Aqui você vê as diferenças entre duas revisões dessa página.
Ambos lados da revisão anterior Revisão anterior Próxima revisão | Revisão anterior Próxima revisão Ambos lados da revisão seguinte | ||
02_tutoriais:tutorial7:start [2020/10/01 23:35] adalardo [Simulando dados] |
02_tutoriais:tutorial7:start [2020/10/02 18:30] adalardo [Variável Indicadora] |
||
---|---|---|---|
Linha 7: | Linha 7: | ||
A primeira parte desse tutorial é baseado no [[http://labtrop.ib.usp.br/doku.php?id=cursos:planeco:roteiro:08-lm_rcmdr| tutoria de modelos lineares da disciplina Princípios de Planejamento e Análise de Dados]], inclusive as vídeoaulas. Aqui iremos focar no código que estava subjacente ao tutorial. | A primeira parte desse tutorial é baseado no [[http://labtrop.ib.usp.br/doku.php?id=cursos:planeco:roteiro:08-lm_rcmdr| tutoria de modelos lineares da disciplina Princípios de Planejamento e Análise de Dados]], inclusive as vídeoaulas. Aqui iremos focar no código que estava subjacente ao tutorial. | ||
+ | <WRAP center round tip 60%> | ||
+ | A videoaula gravada no google meet no dia 02 de outubro de 2020 está ao final do tutorial. Dê preferência para as videoaulas do curso de **Principios de Planejamento e Análise de Dados** que estão colocadas ao longo do tutorial. Eles tratam o tema de modelos lineares de forma mais sucinta e tiveram alguma edição. Desconsiderem nesses vídeos as referências à disciplina. | ||
+ | </WRAP> | ||
+ | |||
===== Modelos Lineares ===== | ===== Modelos Lineares ===== | ||
Linha 12: | Linha 16: | ||
Os modelos lineares são uma generalização dos testes de hipótese clássicos mais simples. Uma regressão linear, por exemplo, só pode ser aplicada para dados em que tanto a variável preditora quanto a resposta são contínuas, enquanto uma análise de variância é utilizada quando a variável preditora é categórica. Os modelos lineares não têm essa limitação, podemos usar variáveis contínuas ou categóricas indistintamente. | Os modelos lineares são uma generalização dos testes de hipótese clássicos mais simples. Uma regressão linear, por exemplo, só pode ser aplicada para dados em que tanto a variável preditora quanto a resposta são contínuas, enquanto uma análise de variância é utilizada quando a variável preditora é categórica. Os modelos lineares não têm essa limitação, podemos usar variáveis contínuas ou categóricas indistintamente. | ||
- | <WRAP center round box 40%> | + | <WRAP center round box 80%> |
__**Videoaula Modelo Linear I**__ | __**Videoaula Modelo Linear I**__ | ||
O vídeo é proveniente de outra disciplina, desconsidere qualquer referência a ela. | O vídeo é proveniente de outra disciplina, desconsidere qualquer referência a ela. | ||
+ | <WRAP center round tip 80%> | ||
{{youtube>b4VgLr6loGE}} | {{youtube>b4VgLr6loGE}} | ||
+ | |||
+ | </WRAP> | ||
</WRAP> | </WRAP> | ||
- | No quadro abaixo estão listados alguns dos testes clássicos frequentistas. Estes testes foram criados para diferentes naturezas de variáveis respostas e preditoras. Você já refletiu sobre a natureza das variáveis do seu estudo? Esse é um passo importante na tomada de decisão da análise adequada, assim como seu acoplamento com a hipótese do trabalho é fundamental! | + | No quadro abaixo estão listados alguns dos testes clássicos frequentistas. Estes testes foram criados para diferentes naturezas de variáveis respostas e preditoras. Você já refletiu sobre a natureza das variáveis do seu estudo? Esse é um passo importante na tomada de decisão da análise adequada, assim como seu acoplamento com a hipótese de trabalho é fundamental! |
Linha 47: | Linha 54: | ||
- | Parece complicado, mas é simples gerar dados aleatórios com essa estrutura do R. Vamos definir primeiro qual são os parâmetros que estão na nossa população, ou seja qual o valor de $\alpha$ e $\beta$ da relação entre ''y'' e ''x'' na população. Além disso, vamos definir também qual a variabilidade associada a essa relação, o nosso $\epsilon$. | + | Parece complicado, mas é simples gerar dados aleatórios com essa estrutura do R. Vamos definir primeiro quais são os parâmetros que estão na nossa população, ou seja qual o valor de $\alpha$ e $\beta$ da relação entre ''y'' e ''x'' na população. Além disso, vamos definir também qual a variabilidade associada a essa relação, o nosso $\epsilon$. |
