[R-br] Parâmetros_=?UTF-8?Q?modelo_de_regress=C3?==?UTF-8?Q?=A3o_din=C3=A2mico?=
olá caros colegas, boa noite! estou ajustando um modelo de regressão dinâmico e preciso ponderar o vetor de parâmetros beta 2 (b2) por 7, que representaria um aumento de 7° na variável temperatura. E depois faria as previsões inserindo estes novos valores de b2 no calculo dos valores ajustados. Alguém poderia me dar uma dica de como alterar isso no R? segue os comandos utilizados. desde já agradeço a atenção. ponderar o beta 2 (L(Temperatura, 1) = -4.8725) por 7. caso possa me ajudar com alguma sugestão agradeço muito. #Comandos (CMR) rm(list=ls(all=TRUE)) #pacotes utilizados require(dynlm) require(tseries) require(car) require(verification) require(MASS) require(forecast) require(TSA) require(nortest) ################################################################## (dados=read.table(file="BDAC.txt",header=T,dec=",")) attach(dados) (dados1<-ts(dados,frequency=12, start=c(2000,1),end=c(2010,12))) #modelo ajustado MOD1 <- dynlm(BEAI~trend(BEAI)+season(BEAI)+L(Temperatura,1)+L(Poluente,3),data = dados1 ) summary(MOD1) par(mfrow = c(2,2)) plot(MOD1, main="") names(MOD1) #lista de objetos do modelo #previsões p<-(forecast(MOD1$fitted.values, h=12, level=c(80,95), fan=FALSE)) plot(p) #saída do modelo
summary(MOD1)
Time series regression with "ts" data: Start = 2000(4), End = 2010(12) Call: dynlm(formula = BEAI ~ trend(BEAI) + season(BEAI) + L(Temperatura, 1) + L(Poluente, 3), data = dados1) Residuals: Min 1Q Median 3Q Max -42.946 -13.816 -1.482 12.327 80.586 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 263.2442 45.6925 5.761 7.21e-08 *** trend(BEAI) 0.4470 0.6201 0.721 0.47241 season(BEAI)Feb -19.3407 9.5712 -2.021 0.04565 * season(BEAI)Mar 9.0604 9.6612 0.938 0.35032 season(BEAI)Apr 5.1280 9.4526 0.543 0.58853 season(BEAI)May 25.2990 9.6410 2.624 0.00988 ** season(BEAI)Jun 35.7033 11.7395 3.041 0.00292 ** season(BEAI)Jul 30.0824 11.3742 2.645 0.00933 ** season(BEAI)Aug 19.1968 11.9829 1.602 0.11192 season(BEAI)Sep 4.6108 10.3265 0.447 0.65608 season(BEAI)Oct 3.7939 10.4920 0.362 0.71832 season(BEAI)Nov -1.3031 9.4690 -0.138 0.89078 season(BEAI)Dec -7.6315 9.4334 -0.809 0.42020 L(Temperatura, 1) -4.8725 1.5284 -3.188 0.00185 ** L(Poluente, 3) 2.6678 0.8455 3.155 0.00205 ** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 21.34 on 114 degrees of freedom Multiple R-squared: 0.618, Adjusted R-squared: 0.5711 F-statistic: 13.17 on 14 and 114 DF, p-value: < 2.2e-16 Atenciosamente, Fátima Nascimento Estatística - CONRE nº 9439 Mestre em Ciência e Engª de Petróleo-PPGCEP/UFRN Doutoranda no Programa de Pós-Graduação em Ciência e Engª de Petróleo- PPGCEP/UFRN
ola fatima, nunca trabalhei com esse pacote geralmente uso o glm e gams e suas variações. voce nao poderia retirar aleatoriamente uma amostra desse banco de dados e ai ponderar por 7 o valor da temperatura e usar o predict ou no teu caso forecast (modelo, new data ponderado)? vi que eras da ufrn. eu sou da ufersa na area de pesca humberto Enviado do meu iPhone
Em 29/09/2014, às 20:28, Fatima do Nascimento Silva <fatima@ccet.ufrn.br> escreveu:
olá caros colegas, boa noite!
estou ajustando um modelo de regressão dinâmico e preciso ponderar o vetor de parâmetros beta 2 (b2) por 7, que representaria um aumento de 7° na variável temperatura. E depois faria as previsões inserindo estes novos valores de b2 no calculo dos valores ajustados.
Alguém poderia me dar uma dica de como alterar isso no R?
segue os comandos utilizados.
desde já agradeço a atenção.
ponderar o beta 2 (L(Temperatura, 1) = -4.8725) por 7.
caso possa me ajudar com alguma sugestão agradeço muito.
