Citações

    Contatos

    Para os emails, tire os espaços... só para dificultar um pouco o spam mario . alirajr @ ufrpe . br e mariolirajunior @ gmail . com Para ver minha disponibilidade de horários, acesse http://doodle.com/MarioLiraJunior que você vai ver meus horários disponíveis, e pode solicitar um horário para discutir o que estiver querendo ou pode simplesmente mandar um email ou passar na minha sala. Se eu não estiver ocupado demais, dou um jeito de atender na hora mesmo.

    Assine o blog por email

    Digite seu endereço de email para subscrever este blog e receber notificações de novos posts por email.

    Comentários

    Modelo Linear Generalizado

    Aqui está o material para o modelo linear generalizado. Nós teremos a sabatina normalmente esta semana, mas como o prazo ficou mais reduzido para o estudo, eu provavelmente darei um prazo adicional para vocês tirarem dúvida comigo pelo email.

    Assim provavelmente eu vou dar a sexta para vocês estudarem e tirarem dúvida, e divulgo a sabatina pela página.

    De qualquer modo, discutiremos isto com mais calma na quinta.

    modelo-linear-generalizado1

    modelo-linear-generalizado

    9 comments to Modelo Linear Generalizado

    • Raiana Lira

      Dúvidas…

      começando o debate por aqui queria esclarecer umas questões, prof.

      1)eu afirmar que a “ausência de independência torna o nível de significancia muito maior do que o previsto”(slide 8) é o mesmo que dizer que a ausência de independência diminui a minha confiança nos dados?

      2)Não estou entendendo muito bem quando o senhor fala que quanto maior a média mais negativa será a variação do acaso. e nesse mesmo slide (9), como posso observar a independencia das parcelas, ou melhor como sei, olhando pra os pontos que elas n são dependentes…?

      por hora é isso. fico no aguardo. abraços!

    • Raiana Lira

      o bonequinho que apareceu ai sem querer significa slide 8.

    • Mario Lira Junior

      1 – Na realidade quer dizer que tem uma chance de cometer o erro tipo I maior do que estamos planejando, ou seja, achamos que tem 5% de chance de cometer o erro tipo I quando na realidade temos mais do que isto. Ou em outras palavras, diminui a confiança não nos dados, mas nas conclusões que tiramos a respeito deles
      2 – estou falando isto naquele caso específico. o eixo x do gráfico da direita no slide é o valor da parcela, e o eixo y é o valor do desvio. Levando estes eixos em consideração, fica bem visível que para quando x sobe, y desce NAQUELE caso específico. Se eles fosse independentes, não haveria ligação entre desvio e valor, portanto os dados se comportariam de tudo quanto é jeito…

    • Raiana Lira

      entendi prof.! muito grata.

    • joaosiqueira

      Dúvidas:
      1) Gostaria de saber os conceitos de curtose negativa e curtose positiva
      2) No teste de Levene para homocedase, se o F for significativo, deve-se fazer a transformção dos dados ou verificar se existe outlier?

    • Suzana

      Olá professor, seguem as dúvidas:

      – Na aula foi comentado que “o objetivo da eliminação dos pontos não deve ser a redução do CV, isto é apenas consequência”. Mas um coeficiente de variação elevado, não estaria relacionado com dados que não obedecessem as características necessárias, e portanto pontos passíveis de eliminação?

      – Fiquei confusa som a necessidade de ao eliminar um outlier refazer a análise e ai verificar a existência de outro outlier, na verdade não entendi a necessidade de refazer a análise.

      Grata.

    • patricia karla

      Tenho dúvidas!!
      O senhor falou que existem dois tipos de dependências
      uma seria a ligada ao tratamento e a outra seria com relação a variação do acaso e as médias.
      Não consegui identificar bem como saber quais das duas estão ocorrendo. Gostaria de um exemplo prático para que eu possa visualizar melhor a diferença, já que uma é qualitativa e a outra quantitativa.
      Grata!

    • Mario Lira Junior

      Suzana
      O ponto que eu estava levantando é que se as premissas forem obedecidas, NÃO devemos transformar ou eliminar outliers. Ou seja, embora com muita frequência um CV alto realmente seja indicador de problemas com a obediência dos requisitos, é muito comum também os dados seguirem todos os requisitos, portanto não precisam de maiores intervenções apresentarem CV alto.
      Quanto à reanálise, é simples. O melhor modo de identificar outliers é pelo resíduo padronizado, certo? Para calcular o resíduo padronizado, usamos o QMResíduo, que vai ser modificado toda vez que mexermos nos dados

    • Mario Lira Junior

      Patrícia,
      Acho que a melhor forma de separar as duas é realmente visual. Em um gráfico plotamos os valores dos resíduos em função dos tratamentos. Se ficar visível que tem uma ligação entre as duas, a dependência é ao tratmento, que costuma ser muito difícil de corrigir. Já para verificar o segundo tipo de dependência, ou ausência de independência, o eixo x fica com o valor do ponto e o eixo y com o resíduo. se houver algum tipo de correlação entre o valor e o resíduo, temos o segundo tipo de dependência.
      Só lembre que as duas não são necessariamente exclusivas, porque pode haver também ligação entre tratamento e valor do ponto.

    You must be logged in to post a comment.

    Submarino.com.br
    %d blogueiros gostam disto: