Introduo aos Modelos Lineares em Ecologia

Prof. Adriano Sanches Melo - Dep. Ecologia UFG

asm.adrimelo no gmail.com

Pgina do curso: www.ecologia.ufrgs.br/~adrimelo/lm/

Livro-texto: Crawley, M.J. 2005. Statistics: An Introduction using R.

John Wiley & Sons.

Pgina do livro na internet:

http://www3.imperial.ac.uk/naturalsciences/research/statisticsusingr
 AULA 6
1. Introduo

1.1 O que modelagem ?

Todos os modelos esto errados, mas alguns so teis (Box 1976)

1.2 Modelos devem ser parcimoniosos. Ou seja, preferimos:

Modelos com n-1 parmetros em relao a outro com n parmetros;
Modelos com k-1 variveis explanatrias em relao a outro com k var.;
Modelos lineares em relao a modelos que sejam curvos;
Modelos sem corcova em relao a modelos com corcova;
Modelos sem interao em relao a modelos com interao.
2. Tipos de modelos

Modelo Saturado: 1 parmetro para cada observao

Modelo Mximo: Contm todos parmetros, interaes e covariveis

Modelo adequado mnimo: Contm apenas variveis importantes

Modelo nulo: Contm apenas a constante, ou seja, a mdia geral

3. Simplificao de modelos

3.1 Ajuste o modelo mximo

3.2 Inicie a simplificao do modelo

3.3 Retire o termo que aparentemente tem a menor importncia.

Causou uma diferena siginificativa em Deviance ?
SE SIM, retorne o termo ao modelo.
SE NO, deixe-o fora e exclua outro termo.

3.4 Repita o procedimentos 3.2 e 3.3 at no conseguir remover termos

4. Frmulas no R (apenas relembrando..)

y ~ x (onde x contnuo)

y ~ sexo (onde sexo categrico)

y ~ sexo*x
ou
y ~ sexo + x + sexo:x

y ~ x + I(x^2) ( I significa do jeito que est)

y ~ 1 (modelo com apenas a constante [a mdia])

y ~ x-1 (modelo sem a constante)

5. Atualizao de modelos (til com modelos muito grandes)

modelo1<-lm(y~A*B)
modelo2<-update(modelo1, ~ . - A:B)

6. Comparao de modelos

anova(modelo1, modelo2)

7. Diagnstico do modelo: O modelo vlido?

Os mesmos procedimentos vistos em aulas anteriores
8. Modelos Lineares Generalizados (GLMs)

-Extenso dos modelos lineares para variveis respostas que no sejam:

- distribudas segundo uma Distribuio Normal
- no tenham constncia de varincia

-Exemplos:
Valores de contagem no podem ser negativos
Valores de propores no podem ser < 0 ou >1

Tipo de Erro Link

-As funes de ligao (link functions)
Normal identity
Poisson log

-Uso no R: Binomial logit

glm(y ~ x, family = binomial)

Veremos GLMs em aulas posteriores

Regresso Logstica

Regresso de Poisson
 Ancova
1. Introduo
ANCOVA ou Anlise de Covarincia:
Um modelo misto em termos de preditores

Sendo sexo uma varivel categrica e idade uma varivel contnua,

o modelo de ANCOVA seria:

peso ~ sexo * idade

2a. Possibilidades de resultado (Crawley p.188)
peso

peso
2 interceptos 2 interceptos
2 inclinaes 1 inclinao
peso

peso
1 intercepto
2 interceptos
2 inclinaes
peso

peso

1 inclinao

idade idade
2b. Possibilidades de resultado (Gotelli & Ellison p.334)

peso
Tratamento: NS Tratamento: NS
Y

Covarivel: NS Covarivel: P<0.05

Interao: NS Interao: NS

peso
Tratamento: P<0.05 Tratamento: P<0.05
Y

Covarivel: NS Covarivel: P<0.05

Interao: NS Interao: NS

peso
Tratamento: NS Tratamento: P<0.05
Y

Covarivel: NS Covarivel: NS
Interao: P<0.05 Interao: P<0.05

X (covarivel) X (covarivel)
3. Particularidades

3.1 Ordem de entrada dos termos no modelo importante.

(Dados em geral no so ortogonais)
(O que os pacotes estatsticos fazem ento?)

3.2 Interao indica diferena entre inclinaes das retas.

3.3 O preditor contnuo frequentemente chamado de covarivel.

Exerccios e estudo individual:

-- Lista em sala de aula

-- Crawley: Cap. 7 e 10

-- Gotelli e Ellison: pp. 314-317

333-334