modelos binomial e poisson - uspcmq.esalq.usp.br/bie5781/...poisson:06-aula-poisson... ·...
TRANSCRIPT
IntroducaoModelos binomiais
Modelos PoissonGLMs
ObjetivosMotivacao
Modelos Binomial e Poisson
Paulo Inacio Prado e Joao L.F. Batista
BIE5781 - Pos-Graduacao em Ecologia USP
setembro de 2012
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ObjetivosMotivacao
Objetivo da Aula
Os objetivos dessa aula sao:
1 Generalizar os modelos estatısticos com covariaveis paraoutras distribuicoes;
2 Exemplificar essas generalizacao com exemplos de modelosPoisson e binomial;
3 Mostrar os comandos basicos no R para ajustar e avaliar essesmodelos;
4 Demonstrar que alguns deles pertencem a classe dos modeloslineares generalizados.
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ObjetivosMotivacao
Objetivo da Aula
Os objetivos dessa aula sao:
1 Generalizar os modelos estatısticos com covariaveis paraoutras distribuicoes;
2 Exemplificar essas generalizacao com exemplos de modelosPoisson e binomial;
3 Mostrar os comandos basicos no R para ajustar e avaliar essesmodelos;
4 Demonstrar que alguns deles pertencem a classe dos modeloslineares generalizados.
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ObjetivosMotivacao
Objetivo da Aula
Os objetivos dessa aula sao:
1 Generalizar os modelos estatısticos com covariaveis paraoutras distribuicoes;
2 Exemplificar essas generalizacao com exemplos de modelosPoisson e binomial;
3 Mostrar os comandos basicos no R para ajustar e avaliar essesmodelos;
4 Demonstrar que alguns deles pertencem a classe dos modeloslineares generalizados.
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ObjetivosMotivacao
Objetivo da Aula
Os objetivos dessa aula sao:
1 Generalizar os modelos estatısticos com covariaveis paraoutras distribuicoes;
2 Exemplificar essas generalizacao com exemplos de modelosPoisson e binomial;
3 Mostrar os comandos basicos no R para ajustar e avaliar essesmodelos;
4 Demonstrar que alguns deles pertencem a classe dos modeloslineares generalizados.
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ObjetivosMotivacao
Objetivo da Aula
Os objetivos dessa aula sao:
1 Generalizar os modelos estatısticos com covariaveis paraoutras distribuicoes;
2 Exemplificar essas generalizacao com exemplos de modelosPoisson e binomial;
3 Mostrar os comandos basicos no R para ajustar e avaliar essesmodelos;
4 Demonstrar que alguns deles pertencem a classe dos modeloslineares generalizados.
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ObjetivosMotivacao
Onde estamos
Ate agora vimos:
Modelos de varias distribuicoes com parametrosconstantes:
Y ∼ N (µ = a0, σ = b0)
Y ∼ P(λ = a0)
· · ·Modelos Gaussianos com covariaveis:
Y ∼ N (µ = a0 + a1X1, σ = b0)
Y ∼ N(µ = a0 + a1X1 + a2X2, σ = eb0+b1X1
)· · ·
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ObjetivosMotivacao
Onde estamos
Ate agora vimos:
Modelos de varias distribuicoes com parametrosconstantes:
Y ∼ N (µ = a0, σ = b0)
Y ∼ P(λ = a0)
· · ·
Modelos Gaussianos com covariaveis:
Y ∼ N (µ = a0 + a1X1, σ = b0)
Y ∼ N(µ = a0 + a1X1 + a2X2, σ = eb0+b1X1
)· · ·
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ObjetivosMotivacao
Onde estamos
Ate agora vimos:
Modelos de varias distribuicoes com parametrosconstantes:
Y ∼ N (µ = a0, σ = b0)
Y ∼ P(λ = a0)
· · ·Modelos Gaussianos com covariaveis:
Y ∼ N (µ = a0 + a1X1, σ = b0)
Y ∼ N(µ = a0 + a1X1 + a2X2, σ = eb0+b1X1
)· · · Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ObjetivosMotivacao
Para onde vamos
Hoje veremos modelos de outras distribuicoes com covariaveis:
Modelos Binomiais:
Y ∼ Bin(N = n, p = f (Xi))
Modelos Poisson:
Y ∼ P(λ = f (Xi))
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ObjetivosMotivacao
Para onde vamos
Hoje veremos modelos de outras distribuicoes com covariaveis:
Modelos Binomiais:
Y ∼ Bin(N = n, p = f (Xi))
Modelos Poisson:
Y ∼ P(λ = f (Xi))
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ObjetivosMotivacao
Ou seja
Uma expressao geral para modelos estatısticos
Y ∼ f (Y | Θ = f (Xi))
Em palavras
Y e uma variavel aleatoria, cujos valores tem probabilidadesdefinidas pela funcao de densidade f (Y ), cujos parametros Θ saouma funcao qualquer de covariaveis Xi .
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ObjetivosMotivacao
Ou seja
Uma expressao geral para modelos estatısticos
Y ∼ f (Y | Θ = f (Xi))
Em palavras
Y e uma variavel aleatoria, cujos valores tem probabilidadesdefinidas pela funcao de densidade f (Y ), cujos parametros Θ saouma funcao qualquer de covariaveis Xi .
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Binomiais
Descrevem numero de ocorrencia de uma variavel binaria emum certo numero de tentativas, em funcao de variaveispreditoras contınuas ou discretas.
Uteis principalmente quando temos:
Respostas binarias (regressao logıstica!)Proporcoes
Exemplos de respostas binomiais:
Presenca de alguma especie em manchas, fragmentos, sıtios;Ocorrencia de morte, doenca ou qualquer outro evento porindivıduoProporcao de frutos parasitadosExperimentos de dose-resposta
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Binomiais
Descrevem numero de ocorrencia de uma variavel binaria emum certo numero de tentativas, em funcao de variaveispreditoras contınuas ou discretas.
Uteis principalmente quando temos:
Respostas binarias (regressao logıstica!)Proporcoes
Exemplos de respostas binomiais:
Presenca de alguma especie em manchas, fragmentos, sıtios;Ocorrencia de morte, doenca ou qualquer outro evento porindivıduoProporcao de frutos parasitadosExperimentos de dose-resposta
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Binomiais
Descrevem numero de ocorrencia de uma variavel binaria emum certo numero de tentativas, em funcao de variaveispreditoras contınuas ou discretas.
Uteis principalmente quando temos:
Respostas binarias (regressao logıstica!)
Proporcoes
Exemplos de respostas binomiais:
Presenca de alguma especie em manchas, fragmentos, sıtios;Ocorrencia de morte, doenca ou qualquer outro evento porindivıduoProporcao de frutos parasitadosExperimentos de dose-resposta
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Binomiais
Descrevem numero de ocorrencia de uma variavel binaria emum certo numero de tentativas, em funcao de variaveispreditoras contınuas ou discretas.
Uteis principalmente quando temos:
Respostas binarias (regressao logıstica!)Proporcoes
Exemplos de respostas binomiais:
Presenca de alguma especie em manchas, fragmentos, sıtios;Ocorrencia de morte, doenca ou qualquer outro evento porindivıduoProporcao de frutos parasitadosExperimentos de dose-resposta
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Binomiais
Descrevem numero de ocorrencia de uma variavel binaria emum certo numero de tentativas, em funcao de variaveispreditoras contınuas ou discretas.
Uteis principalmente quando temos:
Respostas binarias (regressao logıstica!)Proporcoes
Exemplos de respostas binomiais:
Presenca de alguma especie em manchas, fragmentos, sıtios;Ocorrencia de morte, doenca ou qualquer outro evento porindivıduoProporcao de frutos parasitadosExperimentos de dose-resposta
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Binomiais
Descrevem numero de ocorrencia de uma variavel binaria emum certo numero de tentativas, em funcao de variaveispreditoras contınuas ou discretas.
