Modelos não lineares

Edilene Azarias

30 de junho 2023

logos-.jpg
 Modelos não lineares

Introdução

Os modelos de regressão apresentam, de modo geral, a seguinte forma:

Y = f (X , θ) + ε

onde f é conhecido, é a função das variáveis preditoras X e do vetor de

parâmetros θ = (θ1 , θ2 , ..., θn ) que precisa ser estimado e ε é o erro
aleatório, ε ∼ N(0, σ 2 ).

2/23
 Modelos não lineares

Para variáveis biológicas, modelos lineares raramente explicam a

relação entre as variáveis. Essas são, portanto, melhores descritas por
modelos não lineares.

Modelos não lineares são caracterizados por funções f (X ; θ) não

lineares em pelo menos um dos parâmetros θi

3/23
Modelos não lineares

4/23
 Modelos não lineares

Vantagens

A escolha é baseada em alguma informação que o pesquisador já

possui;

Os parâmetros de interesse para o pesquisador possuem interpreta-

ção;

São parcimoniosos pois apresentam menos parâmetros.

5/23
 Modelos não lineares

A literatura apresenta vários modelos de regressão não lineares. Cada

um possui finalidades especificas. Os mais conhecidos são:

Modelo Logı́stico;
Modelo de Gompertz;
Modelo de Michaelis-Menten;
Modelo von Bertalanffy;
Brody.

6/23
 Modelos não lineares

Modelo Logı́stico
Proposto em 1838, por Verhulst, com o objetivo de estudar o cres-
cimento de uma população (SEBER; WILD, 1989).

α
Yi = + εi
1+ e κ(β−Xi )

em que, i = 1, 2, ..., n
Yi a i-ésima observação da variável dependente;
xi a i-ésima observação da variável independente;
α é o valor esperado para o crescimento máximo em estudo;
β a abscissa do ponto de inflexão;
κ é um ı́ndice associado ao crescimento;
εi os erros aleatórios atribuı́dos ao modelo.
7/23
 Modelos não lineares

Modelo Gompertz

Proposto por Benjamim Gompertz em 1825 usado para estudos

populacionais e crescimento de animais (SEBER; WILD, 1989).
κ(β−xi )
Yi = αe −e + εi

8/23
 Modelos não lineares

Métodos de estimação dos parâmetros

Em geral é feito pelo Método de Mı́nimos Quadrados.

Pode ser escrito matricialmente como:

Y = f (X , θ) + ε
em que:
     
Y1 f (X1 , θ) ε1
 Y2   f (X2 , θ)   ε2 
Y= ; f (X , θ) =  ; ε= .
     
.. .. ..
 .   .   . 
Yn f (Xn , θ) εn

9/23
 Modelos não lineares

Método dos mı́nimos quadrados ordinários

SQRes, associada à equação Y = f (X , θ) + ε é dada pela seguinte ex-
pressão:

SQRes(θ) = ε′ ε = [Y − f (X ; θ)]′ [Y − f (X ; θ)],

SQRes(θ) = Y’Y − 2Y′ f (X ; θ) + [f (X ; θ)]′ f (X ; θ).

Para encontrar os estimadores que geram as estimativas, é preciso derivar

a soma de quadrados dos erros com relação a cada elemento do vetor θ e
igualar a zero. Assim,

∂SQRes(θ) ∂f (X ; θ) ∂[f (X ; θ)]′

= −2Y′ × + × f (X ; θ)+
∂θ ∂θ ∂θ
∂f (X ; θ)
f (X ; θ)′ ×
∂θ
10/23
 Modelos não lineares

Método de mı́nimos quadrados ordinários

∂f (X ; θ)
é a matriz de derivadas parciais, conhecida como matriz jaco-
∂θ
biana, de dimensões nxp, sendo n o número de observações e p a quanti-
dade de parâmetros do modelo. Essa matriz pode ser representada como:

11/23
 Modelos não lineares

Substituindo a matriz jacobiana por XJ , e igualando a zero, temos:

−2Y′ XJ + 2[f (X ; θ̂)]′ XJ = 0

XJ′ f (X ; θ̂) = XJ′ Y ⇒ SEN

Como a matriz XJ e f (X; θ) dependem de θ, pois Xj é a matriz de deri-

vadas parciais e pela definição de modelos não lineares essa matriz tem
parâmetros, assim não será possı́vel obter uma solução analı́tica para os
parâmetros.