$$ y = 5.3 + 0.12 x + N(0, 5) $$ | $$ y = 5.3 + 0.12 x + N(0, 5) $$ | ||
- | Antes de gerar os dados aleatórios, vamos utilizar uma ferramenta que define a raiz da semente aleatória que o R irá usar. Com isso, apesar dos dados gerados serem proveniente de uma amostra aleatória, todos que utilizarem a mesma semente terão os mesmo valores amostrados. Em seguida vamos criar uma sequência para representar a variável preditora ''x'' e a partir da relação acima, calcular o ''y0'', que são os valores associados a essa relação determinística com ''x'' e também criar um vetor ''res'' que define a variabilidade do nossos dados: | + | Antes de gerar os dados aleatórios, vamos utilizar uma ferramenta que define a raiz da semente aleatória que o R irá usar. Com isso, apesar dos dados gerados serem provenientes de uma amostra aleatória, todos que utilizarem a mesma semente terão os mesmo valores amostrados. Em seguida vamos criar uma sequência para representar a variável preditora ''x'' e, a partir da relação acima, calcular o ''y0'', que são os valores associados a essa relação determinística com ''x'' e também criar um vetor ''res'' que define a variabilidade do nossos dados: |
<code rsplus> | <code rsplus> | ||
Linha 69: | Linha 76: | ||
<code rsplus> | <code rsplus> | ||
par(mar = c(4, 4, 2, 2), cex.lab = 1.5, cex.axis = 1.5, las = 1, bty = "n") | par(mar = c(4, 4, 2, 2), cex.lab = 1.5, cex.axis = 1.5, las = 1, bty = "n") | ||
- | plot(x1, y1, type = "n", axes = FALSE, ann = FALSE, , ylim = range(y1), xlim = range(x1)) | + | plot(x1, y1, type = "n", axes = FALSE, ann = FALSE, ylim = range(y1), xlim = range(x1)) |
rect(par()$usr[1], par()$usr[3], par()$usr[2], par()$usr[4], col = rgb(0, 0, 0, 0.15)) | rect(par()$usr[1], par()$usr[3], par()$usr[2], par()$usr[4], col = rgb(0, 0, 0, 0.15)) | ||
axis(1) | axis(1) | ||
Linha 76: | Linha 83: | ||
mtext(text = "Variável resposta (y1)", side = 2, line = 3, cex = 1.5, las =0) | mtext(text = "Variável resposta (y1)", side = 2, line = 3, cex = 1.5, las =0) | ||
cores <- c(rgb(1, 0, 0, 0.3), rgb(0, 0, 1, 0.3)) | cores <- c(rgb(1, 0, 0, 0.3), rgb(0, 0, 1, 0.3)) | ||
- | points(x, y0, pch = 16, cex = 0.8, col = cores[1] ) | + | points(x1, y0, pch = 16, cex = 0.8, col = cores[1] ) |
- | points(x, y1, pch = 19, col = cores[2]) | + | points(x1, y1, pch = 19, col = cores[2]) |
legend("bottomright", legend = c("y0 = 10.3 + 0.12 x1", "y1 = y0 + N(0, 5)"), bty = "n", col = cores, pch = 19) | legend("bottomright", legend = c("y0 = 10.3 + 0.12 x1", "y1 = y0 + N(0, 5)"), bty = "n", col = cores, pch = 19) | ||
</code> | </code> | ||
Linha 312: | Linha 319: | ||
*1. Cria valores aleatórios de uma normal com média zero e desvio padrão igual a 5; | *1. Cria valores aleatórios de uma normal com média zero e desvio padrão igual a 5; | ||
- | *2. Somo esses valores ao valor ''y0 '', proveniente da relação ''y ~ x'' da população e cria os dados ''ySim''; | + | *2. Soma esses valores ao valor ''y0 '', proveniente da relação ''y ~ x'' da população e cria os dados ''ySim''; |
*3. Cria o modelo com o ''ySim ~ x1''; | *3. Cria o modelo com o ''ySim ~ x1''; | ||
*4. Guarda os coeficientes do modelo em ''cSim''; | *4. Guarda os coeficientes do modelo em ''cSim''; | ||
Linha 426: | Linha 433: | ||
===== Tabela de Anova de uma Regressão ===== | ===== Tabela de Anova de uma Regressão ===== | ||
- | <WRAP center round box 60%> | + | <WRAP center round box 100%> |
+ | <WRAP center round tip 80%> | ||
+ | Video na disciplina de Princípios de Planejamento e Análise de Dados. Desconsidere qualquer referência à disciplina. O tema tratado é a partição de variação dos dados. | ||
{{youtube>C4urUFRGDvo}} | {{youtube>C4urUFRGDvo}} | ||
+ | |||
+ | </WRAP> | ||
</WRAP> | </WRAP> | ||
Linha 849: | Linha 860: | ||
</WRAP> | </WRAP> | ||
+ | <WRAP center round box 100%> | ||
+ | Aula síncrona da disciplina no google meet, gravada em 01 de outubro de 2020. Nela abordo a construção e interpretação de modelos lineares simples no ambiente de programação R, focando no resumo (''summary'') com as principais informações do modelo. Uma bom entendimento do resumo do modelo é essencial para interpretação correta do resultado. Veja curso completo em: | ||
+ | http://ecor.ib.usp.br | ||
+ | <WRAP center round tip 80%> | ||
+ | {{youtube>VRrJ487k5qY}} | ||
+ | </WRAP> | ||
+ | |||
+ | </WRAP> | ||