Uteis principalmente quando temos:
Respostas binarias (regressao logıstica!)Proporcoes
Exemplos de respostas binomiais:
Presenca de alguma especie em manchas, fragmentos, sıtios;
Ocorrencia de morte, doenca ou qualquer outro evento porindivıduoProporcao de frutos parasitadosExperimentos de dose-resposta
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Binomiais
Descrevem numero de ocorrencia de uma variavel binaria emum certo numero de tentativas, em funcao de variaveispreditoras contınuas ou discretas.
Uteis principalmente quando temos:
Respostas binarias (regressao logıstica!)Proporcoes
Exemplos de respostas binomiais:
Presenca de alguma especie em manchas, fragmentos, sıtios;Ocorrencia de morte, doenca ou qualquer outro evento porindivıduo
Proporcao de frutos parasitadosExperimentos de dose-resposta
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Binomiais
Descrevem numero de ocorrencia de uma variavel binaria emum certo numero de tentativas, em funcao de variaveispreditoras contınuas ou discretas.
Uteis principalmente quando temos:
Respostas binarias (regressao logıstica!)Proporcoes
Exemplos de respostas binomiais:
Presenca de alguma especie em manchas, fragmentos, sıtios;Ocorrencia de morte, doenca ou qualquer outro evento porindivıduoProporcao de frutos parasitados
Experimentos de dose-resposta
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Binomiais
Descrevem numero de ocorrencia de uma variavel binaria emum certo numero de tentativas, em funcao de variaveispreditoras contınuas ou discretas.
Uteis principalmente quando temos:
Respostas binarias (regressao logıstica!)Proporcoes
Exemplos de respostas binomiais:
Presenca de alguma especie em manchas, fragmentos, sıtios;Ocorrencia de morte, doenca ou qualquer outro evento porindivıduoProporcao de frutos parasitadosExperimentos de dose-resposta
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Binomiais
Forma geral:
Y ∼ Bin(N = n, p = f (a0 + a1Xi + . . .+ aiXi))
f (.) e chamada funcao de ligacao (detalhes a seguir)
Ela da propriedades boas ao modelo, incluindo garantir que pfique entre zero e um.
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Binomiais
Forma geral:
Y ∼ Bin(N = n, p = f (a0 + a1Xi + . . .+ aiXi))
f (.) e chamada funcao de ligacao (detalhes a seguir)
Ela da propriedades boas ao modelo, incluindo garantir que pfique entre zero e um.
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Binomiais
Forma geral:
Y ∼ Bin(N = n, p = f (a0 + a1Xi + . . .+ aiXi))
f (.) e chamada funcao de ligacao (detalhes a seguir)
Ela da propriedades boas ao modelo, incluindo garantir que pfique entre zero e um.
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos binomiais: um exemplo
Sobrevivencia de sementes colocadas as diferentes distanciasda arvore-mae
8 distancias, 3 replicas de 100 sementes
Resposta: numero de sobreviventes apos 60 dias:
> head(pred.seed)
distancia n.sobrev
1 0.0 3
2 0.0 4
3 0.0 5
4 0.5 1
5 0.5 3
6 0.5 3
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos binomiais: um exemplo
●●●
●
●●●●●●
●● ●●●
●
●
● ●
●
●
●
●
●
0 10 20 30 40 500.0
0.1
0.2
0.3
0.4
Distância da árvore−mãe
Pro
porç
ão s
obre
vive
nte
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo Binomial: Funcao Logıstica
Nosso modelo e:
Y ∼ Bin(N = 100, p = f (distancia))
Que funcao usar para o efeito da distancia sobre p?
