Exemplo

Na função autologistic.citrus() foi implementado a regressão logística com estimação dos parâmetros pelo método da pseudo-verossimilhança. Também foi implementado o procedimento de reamostragem de bootstrap via amostrador de Gibbs para a obtenção de estimativas mais precisas dos erros dos parâmetros do modelo.

> args(autologistic.citrus)

  function (obj, bor = 1, formula = Y ~ R + C + dA + dB, obj2 = NULL,
      covariate = NULL, death = 1, healt = 0, inf.method = c("pseudo",
          "mc", "bootstrap"), N, verbose = TRUE)
  NULL

Nesta função deve-se entrar obrigatoriamente com os dados. Alternativamente, pode-se deﬁnir o numero de bordas a ser desconsiderado no argumento bor, se a informação da vizinhança será tomada na forma binária ou de contagem, os códigos de que indicam o status da planta e o numero de simulanções na reamostragem.

Como exemplo do ajuste do modelo por pseudo-verossimilhança, vamos ajustá-lo aos dados de ppc de Itajobi, fazendo K=0, ou seja, sem reamostragens bootstrap via amostrador de Gibbs.

Carregando um conjunto de dados de pinta preta.

> data(Itajobi)

Fazendo a análise:

> aut.ita <- autologistic.citrus(Itajobi)

(Intercept) R C dA dB
-5.756 4.369 0.644 -0.123 1.294

> summary(aut.ita)

  Call:
  glm(formula = formula, family = binomial, data = obj.df)

  Deviance Residuals:
      Min       1Q   Median       3Q      Max
  -1.4184  -0.0795  -0.0795  -0.0795   3.3939

  Coefficients:
              Estimate Std. Error z value Pr(>|z|)
  (Intercept)   -5.756      0.336  -17.12  < 2e-16 ***
  R              4.369      0.551    7.93  2.2e-15 ***
  C              0.644      0.965    0.67     0.50
  dA            -0.123      1.002   -0.12     0.90
  dB             1.294      1.015    1.27     0.20
  ---
  Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

  (Dispersion parameter for binomial family taken to be 1)

      Null deviance: 227.16  on 2767  degrees of freedom
  Residual deviance: 160.04  on 2763  degrees of freedom
  AIC: 170.0

  Number of Fisher Scoring iterations: 8

Como exemplo de reamostragem, vamos aplicar nos dados de Bell Pepper publicados em (?).

Carregando um conjunto de dados de bell Pepper:

> (data(bellPepper))

[1] "bellPepper"

Fazendo a análise para 10 simulaçoes:

  > set.seed(153)
  > aut <- autologistic.citrus(bellPepper, inf.meth = "boo",
  +     N = 10)

  (Intercept)           R           C          dA          dB
       -2.942       1.249      -0.189       0.563       1.021
  Simulation:1, 2, 3, 4, 5, 6, 7, 8, 9, 10, OK!

> aut

  Results of pseudo-likelihood
  Coeficients:
  (Intercept)           R           C          dA          dB
       -2.942       1.249      -0.189       0.563       1.021
  Variances:
  (Intercept)           R           C          dA          dB
       0.0839      0.0744      0.1359      0.1118      0.0756
  Results of bootstrap re-samples witch Gibbs Sampler:
  Coeficients:
  (Intercept)           R           C          dA          dB
       -3.183       1.314       0.200       0.465       0.917
  Variances:
  (Intercept)           R           C          dA          dB
        0.168       0.340       0.190       0.262       0.255

Plotando os resultados de duas maneiras: plot simples e densidade.

  > par(mfrow = c(2, 5), mar = c(3, 3, 3, 0.5), mgp = c(2, 1,
  +     0))
  > plot(aut)
  > density.autologistic(aut)

pict

Figura 1:

Vizualização dos valores simulados na reamostragem bootstrap via amostrador de Gibbs, plot simples e densidade.

Na Figura 1 podemos vizualizar as estimativas obtidas em nas simulações.

[next] [front] [up]