Caso linear:

(X ′ X )θ̂ = X ′ Y
θ̂ = (X ′ X )−1 X ′ Y

12/23
 Modelos não lineares

Métodos iterativos

Os principais métodos iterativos são o método de Gauss Newton,

método da descida mais ı́ngreme (steepest descent), método da
procura pelo gradiente conjugado, método da procura de
NelderMead, entre outros.

13/23
 Modelos não lineares

Método iterativo de Gauss Newton

Consiste no desenvolvimento em série de Taylor do vetor de funções:
f (θ̂) = f (θ 0 ) + F (θˆ0 )(θ − θˆ0 ) + ... em que F (θ0 ) é a matriz de primeiras
derivadas de X , avaliadas no ponto θ0 .
Substituindo os termos dessa expansão no SEN, tem-se:

X ′ f (θ̂) = X ′ Y
X ′ [f (θ 0 ) + F (θ 0 )(θ − θ 0 )] = X ′ Y,
usando F (θ 0 ) = X

X ′ [f (θ 0 ) + X (θ − θ 0 )] = X ′ Y
utilizando a propriedade distributiva em X’,

X ′ f (θ 0 ) + X ′ X (θ − θ 0 ) = X ′ Y

14/23
 Modelos não lineares

Método iterativo de Gauss Newton

X ′ X (θ − θ 0 ) = X ′ Y − X ′ f (θ 0 )
X ′ X (θ − θ 0 ) = X ′ [Y − f (θ 0 )]
note que: ε = Y − f (θ 0 ), multiplicando ambos membros pela inversa de
X ′ X e utilizando propriedades de matrizes, tem-se:

(θ − θ 0 ) = (X ′ X )−1 X ′ ε.
Assim, a forma iterativa de Gauss-Newton é dada por:

θ 1 = θ 0 + (X ′ X )−1 X ′ ε.
Colocando θ 1 no lugar de θ 0 repete-se esse processo sempre colocando
um determinado valor de θ no lugar do anterior até que algum critério de
convergência pré-estabelecido seja aceito.
15/23
 Modelos não lineares

Valores iniciais

Todos os processos iterativos dependem da escolha de boas

estimativas iniciais que é importante para que ocorra a convergência.

Drapper Smith (1998), apresentam procedimentos para a obtenção

de valores iniciais, tais como:

a) Interpretar o comportamento da função ou de suas derivadas em

relação aos parâmetros analiticamente ou graficamente;
b) Transformar a função no sentido de obter um comportamento
mais simples, como o caso linear, por exemplo (linearização);
c) Reduzir dimensões das funções com a atribuição de determinados
valores para alguns parâmetros.

16/23
 Modelos não lineares

Análise de Resı́duos

Tem como objetivo verificar se o modelo é adequado para conseguir fazer

a inferência.

Independência → Durbin e Watson (1950)

Normalidade → Shapiro e Wilk (1965)
Homoscedasticidade → Breusch e Pagan (1979)

17/23
 Modelos não lineares

Avaliadores de qualidade de ajuste

Coeficiente de Determinação (R 2 )
Maior valor → Melhor ajuste

Desvio Padrão Residual (DPR)

Menor valor → Melhor ajuste

Critério de Informação de Akaike (AIC)

Menor valor → Melhor ajuste

18/23
Modelos não lineares

19/23
 Modelos não lineares

Motivação

“Estudos do crescimento e desenvolvimento de plantas daninhas

fornecem informações sobre os diferentes estádios fenológicos e
padrões de crescimento vegetal” (CARVALHO; LÓPEZ-OVEJERO;
CHRISTOFFOLETI, 2008, p. 318);