Uma funcao sigmoide limitada entre zero e um, como:
p =ea0+a1dist
1 + ea0+a1dist
o que implica em
ln
(p
1− p
)= a0 + a1dist
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo Binomial: Funcao Logıstica
Nosso modelo e:
Y ∼ Bin(N = 100, p = f (distancia))
Que funcao usar para o efeito da distancia sobre p?
Uma funcao sigmoide limitada entre zero e um, como:
p =ea0+a1dist
1 + ea0+a1dist
o que implica em
ln
(p
1− p
)= a0 + a1dist
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo Binomial: Funcao Logıstica
Nosso modelo e:
Y ∼ Bin(N = 100, p = f (distancia))
Que funcao usar para o efeito da distancia sobre p?
Uma funcao sigmoide limitada entre zero e um, como:
p =ea0+a1dist
1 + ea0+a1dist
o que implica em
ln
(p
1− p
)= a0 + a1dist
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo Binomial: Funcao Logıstica
Nosso modelo e:
Y ∼ Bin(N = 100, p = f (distancia))
Que funcao usar para o efeito da distancia sobre p?
Uma funcao sigmoide limitada entre zero e um, como:
p =ea0+a1dist
1 + ea0+a1dist
o que implica em
ln
(p
1− p
)= a0 + a1dist
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo Binomial: Funcoes logıstica e logit
p = ea+bX
1+ea+bX Y = ln(
p1−p
)
−6 −4 −2 0 2 4 6
0.0
0.2
0.4
0.6
0.8
1.0
X
Logí
stic
a(X
)
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
−6 −4 −2 0 2 4 6
−6
−4
−2
02
46
X
Logi
t(p)
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo Binomial: Ajuste no R
Funcao de log-verossimilhanca negativa
> seed.LL1 <- function(a0,a1){
+ eta <- exp(a0+a1*pred.seed$distancia)/
+ (1+exp(a0+a1*pred.seed$distancia))
+ -sum(dbinom(pred.seed$n.sobrev,size=100,
+ p=eta, log=T))
+ }
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo Binomial: Ajuste no R
Valores iniciais: regressao linear dos logitos
> p1 <- pred.seed$n.sobrev/100
> probito1 <- log(p1/(1-p1))
> (cf1 <- coef(lm(probito1~pred.seed$distancia)))
(Intercept) pred.seed$distancia
-3.28965673 0.05794648
Ajuste numerico
> seed.m1 <- mle2(seed.LL1,start=
+ list(a0=cf1[1],a1=cf1[2]))
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo Binomial: Ajuste no R
Coeficientes
> (cf2 <- coef(seed.m1))
a0 a1
-3.20831983 0.05576851
Codigo do Grafico observado e estimado
> f1 <- function(x){exp(cf2[1]+cf2[2]*x)/
+ (1+exp(cf2[1]+cf2[2]*x))}
> plot(I(n.sobrev/100)~dist, data=pred.seed,
+ xlab="Distancia da arvore-m~ae",
+ ylab="Proporc~ao sobrevivente")
> curve(f1(x),add=T, col="blue")
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo Binomial: Grafico previsto
●●●
●
●●●●●●
●● ●●●
●
●
● ●
●
●
●
●
●
0 10 20 30 40 500.0
0.1
0.2
0.3
0.4
Distância da árvore−mãe
Pro
porç
ão s
obre
vive
nte
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo Binomial: Perfis de log-verossimilhanca
−3.6 −3.4 −3.2 −3.0
0
1
2
3
4
5
6
7
a0
Lo
g−
Ve
ross
imilh
an
ça N
eg
ativ
a R
ela
tiva
0.045 0.050 0.055 0.060 0.065 0.070
0
2
4
6
a1
Lo
g−
Ve
ross
imilh
an
ça N
eg
ativ
a R
ela
tiva
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo binomial: selecao de modelos
Modelo sem efeitos: log-verossimilhanca negativa
> seed.LL0 <- function(a0){
+ eta <- exp(a0)/(1+exp(a0))
+ -sum(dbinom(pred.seed$n.sobrev,
+ size=100,p=eta, log=T))
+ }
Modelo sem efeitos: uma LL mais simples
> seed.LL0 <- function(p){
+ -sum(dbinom(pred.seed$n.sobrev,size=100,
+ prob=p, log=T))
+ }
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo binomial: selecao de modelos
Ajuste do modelo sem efeito da distancia
> seed.m0 <- mle2(seed.LL0,
+ start=list(
+ p=sum(pred.seed$n.sobrev/2400)))
Comparacao com AIC
> AICtab(seed.m0,seed.m1, base=T)
AIC df dAIC
seed.m1 103.5 2 0.0
seed.m0 359.1 1 255.5
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Binomiais: Previstos pelos dois modelos
●●●
●
●●●●●●
●● ●●●
●
●
● ●
●
●
●
●
●
0 10 20 30 40 500.0
0.1
0.2
0.3
0.4
Distância da árvore−mãe
Pro
porç
ão s
obre
vive
nte
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Poisson
Descrevem contagens em funcao de variaveis preditorascontınuas ou discretas.