#Comandos (CMR) rm(list=ls(all=TRUE))
#pacotes utilizados
require(dynlm) require(tseries) require(car) require(verification) require(MASS) require(forecast) require(TSA) require(nortest)
##################################################################
(dados=read.table(file="BDAC.txt",header=T,dec=",")) attach(dados) (dados1<-ts(dados,frequency=12, start=c(2000,1),end=c(2010,12)))
#modelo ajustado MOD1 <- dynlm(BEAI~trend(BEAI)+season(BEAI)+L(Temperatura,1)+L(Poluente,3),data = dados1 ) summary(MOD1) par(mfrow = c(2,2)) plot(MOD1, main="")
names(MOD1) #lista de objetos do modelo
#previsões p<-(forecast(MOD1$fitted.values, h=12, level=c(80,95), fan=FALSE)) plot(p)
#saída do modelo
summary(MOD1)
Time series regression with "ts" data: Start = 2000(4), End = 2010(12)
Call: dynlm(formula = BEAI ~ trend(BEAI) + season(BEAI) + L(Temperatura, 1) + L(Poluente, 3), data = dados1)
Residuals: Min 1Q Median 3Q Max -42.946 -13.816 -1.482 12.327 80.586
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 263.2442 45.6925 5.761 7.21e-08 *** trend(BEAI) 0.4470 0.6201 0.721 0.47241 season(BEAI)Feb -19.3407 9.5712 -2.021 0.04565 * season(BEAI)Mar 9.0604 9.6612 0.938 0.35032 season(BEAI)Apr 5.1280 9.4526 0.543 0.58853 season(BEAI)May 25.2990 9.6410 2.624 0.00988 ** season(BEAI)Jun 35.7033 11.7395 3.041 0.00292 ** season(BEAI)Jul 30.0824 11.3742 2.645 0.00933 ** season(BEAI)Aug 19.1968 11.9829 1.602 0.11192 season(BEAI)Sep 4.6108 10.3265 0.447 0.65608 season(BEAI)Oct 3.7939 10.4920 0.362 0.71832 season(BEAI)Nov -1.3031 9.4690 -0.138 0.89078 season(BEAI)Dec -7.6315 9.4334 -0.809 0.42020 L(Temperatura, 1) -4.8725 1.5284 -3.188 0.00185 ** L(Poluente, 3) 2.6678 0.8455 3.155 0.00205 ** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 21.34 on 114 degrees of freedom Multiple R-squared: 0.618, Adjusted R-squared: 0.5711 F-statistic: 13.17 on 14 and 114 DF, p-value: < 2.2e-16
Atenciosamente,
Fátima Nascimento Estatística - CONRE nº 9439 Mestre em Ciência e Engª de Petróleo-PPGCEP/UFRN Doutoranda no Programa de Pós-Graduação em Ciência e Engª de Petróleo- PPGCEP/UFRN
_______________________________________________ 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 forneça código mínimo reproduzível.
Olá Humberto, Mas neste caso eu teria que ajustar outro modelo ou no forecast uso o mesmo modelo e especifico apenas os novos dados?? Atenciosamente, Fátima Nascimento Estatística - CONRE nº 9439 Mestre em Ciência e Engª de Petróleo-PPGCEP/UFRN Doutoranda no Programa de Pós-Graduação em Ciência e Engª de Petróleo- PPGCEP/UFRN ---------- Original Message ----------- From: Humberto Hazin <hghazin@hotmail.com> To: "r-br@listas.c3sl.ufpr.br" <r-br@listas.c3sl.ufpr.br> Sent: Mon, 29 Sep 2014 23:51:40 -0300 Subject: Re: [R-br] Parâmetros_modelo de regressão dinâmico
ola fatima,
nunca trabalhei com esse pacote geralmente uso o glm e gams e suas variações. voce nao poderia retirar aleatoriamente uma amostra desse banco de dados e ai ponderar por 7 o valor da temperatura e usar o predict ou no teu caso forecast (modelo, new data ponderado)?
vi que eras da ufrn. eu sou da ufersa na area de pesca humberto
Enviado do meu iPhone
Em 29/09/2014, às 20:28, Fatima do Nascimento Silva <fatima@ccet.ufrn.br> escreveu:
olá caros colegas, boa noite!
estou ajustando um modelo de regressão dinâmico e preciso ponderar o vetor de parâmetros beta 2 (b2) por 7, que representaria um aumento de 7° na variável temperatura. E depois faria as previsões inserindo estes novos valores de b2 no calculo dos valores ajustados.
