Commit 3befa810 by Walmes Marques Zeviani

### Atualiza o conteúdo da inst/doc/.

parent 03ef8940
This diff is collapsed.
This diff is collapsed.
This diff is collapsed.
This diff is collapsed.
This diff is collapsed.
This diff is collapsed.
This diff is collapsed.
This diff is collapsed.
This diff is collapsed.
 ## ----setup, include=FALSE------------------------------------------------ ## ----setup, include=FALSE----------------------------------------- source("_setup.R") ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- library(MRDCr) ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- data(peixe) peixe\$campista <- as.factor(peixe\$campista) levels(peixe\$campista) <- c("Não", "Sim") ... ... @@ -14,8 +13,7 @@ str(peixe) ## help(peixe) ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- ## Estudo observacional ftable(with(peixe, table(npessoas, ncriancas, campista))) ... ... @@ -33,7 +31,7 @@ p2 <- histogram(~npeixes, data = subset(peixe, npeixes > 0), print(p1, split = c(1, 1, 2, 1), more = TRUE) print(p2, split = c(2, 1, 2, 1)) ## Proporção dos valores observados ## Proporção dos valores observados (proptb <- cbind("Proporção" = prop.table(table(peixe\$npeixes)), "N. observ" = table(peixe\$npeixes))) ... ... @@ -57,7 +55,7 @@ xyplot(lnpeixes ~ ncriancas + npessoas, type = c("p", "g", "spline")) ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- ##====================================================================== ## Ajuste de modelos hurdle ... ... @@ -93,7 +91,7 @@ m1ZBN <- zeroinfl(f1, data = peixe, dist = "negbin") m2ZBN <- zeroinfl(f2, data = peixe, dist = "negbin") ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- ## Via log-verossimilhança cbind("Poisson" = sapply(list(m1P, m2P), logLik), ... ... @@ -105,7 +103,7 @@ cbind("Poisson" = sapply(list(m1P, m2P), logLik), ) ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- ## Testes de razão de verossimilhanças para o efeito de interação anova(m1BN, m2BN) ... ... @@ -113,7 +111,7 @@ lmtest::lrtest(m1HBN, m2HBN) lmtest::lrtest(m1ZBN, m2ZBN) ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- ## Teste de Vuong para diferença entre os modelos BN e HUBN vuong(m1BN, m1HBN) ... ... @@ -122,7 +120,7 @@ vuong(m1BN, m1HBN) vuong(m1ZBN, m1HBN) ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- ## Estimativas dos parâmetros e testes de Wald summary(m1BN) ... ... @@ -130,7 +128,7 @@ summary(m1HBN) summary(m1ZBN) ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- ## Ajuste de preditor do modelo proposto ## Retira o efeito de campista no preditor para as contagens não nula ... ... @@ -143,9 +141,9 @@ lmtest::lrtest(m1HBN, m3HBN) vuong(m1BN, m3HBN) ## ----diag, cache = TRUE, fig.height = 4---------------------------------- ## ----diag, cache = TRUE, fig.height = 4--------------------------- ## Uma pequena avaliação dos resíduos ## Uma pequena avaliação dos resíduos p1 <- xyplot(residuals(m3HBN) ~ fitted(m3HBN), type = c("p", "g", "spline")) ... ... @@ -169,13 +167,13 @@ print(p2, split = c(2, 1, 3, 1), more = TRUE) print(p3, split = c(3, 1, 3, 1), more = FALSE) ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- ## Estimativas dos parâmetros e testes de Wald summary(m3HBN) ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- ##---------------------------------------------------------------------- ... ... @@ -215,7 +213,7 @@ barchart(py ~ y | factor(ncriancas), data = da, )) ## ----boot, cache = TRUE-------------------------------------------------- ## ----boot, cache = TRUE------------------------------------------- ## Intervalos de confiança para predição ... ... @@ -228,7 +226,7 @@ start <- list(zero = coef(m3HBN, "zero"), count = coef(m3HBN, "count")) boots <- replicate(100, { id <- sample(1:n, replace = TRUE) model <- hurdle(formula, data = peixe[id, ], start = start) yhat <- predict(model, newdata = predmu, type = "response") yhat <- predict(model, newdata = predmu, type = "response") }) pred2 <- cbind(predmu, t(apply(boots, 1, function(x) { ... ... @@ -238,7 +236,7 @@ names(pred2)[5:6] <- c("lwr", "upr") ## Viasualizando graficamente xyplot(fit ~ npessoas | campista, groups = ncriancas, data = pred2, type = c("l", "g"), cty = "bands", type = c("l", "g"), cty = "bands", ly = pred2\$lwr, uy = pred2\$upr, prepanel = prepanel.cbH, alpha = 0.5, panel = panel.superpose, ... ... @@ -252,9 +250,9 @@ xyplot(fit ~ npessoas | campista, )) ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- ## Modelo Hurdle (binomial e binomial negativa) ## Modelo Hurdle (binomial e binomial negativa) m3HBN\$formula ##------------------------------------------- ... ... @@ -267,33 +265,31 @@ mzero <- glm(indica ~ campista + npessoas + ncriancas, cbind("glm_binomial" = coef(mzero), "zeroinfl" = coef(m3HBN, model = "zero")) ##------------------------------------------- ## Componente da contagem nula (f_count) library(VGAM) countp <- subset(peixe, npeixes > 0) mcount <- vglm(npeixes ~ npessoas + ncriancas, family = posnegbinomial, data = countp) ## Comparando os coeficientes (betas e theta (da BN)) cbind("vglm_posnegbin" = coef(mcount)[-2], "zeroinfl" = coef(m3HBN, model = "count")) cbind("vglm_posnegbin" = exp(coef(mcount)[2]), "zeroinfl" = m3HBN\$theta) ## ------------------------------------------------------------------------ # ##------------------------------------------- # ## Componente da contagem nula (f_count) # library(VGAM) # countp <- subset(peixe, npeixes > 0) # mcount <- vglm(npeixes ~ npessoas + ncriancas, # family = posnegbinomial, data = countp) # # ## Comparando os coeficientes (betas e theta (da BN)) # cbind("vglm_posnegbin" = coef(mcount)[-2], # "zeroinfl" = coef(m3HBN, model = "count")) # cbind("vglm_posnegbin" = exp(coef(mcount)[2]), # "zeroinfl" = m3HBN\$theta) ## ----------------------------------------------------------------- data(seguros) str(seguros) ## help(seguros) ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- summary(seguros) ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- library(pscl) ... ... @@ -334,7 +330,7 @@ m1ZBN <- zeroinfl(f1, data = seguros, dist = "negbin") m2ZBN <- zeroinfl(f2, data = seguros, dist = "negbin") ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- ## Via log-verossimilhança cbind("Poisson" = sapply(list(m0P, m1P, m2P), logLik), ... ... @@ -346,7 +342,7 @@ cbind("Poisson" = sapply(list(m0P, m1P, m2P), logLik), ) ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- ## Testes de razão de verossimilhanças lmtest::lrtest(m0HP, m1HP, m2HP) ... ... @@ -354,14 +350,14 @@ lmtest::lrtest(m0HP, m1HP, m2HP) lmtest::lrtest(m0HBN, m1HBN, m2HBN) ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- ## Para a componente de contagens não negativas é necessário um modelo ## Binomial Negativa, considerando superdispersão dos dados? vuong(m1HP, m1HBN) ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- ## Estimativas do modelo proposto summary(m1HP) ... ... @@ -375,10 +371,10 @@ lmtest::lrtest(m1HP, m3HP) summary(m3HP) ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- ## Avaliação de diferentes especificações para a componente de contagens ## nulas ## nulas m3HP.pois <- hurdle(nsinist ~ 1 | sexo + valor + log(expos), data = seguros, zero.dist = "poisson") ... ... @@ -393,7 +389,7 @@ sapply(list("binomial" = m3HP, "poisson" = m3HP.pois, "negbin" = m3HP.negb, "geometric" = m3HP.geom), logLik) ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- ## Região para predição pred <- expand.grid(sexo = c("M", "F"), ... ... @@ -417,7 +413,7 @@ xyplot(fit ~ valor | factor(expos), title = "Número de crianças")) ## ------------------------------------------------------------------------ ## ----------------------------------------------------------------- ##------------------------------------------- ## Estimando probabilidades ... ...
This diff is collapsed.
This diff is collapsed.
Markdown is supported
0% or
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!