Uteis principalmente quando temos:
contagens com medias baixasequivalencia entre media e variancia
Exemplos de respostas Poisson:
Numero de capturas, avistamentos, registros por unidade detempo ou espacoTaxas de ocorrencia de eventos
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Poisson
Descrevem contagens em funcao de variaveis preditorascontınuas ou discretas.
Uteis principalmente quando temos:
contagens com medias baixasequivalencia entre media e variancia
Exemplos de respostas Poisson:
Numero de capturas, avistamentos, registros por unidade detempo ou espacoTaxas de ocorrencia de eventos
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Poisson
Descrevem contagens em funcao de variaveis preditorascontınuas ou discretas.
Uteis principalmente quando temos:
contagens com medias baixas
equivalencia entre media e variancia
Exemplos de respostas Poisson:
Numero de capturas, avistamentos, registros por unidade detempo ou espacoTaxas de ocorrencia de eventos
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Poisson
Descrevem contagens em funcao de variaveis preditorascontınuas ou discretas.
Uteis principalmente quando temos:
contagens com medias baixasequivalencia entre media e variancia
Exemplos de respostas Poisson:
Numero de capturas, avistamentos, registros por unidade detempo ou espacoTaxas de ocorrencia de eventos
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Poisson
Descrevem contagens em funcao de variaveis preditorascontınuas ou discretas.
Uteis principalmente quando temos:
contagens com medias baixasequivalencia entre media e variancia
Exemplos de respostas Poisson:
Numero de capturas, avistamentos, registros por unidade detempo ou espacoTaxas de ocorrencia de eventos
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Poisson
Descrevem contagens em funcao de variaveis preditorascontınuas ou discretas.
Uteis principalmente quando temos:
contagens com medias baixasequivalencia entre media e variancia
Exemplos de respostas Poisson:
Numero de capturas, avistamentos, registros por unidade detempo ou espaco
Taxas de ocorrencia de eventos
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Poisson
Descrevem contagens em funcao de variaveis preditorascontınuas ou discretas.
Uteis principalmente quando temos:
contagens com medias baixasequivalencia entre media e variancia
Exemplos de respostas Poisson:
Numero de capturas, avistamentos, registros por unidade detempo ou espacoTaxas de ocorrencia de eventos
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Poisson
Forma geral:
Y ∼ P(λ = ea0+a1X1+...+aiXi
)
Portanto a funcao de ligacao mais usada e a logarıtmica:
ln(E [Y ]) = ln(λ) = a0 + a1X1 + . . .+ aiXi
Isso da propriedades boas ao modelo, incluindo evitar que λassuma valores negativos na otimizacao.
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Poisson
Forma geral:
Y ∼ P(λ = ea0+a1X1+...+aiXi
)Portanto a funcao de ligacao mais usada e a logarıtmica:
ln(E [Y ]) = ln(λ) = a0 + a1X1 + . . .+ aiXi
Isso da propriedades boas ao modelo, incluindo evitar que λassuma valores negativos na otimizacao.