Alguém poderia me dar uma dica de como alterar isso no R?
segue os comandos utilizados.
desde já agradeço a atenção.
ponderar o beta 2 (L(Temperatura, 1) = -4.8725) por 7.
caso possa me ajudar com alguma sugestão agradeço muito.
#Comandos (CMR) rm(list=ls(all=TRUE))
#pacotes utilizados
require(dynlm) require(tseries) require(car) require(verification) require(MASS) require(forecast) require(TSA) require(nortest)
##################################################################
(dados=read.table(file="BDAC.txt",header=T,dec=",")) attach(dados) (dados1<-ts(dados,frequency=12, start=c(2000,1),end=c(2010,12)))
#modelo ajustado MOD1 <- dynlm(BEAI~trend(BEAI)+season(BEAI)+L(Temperatura,1)+L(Poluente,3),data = dados1 ) summary(MOD1) par(mfrow = c(2,2)) plot(MOD1, main="")
names(MOD1) #lista de objetos do modelo
#previsões p<-(forecast(MOD1$fitted.values, h=12, level=c(80,95), fan=FALSE)) plot(p)
#saída do modelo
summary(MOD1)
Time series regression with "ts" data: Start = 2000(4), End = 2010(12)
Call: dynlm(formula = BEAI ~ trend(BEAI) + season(BEAI) + L(Temperatura, 1) + L(Poluente, 3), data = dados1)
Residuals: Min 1Q Median 3Q Max -42.946 -13.816 -1.482 12.327 80.586
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 263.2442 45.6925 5.761 7.21e-08 *** trend(BEAI) 0.4470 0.6201 0.721 0.47241 season(BEAI)Feb -19.3407 9.5712 -2.021 0.04565 * season(BEAI)Mar 9.0604 9.6612 0.938 0.35032 season(BEAI)Apr 5.1280 9.4526 0.543 0.58853 season(BEAI)May 25.2990 9.6410 2.624 0.00988 ** season(BEAI)Jun 35.7033 11.7395 3.041 0.00292 ** season(BEAI)Jul 30.0824 11.3742 2.645 0.00933 ** season(BEAI)Aug 19.1968 11.9829 1.602 0.11192 season(BEAI)Sep 4.6108 10.3265 0.447 0.65608 season(BEAI)Oct 3.7939 10.4920 0.362 0.71832 season(BEAI)Nov -1.3031 9.4690 -0.138 0.89078 season(BEAI)Dec -7.6315 9.4334 -0.809 0.42020 L(Temperatura, 1) -4.8725 1.5284 -3.188 0.00185 ** L(Poluente, 3) 2.6678 0.8455 3.155 0.00205 ** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 21.34 on 114 degrees of freedom Multiple R-squared: 0.618, Adjusted R-squared: 0.5711 F-statistic: 13.17 on 14 and 114 DF, p-value: < 2.2e-16
Atenciosamente,
Fátima Nascimento Estatística - CONRE nº 9439 Mestre em Ciência e Engª de Petróleo-PPGCEP/UFRN Doutoranda no Programa de Pós-Graduação em Ciência e Engª de Petróleo- PPGCEP/UFRN
_______________________________________________ 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 forneça código mínimo reproduzível.
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 forneça código mínimo reproduzível. ------- End of Original Message -------
ola fatima se a funcao do forecast permitir a especificação de entrada de novos dados como na função predict vc nao precisaria ajustar um novo modelo. por exemplo na função predict: original: banco de dados com 5000 linhas try: seria sua amostra retirada aleatoriamente do seu banco de dados originais por exemplo 1000 dados e onde vc ponderaria a temperatura por 7. set: seria o seu banco de dados retirando as mil linhas do banco de dados try, ou seja 9000 mil linhas modelo mod<-glm(y~a+b, data=set....) predict(mod, newdata=try) ai vc teria a predição com a temperatura ponderada a 7 nao sei se te ajudei humberto Enviado do meu iPhone
Em 30/09/2014, às 09:17, Fatima do Nascimento Silva <fatima@ccet.ufrn.br> escreveu:
Olá Humberto,
Mas neste caso eu teria que ajustar outro modelo ou no forecast uso o mesmo modelo e especifico apenas os novos dados??
