Re: [R-br] Heterocedasticidade e teste de média

Tente instalar o digest install.packages("digest") Me parece ser algo no seu sistema. Você pode fazer clonar o diretório pela pagina do github https://github.com/wbonat/mcglm Best Em 15 de novembro de 2016 01:26, Mauro Sznelwar via R-br < r-br@listas.c3sl.ufpr.br> escreveu:
Não estou conseguindo instalar!
install_github("wbonat/mcglm", ref = "devel") Downloading GitHub repo wbonat/mcglm@devel from URL https://api.github.com/repos/wbonat/mcglm/zipball/devel Installing mcglm Erro em `_digest`(c(list(repos, type), lapply(`_additional`, function(x) eval(x[[2L]], : objeto 'digest_impl' não encontrado
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 <http://../../../undefined//compose?to=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 <http://../../../undefined//compose?to=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://cran.r-project.org/web/packages/mcglm/index.html> https://github.com/wbonat/ mcglm <https://github.com/wbonat/mcglm>
Em 4 de novembro de 2016 19:46, Luiz Leal <richfield1974@yahoo.com <http://../../../undefined//compose?to=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 <http://../../../undefined//compose?to=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 <http://../../../undefined//compose?to=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)
_______________________________________________ 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�a c�digo m�nimo reproduz�vel.
_______________________________________________ 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.
-- 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)

Boa tarde Wagner e demais colegas da R-BR, Wagner, o código que você nos enviou, que utiliza o pacote mcglm, não está funcionando. Mesmo instalando o pacote digest ou clonando o seu pacote pelo Github, a função mc_dglm não pode ser encontrada. Esta avaliando as funções disponíveis no seu pacote e está função não consta no mesmo. Fiquei muito interessado no seu exemplo e gostaria muito de poder reproduzi-lo, você poderia disponibilizar está função em separado ou apontar o pacote ao qual a mesma faz parte? Muito obrigado pela sua ajuda Wagner e parabéns pelo pacote. Abs, RS ___________________________________________________ *Rodrigo Sant'Ana* -- Mestre em Ciência e Tecnologia Ambiental - MCTA/UNIVALI Graduado em Oceanografia - CTTMar/UNIVALI Universidade do Vale do Itajaí - UNIVALI -- Em 15 de novembro de 2016 05:24, Wagner Bonat via R-br < r-br@listas.c3sl.ufpr.br> escreveu:
Tente instalar o digest
install.packages("digest")
Me parece ser algo no seu sistema. Você pode fazer clonar o diretório pela pagina do github https://github.com/wbonat/mcglm
Best
Em 15 de novembro de 2016 01:26, Mauro Sznelwar via R-br < r-br@listas.c3sl.ufpr.br> escreveu:
Não estou conseguindo instalar!
install_github("wbonat/mcglm", ref = "devel") Downloading GitHub repo wbonat/mcglm@devel from URL https://api.github.com/repos/wbonat/mcglm/zipball/devel Installing mcglm Erro em `_digest`(c(list(repos, type), lapply(`_additional`, function(x) eval(x[[2L]], : objeto 'digest_impl' não encontrado
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 <http://../../../undefined//compose?to=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 <http://../../../undefined//compose?to=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://cran.r-project.org/web/packages/mcglm/index.html> https://github.com/wbonat/ mcglm <https://github.com/wbonat/mcglm>
Em 4 de novembro de 2016 19:46, Luiz Leal <richfield1974@yahoo.com <http://../../../undefined//compose?to=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 <http://../../../undefined//compose?to=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 <http://../../../undefined//compose?to=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)
_______________________________________________ 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�a c�digo m�nimo reproduz�vel.
_______________________________________________ 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.
-- 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 forneça código mínimo reproduzível.

Olá Rodrigo, Acho que o problema é que precisa instalar a versão que está no devel e não no brach master. A versão que está no CRAN é a 0.3.0 a que estou desenvolvendo é a 0.4.0 veja a função mc_dlgm() neste endereço. https://github.com/wbonat/mcglm/blob/devel/R/mc_dglm.R Eu devo atualizar a versão no CRAN tão rápido quanto eu consiga, porém corrido nos últimos dias. All the best! Em 16 de novembro de 2016 15:47, Rodrigo Sant'Ana <rodrigo.gringo@gmail.com> escreveu:
Boa tarde Wagner e demais colegas da R-BR,
Wagner, o código que você nos enviou, que utiliza o pacote mcglm, não está funcionando. Mesmo instalando o pacote digest ou clonando o seu pacote pelo Github, a função mc_dglm não pode ser encontrada. Esta avaliando as funções disponíveis no seu pacote e está função não consta no mesmo.
Fiquei muito interessado no seu exemplo e gostaria muito de poder reproduzi-lo, você poderia disponibilizar está função em separado ou apontar o pacote ao qual a mesma faz parte?
Muito obrigado pela sua ajuda Wagner e parabéns pelo pacote. Abs, RS
___________________________________________________ *Rodrigo Sant'Ana* -- Mestre em Ciência e Tecnologia Ambiental - MCTA/UNIVALI Graduado em Oceanografia - CTTMar/UNIVALI Universidade do Vale do Itajaí - UNIVALI --
Em 15 de novembro de 2016 05:24, Wagner Bonat via R-br < r-br@listas.c3sl.ufpr.br> escreveu:
Tente instalar o digest
install.packages("digest")
Me parece ser algo no seu sistema. Você pode fazer clonar o diretório pela pagina do github https://github.com/wbonat/mcglm
Best
Em 15 de novembro de 2016 01:26, Mauro Sznelwar via R-br < r-br@listas.c3sl.ufpr.br> escreveu:
Não estou conseguindo instalar!
install_github("wbonat/mcglm", ref = "devel") Downloading GitHub repo wbonat/mcglm@devel from URL https://api.github.com/repos/wbonat/mcglm/zipball/devel Installing mcglm Erro em `_digest`(c(list(repos, type), lapply(`_additional`, function(x) eval(x[[2L]], : objeto 'digest_impl' não encontrado
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 <http://../../../undefined//compose?to=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 <http://../../../undefined//compose?to=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://cran.r-project.org/web/packages/mcglm/index.html> https://github.com/wbonat/ mcglm <https://github.com/wbonat/mcglm>
Em 4 de novembro de 2016 19:46, Luiz Leal <richfield1974@yahoo.com <http://../../../undefined//compose?to=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 <http://../../../undefined//compose?to=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 <http://../../../undefined//compose?to=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)
_______________________________________________ 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�a c�digo m�nimo reproduz�vel.
_______________________________________________ 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.
-- 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 forneça código mínimo reproduzível.
-- 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 (3)
-
Rodrigo Sant'Ana
-
sznelwar@uol.com.br
-
Wagner Bonat