id.outliers()
Entrada de dados: Será realizado por meio de uma tabela de classe data.frame no R. Essa tabela terá linhas correspondendo às observações medidas e as colunas corresponderão às variáveis. Somente as variáveis quantitativas (numéricas) poderão ser usadas nessa função.
Argumentos: a função terá 7 argumentos;
id.outliers (x, quant=, group= , id= , visual= , res= , csv= FALSE)
Onde:
x: é o data frame, a tabela com todas as colunas e linhas;
quant: um vetor contendo as posições das colunas que representem variáveis quantitativas/numéricas;
group: argumento que indica apenas uma coluna do data frame que contém a informação dos subgrupos de interesses (pode ser espécies, áreas, experimentos, idades, sexo, localidades etc.). Com esse argumento indicado, a função transformará a tal coluna em um objeto da classe factor e os testes serão realizados para todos os níveis desse fator separadamente. Se não for definido, o teste será feito considerando todas as observações do data frame como pertencentes ao mesmo grupo;
id: indica o algoritmo utilizado para a identificação dos outliers. Existem quatro opções, o default será box:
id=“box”: utilizará a função boxplot() para a identificação dos outliers;
id=“z”: utilizará o teste modified Z-Score (Iglewicz & Hoaglin, 1993);
id=“ESD”: utilizará o teste generalized ESD test (Rosner 1983) para a identificação do número de outliers, e não quais são eles. Para esse teste os dados devem estar distribuídos próximo a curva normal;
id=“ALL”: ulitizará todos os três testes acimas;
visual: determina a forma de visualização dos outliers, em qual dos gráficos eles serão visualizados, o default será box:
visual=“box”: utilizará a função boxplot() para a construção do gráfico;
visual=“pontos”: utilizará um gráfico de pontos com a função dotchart();
visual=“biplot”: um gráfico de dispersão com duas variáveis será construído. Uma das variáveis do gráfico será aquela com os outliers identificados e a outra variável será retira da lista de variáveis quantitativas informada pelo argumento quant;
visual=“ALL”: criará todos os três gráficos acima;
res: determina a resolução dos gráficos. Terá três opções, o default será LOW:
res=“LOW”: qualidade alta, 150 dpi;
res=“MED”: qualidade média, 300 dpi;
res=“HIGH” qualidade alta, 600 dpi;
csv= indica se a função criará um output com os outliers no formato .csv para a utilização em outros programas. O default será FALSE, a função retornará apenas uma lista com os outliers.
Objetos de Saída: Ao término da função serão geradas no máximo 3 tipos de objetos: tabelas em formato .csv, gráficos salvos em formato .jpeg e um objeto tipo list contendo os outliers.
Gráficos Gerados: Os gráficos para todas as variáveis indicadas pelo argumento quant serão apresentados em uma única prancha, e uma prancha para cada tipo de gráfico, no fim, se o argumento visual=“ALL” for escolhido serão gerados três pranchas.
Passos da Função: Para cada um dos grupos indicados pelo argumento group será criada uma pasta de diretório separada, onde serão salvos os objetos de saída. Essa pasta receberá o nome do grupo e dentro dela haverá um pasta para cada tipo de gráfico escolhido e para cada algoritmo utilizado se o argumento csv=TRUE for designado.
Utilidade da Função: A função poderá ser utilizada por qualquer pessoa que trabalhe com dados quantitativos e tenha o interesse de verificar a existência e identificar possível outliers.
Referências:
IGLWICZ, Boris; HOAGLIN, David. Volume 16: How to Detect and Handle Outliers. IN: MYKYTKA, Edward F.(ed.), The ASQC Basic References in Quality Control: Statistical Techniques, 1993.
ROSNER, Bernard. Percentage Points for a Generalized ESD Many-Outlier Procedure. Technometrics, 25(2), pp. 165-172, 1983.
ZUUR, Alain F.; IENO, Elena N.; ELPHICK, Chris S. A protocol for data exploration to avoid common statistical problems. Methods in Ecology and Evolution, v. 1, n. 1, p. 3-14, 2010.
Fórmulas para os Algoritmos:
Generalized ESD test
Modified Z-Score test