Atenciosamente,
Fátima Nascimento Estatística - CONRE nº 9439 Mestre em Ciência e Engª de Petróleo-PPGCEP/UFRN Doutoranda no Programa de Pós-Graduação em Ciência e Engª de Petróleo- PPGCEP/UFRN
---------- Original Message ----------- From: Humberto Hazin <hghazin@hotmail.com> To: "r-br@listas.c3sl.ufpr.br" <r-br@listas.c3sl.ufpr.br> Sent: Mon, 29 Sep 2014 23:51:40 -0300 Subject: Re: [R-br] Parâmetros_modelo de regressão dinâmico
ola fatima,
nunca trabalhei com esse pacote geralmente uso o glm e gams e suas variações. voce nao poderia retirar aleatoriamente uma amostra desse banco de dados e ai ponderar por 7 o valor da temperatura e usar o predict ou no teu caso forecast (modelo, new data ponderado)?
vi que eras da ufrn. eu sou da ufersa na area de pesca humberto
Enviado do meu iPhone
Em 29/09/2014, às 20:28, Fatima do Nascimento Silva <fatima@ccet.ufrn.br> escreveu:
olá caros colegas, boa noite!
estou ajustando um modelo de regressão dinâmico e preciso ponderar o vetor de parâmetros beta 2 (b2) por 7, que representaria um aumento de 7° na variável temperatura. E depois faria as previsões inserindo estes novos valores de b2 no calculo dos valores ajustados.
Alguém poderia me dar uma dica de como alterar isso no R?
segue os comandos utilizados.
desde já agradeço a atenção.
ponderar o beta 2 (L(Temperatura, 1) = -4.8725) por 7.
caso possa me ajudar com alguma sugestão agradeço muito.
#Comandos (CMR) rm(list=ls(all=TRUE))
#pacotes utilizados
require(dynlm) require(tseries) require(car) require(verification) require(MASS) require(forecast) require(TSA) require(nortest)
##################################################################
(dados=read.table(file="BDAC.txt",header=T,dec=",")) attach(dados) (dados1<-ts(dados,frequency=12, start=c(2000,1),end=c(2010,12)))
#modelo ajustado MOD1 <- dynlm(BEAI~trend(BEAI)+season(BEAI)+L(Temperatura,1)+L(Poluente,3),data = dados1 ) summary(MOD1) par(mfrow = c(2,2)) plot(MOD1, main="")
names(MOD1) #lista de objetos do modelo
#previsões p<-(forecast(MOD1$fitted.values, h=12, level=c(80,95), fan=FALSE)) plot(p)
#saída do modelo
summary(MOD1)
Time series regression with "ts" data: Start = 2000(4), End = 2010(12)
Call: dynlm(formula = BEAI ~ trend(BEAI) + season(BEAI) + L(Temperatura, 1) + L(Poluente, 3), data = dados1)
Residuals: Min 1Q Median 3Q Max -42.946 -13.816 -1.482 12.327 80.586
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 263.2442 45.6925 5.761 7.21e-08 *** trend(BEAI) 0.4470 0.6201 0.721 0.47241 season(BEAI)Feb -19.3407 9.5712 -2.021 0.04565 * season(BEAI)Mar 9.0604 9.6612 0.938 0.35032 season(BEAI)Apr 5.1280 9.4526 0.543 0.58853 season(BEAI)May 25.2990 9.6410 2.624 0.00988 ** season(BEAI)Jun 35.7033 11.7395 3.041 0.00292 ** season(BEAI)Jul 30.0824 11.3742 2.645 0.00933 ** season(BEAI)Aug 19.1968 11.9829 1.602 0.11192 season(BEAI)Sep 4.6108 10.3265 0.447 0.65608 season(BEAI)Oct 3.7939 10.4920 0.362 0.71832 season(BEAI)Nov -1.3031 9.4690 -0.138 0.89078 season(BEAI)Dec -7.6315 9.4334 -0.809 0.42020 L(Temperatura, 1) -4.8725 1.5284 -3.188 0.00185 ** L(Poluente, 3) 2.6678 0.8455 3.155 0.00205 ** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 21.34 on 114 degrees of freedom Multiple R-squared: 0.618, Adjusted R-squared: 0.5711 F-statistic: 13.17 on 14 and 114 DF, p-value: < 2.2e-16
Atenciosamente,
Fátima Nascimento Estatística - CONRE nº 9439 Mestre em Ciência e Engª de Petróleo-PPGCEP/UFRN Doutoranda no Programa de Pós-Graduação em Ciência e Engª de Petróleo- PPGCEP/UFRN
_______________________________________________ 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 forneça código mínimo reproduzível.
