Não foi possível enviar o arquivo. Será algum problema com as permissões?
Diferenças
Aqui você vê as diferenças entre duas revisões dessa página.
| Ambos lados da revisão anterior Revisão anterior Próxima revisão | Revisão anterior Última revisão Ambos lados da revisão seguinte | ||
|
disciplinas:ce227-2016-01:historico [2016/05/18 18:29] paulojus |
disciplinas:ce227-2016-01:historico [2016/05/30 19:07] paulojus |
||
|---|---|---|---|
| Linha 283: | Linha 283: | ||
| === 18/05 === | === 18/05 === | ||
| + | - {{:disciplinas:ce227:changepointjags.r|Script R/JAGS para análise dos dados do Cap 8}} (changepoint Poisson) | ||
| - {{:disciplinas:ce227:ce227-av04.pdf|Arquivo com exemplos de modelos visto em aula}} | - {{:disciplinas:ce227:ce227-av04.pdf|Arquivo com exemplos de modelos visto em aula}} | ||
| - | - {{:disciplinas:ce227:apresentacao-inla.pdf|INLA - idéias básicas}} | + | - **INLA** |
| + | - {{:disciplinas:ce227:apresentacao-inla.pdf|INLA - idéias básicas}} | ||
| + | - [[https://www.math.ntnu.no/~ingelins/INLAmai09/Pres/talkHavard.pdf|Apresentação de H. Rue]] | ||
| + | - [[http://www.statistica.it/gianluca/Talks/INLA.pdf|Apresentação de Gianluca Baio]] | ||
| - [[https://arxiv.org/pdf/1604.00860v1.pdf|Artigo recente de revisão do INLA]] pelos seus desenvolvedores | - [[https://arxiv.org/pdf/1604.00860v1.pdf|Artigo recente de revisão do INLA]] pelos seus desenvolvedores | ||
| - Mais um exemplo de análise com efeitos aleatórios (serialmente) correlacionados<code R> | - Mais um exemplo de análise com efeitos aleatórios (serialmente) correlacionados<code R> | ||
| + | ## | ||
| + | ## Análise de conjunto de dados com INLA com efeitos aleatórios temporalmente correlacionados | ||
| + | ## | ||
| require(INLA) | require(INLA) | ||
| ## | ## | ||
| - | ## Visualizado dados | + | ## Visualização dos dados |
| ## | ## | ||
| data(Tokyo) | data(Tokyo) | ||
| Linha 301: | Linha 308: | ||
| fit.glm <- glm(cbind(y, n-y) ~ 1, family=binomial, data=Tokyo) | fit.glm <- glm(cbind(y, n-y) ~ 1, family=binomial, data=Tokyo) | ||
| abline(h=exp(coef(fit.glm))/(1+exp(coef(fit.glm))), col=2, lty=3, lwd=3) | abline(h=exp(coef(fit.glm))/(1+exp(coef(fit.glm))), col=2, lty=3, lwd=3) | ||
| - | ## como, como este modelo, todos os valores preditos são iguais bastaria fazer: | + | ## ou então, como neste modelo todos os valores preditos são iguais bastaria fazer: |
| abline(h=fitted(fit.glm)[1], col=2, lty=3, lwd=3) | abline(h=fitted(fit.glm)[1], col=2, lty=3, lwd=3) | ||
| ## | ## | ||
| - | ## 2. Modelo com probabilidades variando no tempo (variável/processo latente) | + | ## 2. Agora o mesmo modelo nulo anterior porém ajustado pelo INLA |
| + | ## | ||
| + | modelo0 = y ~ 1 | ||
| + | fit0 <- inla(modelo0, data=Tokyo, family="binomial", Ntrials=n, | ||
| + | control.predictor=list(compute=TRUE)) | ||
| + | summary(fit0) | ||
| + | fit0$summary.fitted.values | ||
| + | with(fit0, matlines(summary.fitted.values[,c(1,3:6)], lty=c(1,2,2,2,3), col=2)) | ||
| + | ## | ||
| + | ## 3. Modelo com probabilidades variando no tempo | ||
| + | ## através da inclusão de variável/processo latente | ||
| ## modelando o logito(probabilidade) como um efeito aleatório correlacionado no tempo | ## modelando o logito(probabilidade) como um efeito aleatório correlacionado no tempo | ||
| - | ## segundo um "random walk" cíclico de ordm 2 | + | ## segundo um "random walk" cíclico de ordem 2 |
| modelo = y ~ 0 + f(time, model="rw2", cyclic=T, param=c(1, 0.0001)) | modelo = y ~ 0 + f(time, model="rw2", cyclic=T, param=c(1, 0.0001)) | ||
| - | fit <- inla(modelo, data=Tokyo, family="binomial", Ntrials=n, control.predictor=list(compute=TRUE)) | + | fit <- inla(modelo, data=Tokyo, family="binomial", Ntrials=n, |
| + | control.predictor=list(compute=TRUE)) | ||
| ## | ## | ||
| names(fit) | names(fit) | ||
| head(fit$summary.fitted.values) | head(fit$summary.fitted.values) | ||
| - | ## sobrepondo ao gráfico dos dados (moda, mediana e médi são praticamente indistinguíveis | + | ## sobrepondo ao gráfico dos dados (moda, mediana e média são praticamente indistinguíveis) |
| with(fit, matlines(summary.fitted.values[,c(1,3:6)], lty=c(1,2,2,2,3), col=1)) | with(fit, matlines(summary.fitted.values[,c(1,3:6)], lty=c(1,2,2,2,3), col=1)) | ||
| - | ## | ||
| - | ## 3. Agora o mesmo modelo nulo anterior porém jusado pelo INLA | ||
| - | ## | ||
| - | modelo0 = y ~ 1 | ||
| - | fit0 <- inla(modelo0, data=Tokyo, family="binomial", Ntrials=n, control.predictor=list(compute=TRUE)) | ||
| - | summary(fit0) | ||
| - | fit0$summary.fitted.values | ||
| - | with(fit0, matlines(summary.fitted.values[,c(1,3:6)], lty=c(1,2,2,2,3), col=2)) | ||
| ## | ## | ||
| ## 4. Modelando usando GAM (generalised additive model) | ## 4. Modelando usando GAM (generalised additive model) | ||
