[R-br] Heterocedasticidade e teste de média

[Rodrigo Sant'Ana]

Oi Wagner,

    muitíssimo obrigado. Instalei o dev e está tudo funcionando.
Novamente, parabéns pelo pacote. Quando as coisas reduzirem a velocidade,
seria interessante um curso sobre. Seria muito interessante.

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 22 de novembro de 2016 21:15, Mauro Sznelwar via R-br <
r-br em listas.c3sl.ufpr.br> escreveu:

> Consegui rodar o primeiro, instalando a mais nova versão do R no Windows.
> O segundo não consegui porque não forneceu o segundo arquivo
> dados2 <- read.table("HETE.csv", header = TRUE, sep = ";", dec = ",")
>
>
> 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)
>
>
>
> fpr.br/r-br-guia <http://www.leg.ufpr.br/r-br-guia>) e forne�a c�digo
> m�nimo reproduz�vel.
>
> _______________________________________________
> R-br mailing list
> R-br em 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.
>
-------------- Próxima Parte ----------
Um anexo em HTML foi limpo...
URL: <http://listas.inf.ufpr.br/pipermail/r-br/attachments/20161122/f3d67f87/attachment.html>