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 forneça código mínimo reproduzível. ------- End of Original Message -------
_______________________________________________ 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 forneça código mínimo reproduzível.
olá Humberto, soube a pouco que poderia resolver o meu problema da seguinte forma: como quero ponderar apenas o b2 por 7 de após esta operação ajustar um modelo aos dados, devo utilizar o comando I(7*L(Temperatura,1)) no modelo especificado no R. Ficaria assim:
MOD1 <-dynlm(BEAI~trend(BEAI)+season(BEAI)+I(7*L(Temperatura,1) )+L(Poluente,3),data = dados1)
Veja abaixo que os outros parâmetros se mantiveram fixos e apenas o b2, que era de -4,87, alterou para -0,69. O que era esperado. Mas o seu comando também deu certo, e faz sentido. Será outra opção para minha análises. Desde já agradeço sua a tenção e disponibilidade em me ajudar. Muito obrigada. #Saída do modelo 2
summary(MOD2)
Time series regression with "ts" data: Start = 2000(4), End = 2010(12) Call: dynlm(formula = BEAI ~ trend(BEAI) + season(BEAI) + I(7 * L(Temperatura, 1)) + L(Poluente, 3), data = dados1) Residuals: Min 1Q Median 3Q Max -42.946 -13.816 -1.482 12.327 80.586 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 263.2442 45.6925 5.761 7.21e-08 *** trend(BEAI) 0.4470 0.6201 0.721 0.47241 season(BEAI)Feb -19.3407 9.5712 -2.021 0.04565 * season(BEAI)Mar 9.0604 9.6612 0.938 0.35032 season(BEAI)Apr 5.1280 9.4526 0.543 0.58853 season(BEAI)May 25.2990 9.6410 2.624 0.00988 ** season(BEAI)Jun 35.7033 11.7395 3.041 0.00292 ** season(BEAI)Jul 30.0824 11.3742 2.645 0.00933 ** season(BEAI)Aug 19.1968 11.9829 1.602 0.11192 season(BEAI)Sep 4.6108 10.3265 0.447 0.65608 season(BEAI)Oct 3.7939 10.4920 0.362 0.71832 season(BEAI)Nov -1.3031 9.4690 -0.138 0.89078 season(BEAI)Dec -7.6315 9.4334 -0.809 0.42020 I(7 * L(Temperatura, 1)) -0.6961 0.2183 -3.188 0.00185 ** L(Poluente, 3) 2.6678 0.8455 3.155 0.00205 ** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 21.34 on 114 degrees of freedom Multiple R-squared: 0.618, Adjusted R-squared: 0.5711 F-statistic: 13.17 on 14 and 114 DF, p-value: < 2.2e-16 Atenciosamente, Fátima Nascimento Estatística - CONRE nº 9439 Mestre em Ciência e Engª de Petróleo-PPGCEP/UFRN Doutoranda no Programa de Pós-Graduação em Ciência e Engª de Petróleo- PPGCEP/UFRN ---------- Original Message ----------- From: Humberto Hazin <hghazin@hotmail.com> To: "r-br@listas.c3sl.ufpr.br" <r-br@listas.c3sl.ufpr.br> Sent: Tue, 30 Sep 2014 10:38:10 -0300 Subject: Re: [R-br] Parâmetros_modelo de regressão dinâmico
ola fatima se a funcao do forecast permitir a especificação de entrada de novos dados como na função predict vc nao precisaria ajustar um novo modelo. por exemplo na função predict:
original: banco de dados com 5000 linhas try: seria sua amostra retirada aleatoriamente do seu banco de dados originais por exemplo 1000 dados e onde vc ponderaria a temperatura por 7. set: seria o seu banco de dados retirando as mil linhas do banco de dados try, ou seja 9000 mil linhas
modelo mod<-glm(y~a+b, data=set....)
predict(mod, newdata=try)
ai vc teria a predição com a temperatura ponderada a 7
nao sei se te ajudei
humberto
Enviado do meu iPhone
Em 30/09/2014, às 09:17, Fatima do Nascimento Silva <fatima@ccet.ufrn.br> escreveu:
Olá Humberto,
Mas neste caso eu teria que ajustar outro modelo ou no forecast uso o mesmo modelo e especifico apenas os novos dados??
