao assumir uma distribuição Poisson para uma v.a. de contagem tá sendo assumido que a relação média variância é um pra um (média igual variância). Na normal a relação era nula. Ao assumir uma binomial, a relação média variância é p*(1-p). Ainda nesses dois casos, essas distribuições são descritas por um único parâmetro, então um modelo de regressão nesse parâmetro também é um modelo de regressão para dispersão (variância) devido as implícitas relações média-variância. Daí surge a preocupação em avaliar a suposição de equidispersão. Já na distribuição Gama, que tem dois parâmetros, um modelo de regressão em um parâmetro de locação não necessariamente amarra a dispersão (variância), por exemplo, na normal os modelos para média (X\beta) e variância (constante) são separados os desconectados. Mas seja qual for a distribuição considerada, análise de diagnóstico baseada em gráficos já é um procedimento satisfatório. No entanto, entram em cena mais tipos de resíduos, como os de deviance, além de suposições assintóticas, como a de que os resíduos de deviance vão apresentar distribuição normal com o aumento do tamanho da amostra. À disposição. Walmes.
Boa noite Listerios, Como iniciante em analise multivariada, estou tentando trabalhar com analise multivariada (em particular Analise fatorial), para fazer isso usei a função do "factanal" do package 'stats', e também a package 'FactorMineR'. A analise fatorial busca reduzir o numero de variáveis de um banco de dados e através de seus fatores (ou variáveis latentes) construir uma nova base de dados que represente de forma mais significante a variância do banco de dados original, correto?. Segue o resultado utilizando a 'factanal' Call: factanal(x = dad, factors = 15, scores = c("Bartlett"), rotation = "varimax") Uniquenesses: a1 a2 a3 a4 a5 a6 a7 a8 b1 b2 b3 b4 b5 b6 c1 c2 c3 c4 d1 d2 d3 d4 d5 d6 e1 f1 0.005 0.614 0.305 0.239 0.218 0.237 0.657 0.588 0.013 0.120 0.318 0.074 0.279 0.085 0.005 0.005 0.005 0.005 0.005 0.005 0.486 0.749 0.651 0.005 0.214 0.005 f2 f3 f4 g3 h1 h2 i1 i2 i3 i4 i5 i6 i7 0.714 0.554 0.260 0.181 0.605 0.674 0.301 0.005 0.005 0.005 0.005 0.005 0.652 Loadings: Factor1 Factor2 Factor3 Factor4 Factor5 Factor6 Factor7 Factor8 Factor9 Factor10 Factor11 Factor12 Factor13 Factor14 Factor15 a1 0.290 -0.328 0.521 0.251 0.461 0.106 -0.133 0.457 a2 -0.117 -0.162 0.492 0.110 0.271 a3 -0.103 -0.334 0.251 0.107 0.233 0.656 a4 0.258 -0.223 0.161 0.145 0.729 0.116 0.120 -0.131 a5 0.838 -0.102 -0.105 -0.117 a6 -0.192 0.811 0.125 0.111 0.119 a7 -0.138 0.483 0.129 0.201 0.132 a8 -0.151 0.546 0.231 0.105 0.105 b1 0.886 0.387 -0.127 b2 0.196 0.819 -0.170 -0.152 -0.149 0.222 0.179 b3 0.172 0.733 -0.132 -0.203 0.135 b4 0.136 0.889 -0.186 -0.152 -0.128 0.125 b5 0.735 -0.235 -0.191 -0.123 -0.155 -0.170 b6 0.848 -0.246 0.290 -0.131 c1 0.135 0.952 0.241 c2 0.149 0.454 0.582 0.632 0.119 c3 0.304 0.939 c4 0.126 0.982 d1 0.247 0.114 0.840 0.446 d2 0.125 0.960 0.177 d3 0.121 0.685 d4 0.184 0.441 d5 0.392 0.232 0.119 0.287 d6 0.961 0.135 -0.163 e1 -0.469 0.316 0.526 0.272 -0.174 0.116 0.127 0.193 f1 0.961 0.205 f2 0.329 0.199 -0.348 f3 0.387 0.402 0.286 -0.108 0.126 -0.110 f4 0.742 -0.224 0.133 0.112 -0.186 0.107 0.122 -0.124 g3 0.382 -0.200 0.353 0.342 0.558 0.109 0.114 0.208 h1 0.598 0.132 h2 0.188 0.222 -0.153 0.139 0.100 0.184 0.117 -0.109 0.320 i1 0.229 0.297 0.589 -0.357 0.255 i2 -0.318 0.173 0.838 0.112 0.296 0.127 -0.133 0.102 i3 0.120 0.974 -0.115 i4 -0.149 -0.346 0.143 0.774 -0.437 -0.116 0.122 i5 0.171 0.957 0.155 i6 -0.237 -0.154 0.152 0.119 -0.118 0.921 i7 -0.117 -0.195 -0.173 0.290 -0.218 -0.178 0.105 0.116 0.188 0.196 Factor1 Factor2 Factor3 Factor4 Factor5 Factor6 Factor7 Factor8 Factor9 Factor10 Factor11 Factor12 Factor13 Factor14 Factor15 SS loadings 5.193 4.142 2.965 2.298 2.154 2.092 2.020 1.704 1.350 1.209 1.090 0.993 0.948 0.559 0.437 Proportion Var 0.133 0.106 0.076 0.059 0.055 0.054 0.052 0.044 0.035 0.031 0.028 0.025 0.024 0.014 0.011 Cumulative Var 0.133 0.239 0.315 0.374 0.430 0.483 0.535 0.579 0.613 0.644 0.672 0.698 0.722 0.736 0.747 Test of the hypothesis that 15 factors are sufficient. The chi square statistic is 1330.5 on 261 degrees of freedom. The p-value is 1.01e-142 Com isso vem os questionamentos, que são: 1) a variância acumulada foi próximo ao 75%, considerada boa na literatura sobre o tema, além do Chi-square de 1330.5 e um valor p<0,05. A questão são os graus de liberdade. O quanto isso pode afetar o modelo fatorial? 2) Eu posso utilizar o 'lm' para construir o modelo com os scores ou fica redundante, caso afirmativo como seria esta função? 3) por fim com o modelo construido, como posso avalia-lo? Muito obrigado pela ajuda Att Bruce
participantes (4)
-
Bruce Kelly -
Felipe -
Fernando Antonio de souza -
walmes .