[R-br] Heterocedasticidade e teste de média

[Wagner Bonat]

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)
-------------- Próxima Parte ----------
Um anexo em HTML foi limpo...
URL: <http://listas.inf.ufpr.br/pipermail/r-br/attachments/20161104/123ff47d/attachment.html>