Atenciosamente,
Fátima Nascimento Estatística - CONRE nº 9439 Mestre em Ciência e Engª de Petróleo-PPGCEP/UFRN Doutoranda no Programa de Pós-Graduação em Ciência e Engª de Petróleo- PPGCEP/UFRN
---------- Original Message ----------- From: Humberto Hazin <hghazin@hotmail.com> To: "r-br@listas.c3sl.ufpr.br" <r-br@listas.c3sl.ufpr.br> Sent: Mon, 29 Sep 2014 23:51:40 -0300 Subject: Re: [R-br] Parâmetros_modelo de regressão dinâmico
ola fatima,
nunca trabalhei com esse pacote geralmente uso o glm e gams e suas variações. voce nao poderia retirar aleatoriamente uma amostra desse banco de dados e ai ponderar por 7 o valor da temperatura e usar o predict ou no teu caso forecast (modelo, new data ponderado)?
vi que eras da ufrn. eu sou da ufersa na area de pesca humberto
Enviado do meu iPhone
Em 29/09/2014, às 20:28, Fatima do Nascimento Silva <fatima@ccet.ufrn.br> escreveu:
olá caros colegas, boa noite!
estou ajustando um modelo de regressão dinâmico e preciso ponderar o vetor de parâmetros beta 2 (b2) por 7, que representaria um aumento de 7° na variável temperatura. E depois faria as previsões inserindo estes novos valores de b2 no calculo dos valores ajustados.
Alguém poderia me dar uma dica de como alterar isso no R?
segue os comandos utilizados.
desde já agradeço a atenção.
ponderar o beta 2 (L(Temperatura, 1) = -4.8725) por 7.
caso possa me ajudar com alguma sugestão agradeço muito.
#Comandos (CMR) rm(list=ls(all=TRUE))
#pacotes utilizados
require(dynlm) require(tseries) require(car) require(verification) require(MASS) require(forecast) require(TSA) require(nortest)
##################################################################
(dados=read.table(file="BDAC.txt",header=T,dec=",")) attach(dados) (dados1<-ts(dados,frequency=12, start=c(2000,1),end=c(2010,12)))
#modelo ajustado MOD1 <-
dynlm(BEAI~trend(BEAI)+season(BEAI)+L(Temperatura,1)+L(Poluente,3),data =
dados1 ) summary(MOD1) par(mfrow = c(2,2)) plot(MOD1, main="")
names(MOD1) #lista de objetos do modelo
#previsões p<-(forecast(MOD1$fitted.values, h=12, level=c(80,95), fan=FALSE)) plot(p)
#saída do modelo
summary(MOD1)
Time series regression with "ts" data: Start = 2000(4), End = 2010(12)
Call: dynlm(formula = BEAI ~ trend(BEAI) + season(BEAI) + L(Temperatura, 1) + L(Poluente, 3), data = dados1)
Residuals: Min 1Q Median 3Q Max -42.946 -13.816 -1.482 12.327 80.586
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 263.2442 45.6925 5.761 7.21e-08 *** trend(BEAI) 0.4470 0.6201 0.721 0.47241 season(BEAI)Feb -19.3407 9.5712 -2.021 0.04565 * season(BEAI)Mar 9.0604 9.6612 0.938 0.35032 season(BEAI)Apr 5.1280 9.4526 0.543 0.58853 season(BEAI)May 25.2990 9.6410 2.624 0.00988 ** season(BEAI)Jun 35.7033 11.7395 3.041 0.00292 ** season(BEAI)Jul 30.0824 11.3742 2.645 0.00933 ** season(BEAI)Aug 19.1968 11.9829 1.602 0.11192 season(BEAI)Sep 4.6108 10.3265 0.447 0.65608 season(BEAI)Oct 3.7939 10.4920 0.362 0.71832 season(BEAI)Nov -1.3031 9.4690 -0.138 0.89078 season(BEAI)Dec -7.6315 9.4334 -0.809 0.42020 L(Temperatura, 1) -4.8725 1.5284 -3.188 0.00185 ** L(Poluente, 3) 2.6678 0.8455 3.155 0.00205 ** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 21.34 on 114 degrees of freedom Multiple R-squared: 0.618, Adjusted R-squared: 0.5711 F-statistic: 13.17 on 14 and 114 DF, p-value: < 2.2e-16
Atenciosamente,
Fátima Nascimento Estatística - CONRE nº 9439 Mestre em Ciência e Engª de Petróleo-PPGCEP/UFRN Doutoranda no Programa de Pós-Graduação em Ciência e Engª de Petróleo- PPGCEP/UFRN
_______________________________________________ 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 forneça código mínimo reproduzível.
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 forneça código mínimo reproduzível. ------- End of Original Message -------
_______________________________________________ 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 forneça código mínimo reproduzível.