20/23
 Modelos não lineares

Motivação

“Estudos do crescimento e desenvolvimento de plantas daninhas

fornecem informações sobre os diferentes estádios fenológicos e
padrões de crescimento vegetal” (CARVALHO; LÓPEZ-OVEJERO;
CHRISTOFFOLETI, 2008, p. 318);

análisar seu comportamento, interferência sobre outras plantas,

competitividade;

20/23
 Modelos não lineares

Motivação

“Estudos do crescimento e desenvolvimento de plantas daninhas

fornecem informações sobre os diferentes estádios fenológicos e
padrões de crescimento vegetal” (CARVALHO; LÓPEZ-OVEJERO;
CHRISTOFFOLETI, 2008, p. 318);

análisar seu comportamento, interferência sobre outras plantas,

competitividade;

determinar um perı́odo correto para aplicações de herbicidas em cada

espécie (SELLERS et al., 2003).

20/23
 Modelos não lineares

Amaranthus

Representada em todo o Paı́s, são encontradas em áreas sob agro-

pecuária, com cultivos, terrenos baldios, rodovia, dentre outros.

21/23
 Modelos não lineares

Amaranthus

Representada em todo o Paı́s, são encontradas em áreas sob agro-

pecuária, com cultivos, terrenos baldios, rodovia, dentre outros.

anual, herbácea, de rápido crescimento e desenvolvimento, se repro-

duz por sementes ou frutos;

21/23
 Modelos não lineares

Amaranthus

Representada em todo o Paı́s, são encontradas em áreas sob agro-

pecuária, com cultivos, terrenos baldios, rodovia, dentre outros.

anual, herbácea, de rápido crescimento e desenvolvimento, se repro-

duz por sementes ou frutos;

produzem por planta de 100.000 a 150.000.

21/23
 Modelos não lineares

Amaranthus deflexus - Caruru rasteiro

Desenvolve nas Regiões Sudeste e Sul do paı́s. Ocorre com muita fre-
quência em cultivos de batata, cenoura, tomate, maracujá, banana,
citros, dentre outros. Hospedeira de ácaros do gênero Brevipalpus
(MOREIRA; BRAGANÇA, 2011).
Figura: 2 - Amaranthus deflexus

Fonte: MOREIRA; BRAGANÇA, 2011

22/23
 Material

Material

Os dados foram extraı́dos de (Carvalho; López-Ovejero; Christoffoleti,

2008);

23/23
 Material

Material

Os dados foram extraı́dos de (Carvalho; López-Ovejero; Christoffoleti,

2008);
Desenvolvido em casa de vegetação do Departamento de Produção
Vegetal da Escola Superior de Agricultura“Luiz Queiroz”–ESALQ/
USP, em Piracicaba - SP, entre setembro e dezembro de 2005.

23/23
 Material

Material

Os dados foram extraı́dos de (Carvalho; López-Ovejero; Christoffoleti,

2008);
Desenvolvido em casa de vegetação do Departamento de Produção
Vegetal da Escola Superior de Agricultura“Luiz Queiroz”–ESALQ/
USP, em Piracicaba - SP, entre setembro e dezembro de 2005.
Foram utilizadas sementes de A. hybridus, A. retroflexus e A. viridis;
frutos de A. deflexus e A. spinosus.

23/23
 Material

Material

Os dados foram extraı́dos de (Carvalho; López-Ovejero; Christoffoleti,

2008);
Desenvolvido em casa de vegetação do Departamento de Produção
Vegetal da Escola Superior de Agricultura“Luiz Queiroz”–ESALQ/
USP, em Piracicaba - SP, entre setembro e dezembro de 2005.
Foram utilizadas sementes de A. hybridus, A. retroflexus e A. viridis;
frutos de A. deflexus e A. spinosus.
foram realizadas oito avaliações de crescimento aos 20, 30, 40, 50,
60, 70, 80 e 90 dias, utilizando o método destrutivo.

23/23