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 forneça código mínimo reproduzível. ------- End of Original Message -------
ola fatima que bom! essa tb é uma outra forma pois ja teria diretamente isso Enviado do meu iPhone
Em 30/09/2014, às 13:28, Fatima do Nascimento Silva <fatima@ccet.ufrn.br> escreveu:
olá Humberto,
soube a pouco que poderia resolver o meu problema da seguinte forma:
como quero ponderar apenas o b2 por 7 de após esta operação ajustar um modelo aos dados, devo utilizar o comando I(7*L(Temperatura,1)) no modelo especificado no R. Ficaria assim:
MOD1 <-dynlm(BEAI~trend(BEAI)+season(BEAI)+I(7*L(Temperatura,1) )+L(Poluente,3),data = dados1)
Veja abaixo que os outros parâmetros se mantiveram fixos e apenas o b2, que era de -4,87, alterou para -0,69. O que era esperado.
Mas o seu comando também deu certo, e faz sentido. Será outra opção para minha análises.
Desde já agradeço sua a tenção e disponibilidade em me ajudar. Muito obrigada.
#Saída do modelo 2
summary(MOD2)
Time series regression with "ts" data: Start = 2000(4), End = 2010(12)
Call: dynlm(formula = BEAI ~ trend(BEAI) + season(BEAI) + I(7 * L(Temperatura, 1)) + L(Poluente, 3), data = dados1)
Residuals: Min 1Q Median 3Q Max -42.946 -13.816 -1.482 12.327 80.586
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 263.2442 45.6925 5.761 7.21e-08 *** trend(BEAI) 0.4470 0.6201 0.721 0.47241 season(BEAI)Feb -19.3407 9.5712 -2.021 0.04565 * season(BEAI)Mar 9.0604 9.6612 0.938 0.35032 season(BEAI)Apr 5.1280 9.4526 0.543 0.58853 season(BEAI)May 25.2990 9.6410 2.624 0.00988 ** season(BEAI)Jun 35.7033 11.7395 3.041 0.00292 ** season(BEAI)Jul 30.0824 11.3742 2.645 0.00933 ** season(BEAI)Aug 19.1968 11.9829 1.602 0.11192 season(BEAI)Sep 4.6108 10.3265 0.447 0.65608 season(BEAI)Oct 3.7939 10.4920 0.362 0.71832 season(BEAI)Nov -1.3031 9.4690 -0.138 0.89078 season(BEAI)Dec -7.6315 9.4334 -0.809 0.42020 I(7 * L(Temperatura, 1)) -0.6961 0.2183 -3.188 0.00185 ** L(Poluente, 3) 2.6678 0.8455 3.155 0.00205 ** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 21.34 on 114 degrees of freedom Multiple R-squared: 0.618, Adjusted R-squared: 0.5711 F-statistic: 13.17 on 14 and 114 DF, p-value: < 2.2e-16
Atenciosamente,
Fátima Nascimento Estatística - CONRE nº 9439 Mestre em Ciência e Engª de Petróleo-PPGCEP/UFRN Doutoranda no Programa de Pós-Graduação em Ciência e Engª de Petróleo- PPGCEP/UFRN
---------- Original Message ----------- From: Humberto Hazin <hghazin@hotmail.com> To: "r-br@listas.c3sl.ufpr.br" <r-br@listas.c3sl.ufpr.br> Sent: Tue, 30 Sep 2014 10:38:10 -0300 Subject: Re: [R-br] Parâmetros_modelo de regressão dinâmico
ola fatima se a funcao do forecast permitir a especificação de entrada de novos dados como na função predict vc nao precisaria ajustar um novo modelo. por exemplo na função predict:
original: banco de dados com 5000 linhas try: seria sua amostra retirada aleatoriamente do seu banco de dados originais por exemplo 1000 dados e onde vc ponderaria a temperatura por 7. set: seria o seu banco de dados retirando as mil linhas do banco de dados try, ou seja 9000 mil linhas
modelo mod<-glm(y~a+b, data=set....)
predict(mod, newdata=try)
ai vc teria a predição com a temperatura ponderada a 7
nao sei se te ajudei
humberto
Enviado do meu iPhone
Em 30/09/2014, às 09:17, Fatima do Nascimento Silva <fatima@ccet.ufrn.br> escreveu:
Olá Humberto,
Mas neste caso eu teria que ajustar outro modelo ou no forecast uso o mesmo modelo e especifico apenas os novos dados??
Atenciosamente,
Fátima Nascimento Estatística - CONRE nº 9439 Mestre em Ciência e Engª de Petróleo-PPGCEP/UFRN Doutoranda no Programa de Pós-Graduação em Ciência e Engª de Petróleo- PPGCEP/UFRN
---------- Original Message ----------- From: Humberto Hazin <hghazin@hotmail.com> To: "r-br@listas.c3sl.ufpr.br" <r-br@listas.c3sl.ufpr.br> Sent: Mon, 29 Sep 2014 23:51:40 -0300 Subject: Re: [R-br] Parâmetros_modelo de regressão dinâmico
ola fatima,
nunca trabalhei com esse pacote geralmente uso o glm e gams e suas variações. voce nao poderia retirar aleatoriamente uma amostra desse banco de dados e ai ponderar por 7 o valor da temperatura e usar o predict ou no teu caso forecast (modelo, new data ponderado)?
vi que eras da ufrn. eu sou da ufersa na area de pesca humberto
Enviado do meu iPhone
Em 29/09/2014, às 20:28, Fatima do Nascimento Silva <fatima@ccet.ufrn.br> escreveu:
olá caros colegas, boa noite!
estou ajustando um modelo de regressão dinâmico e preciso ponderar o vetor de parâmetros beta 2 (b2) por 7, que representaria um aumento de 7° na variável temperatura. E depois faria as previsões inserindo estes novos valores de b2 no calculo dos valores ajustados.
Alguém poderia me dar uma dica de como alterar isso no R?
segue os comandos utilizados.
desde já agradeço a atenção.
ponderar o beta 2 (L(Temperatura, 1) = -4.8725) por 7.
caso possa me ajudar com alguma sugestão agradeço muito.
#Comandos (CMR) rm(list=ls(all=TRUE))
#pacotes utilizados
require(dynlm) require(tseries) require(car) require(verification) require(MASS) require(forecast) require(TSA) require(nortest)
##################################################################
(dados=read.table(file="BDAC.txt",header=T,dec=",")) attach(dados) (dados1<-ts(dados,frequency=12, start=c(2000,1),end=c(2010,12)))
#modelo ajustado MOD1 <- dynlm(BEAI~trend(BEAI)+season(BEAI)+L(Temperatura,1)+L(Poluente,3),data = dados1 ) summary(MOD1) par(mfrow = c(2,2)) plot(MOD1, main="")
names(MOD1) #lista de objetos do modelo
#previsões p<-(forecast(MOD1$fitted.values, h=12, level=c(80,95), fan=FALSE)) plot(p)
#saída do modelo
summary(MOD1)
Time series regression with "ts" data: Start = 2000(4), End = 2010(12)
Call: dynlm(formula = BEAI ~ trend(BEAI) + season(BEAI) + L(Temperatura, 1) + L(Poluente, 3), data = dados1)
Residuals: Min 1Q Median 3Q Max -42.946 -13.816 -1.482 12.327 80.586
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 263.2442 45.6925 5.761 7.21e-08 *** trend(BEAI) 0.4470 0.6201 0.721 0.47241 season(BEAI)Feb -19.3407 9.5712 -2.021 0.04565 * season(BEAI)Mar 9.0604 9.6612 0.938 0.35032 season(BEAI)Apr 5.1280 9.4526 0.543 0.58853 season(BEAI)May 25.2990 9.6410 2.624 0.00988 ** season(BEAI)Jun 35.7033 11.7395 3.041 0.00292 ** season(BEAI)Jul 30.0824 11.3742 2.645 0.00933 ** season(BEAI)Aug 19.1968 11.9829 1.602 0.11192 season(BEAI)Sep 4.6108 10.3265 0.447 0.65608 season(BEAI)Oct 3.7939 10.4920 0.362 0.71832 season(BEAI)Nov -1.3031 9.4690 -0.138 0.89078 season(BEAI)Dec -7.6315 9.4334 -0.809 0.42020 L(Temperatura, 1) -4.8725 1.5284 -3.188 0.00185 ** L(Poluente, 3) 2.6678 0.8455 3.155 0.00205 ** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 21.34 on 114 degrees of freedom Multiple R-squared: 0.618, Adjusted R-squared: 0.5711 F-statistic: 13.17 on 14 and 114 DF, p-value: < 2.2e-16
Atenciosamente,
Fátima Nascimento Estatística - CONRE nº 9439 Mestre em Ciência e Engª de Petróleo-PPGCEP/UFRN Doutoranda no Programa de Pós-Graduação em Ciência e Engª de Petróleo- PPGCEP/UFRN
_______________________________________________ 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 forneça código mínimo reproduzível.
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 forneça código mínimo reproduzível. ------- End of Original Message -------
_______________________________________________ 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 forneça código mínimo reproduzível.
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 forneça código mínimo reproduzível. ------- End of Original Message -------
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 forneça código mínimo reproduzível.
participantes (3)
-
Fatima do Nascimento Silva -
Humberto Hazin -
humberto hazin