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Poisson
Forma geral:
Y ∼ P(λ = ea0+a1X1+...+aiXi
)Portanto a funcao de ligacao mais usada e a logarıtmica:
ln(E [Y ]) = ln(λ) = a0 + a1X1 + . . .+ aiXi
Isso da propriedades boas ao modelo, incluindo evitar que λassuma valores negativos na otimizacao.
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Poisson: um exemplo
Capturas de Pyriglena leucoptera em redes de neblina
20 fragmentos de diferentes tamanhos, 500 horas/rede
Resposta: numero de capturas
> head(aves)
area ncap
1 736 8
2 753 3
3 265 5
4 673 8
5 531 1
6 439 3
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo Poisson: Grafico
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
5.0 5.5 6.0 6.5
0
2
4
6
8
Ln área do fragmento (ha)
N C
aptu
ras
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo Poisson: Ajuste no R
Funcao de log-verossimilhanca negativa
> aves.LL1 <- function(a0,a1){
+ eta <- exp(a0+a1*log(aves$area))
+ -sum(dpois(aves$ncap,lambda=eta,
+ log=T))
+ }
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo Poisson: Ajuste no R
Valores iniciais: regressao linear dos logarıtmos
> (cf1 <- coef(lm(log((ncap+0.1))~log(aves$area))))
(Intercept) log(aves$area)
-6.201162 1.165563
Ajuste numerico
> aves.m1 <- mle2(aves.LL1,start=
+ list(a0=cf1[1],a1=cf1[2]))
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo Poisson: Ajuste no R
Coeficientes
> (cf3 <- coef(aves.m1))
a0 a1
-3.1409439 0.7187925
Codigo do Grafico observado e estimado
> f3 <- function(x) exp(cf3[1]+cf3[2]*x)
> plot(ncap~log(area), data=aves,
+ xlab="Ln area do fragmento (ha)",
+ ylab="N de Capturas")
> curve(f3(x),add=T, col="blue")
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo Poisson: Grafico previsto
●●●
●
●●●●●●
●● ●●●
●
●
● ●
●
●
●
●
●
0 10 20 30 40 500.0
0.1
0.2
0.3
0.4
Distância da árvore−mãe
Pro
porç
ão s
obre
vive
nte
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo Poisson: Perfis de log-verossimilhanca
−10 −8 −6 −4 −2 0 2
0
1
2
3
4
5
6
a0
Lo
g−
Ve
ross
imilh
an
ça N
eg
ativ
a R
ela
tiva
0.0 0.5 1.0 1.5
0
1
2
3
4
5
6
a1
Lo
g−
Ve
ross
imilh
an
ça N
eg
ativ
a R
ela
tiva
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo Poisson: selecao de modelos
Modelo sem efeitos: log-verossimilhanca negativa
> aves.LL0 <- function(a0){
+ eta <- exp(a0)
+ -sum(dpois(aves$ncap, lambda=eta,
+ log=T))
+ }
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelo Poisson: selecao de modelos
Ajuste do modelo sem efeito da area
> aves.m0 <- mle2(aves.LL0,
+ start=list(
+ a0=log(mean(aves$ncap))))
Comparacao com AIC
> AICtab(aves.m0,aves.m1, base=T)
AIC df dAIC
aves.m1 89.4 2 0.0
aves.m0 94.8 1 5.4
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
IntroducaoExemplo
Modelos Poisson: previstos pelos dois modelos
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
5.0 5.5 6.0 6.5
0
2
4
6
8
Ln área do fragmento (ha)
N d
e C
aptu
ras
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ExemploIWLSLogica geral
Generalized linear models: exemplo Poisson
> aves.glm1 <- glm(ncap~log(area), family=poisson)
> coef(aves.glm1)
(Intercept) log(area)
-3.1425010 0.7190406
> coef(aves.m1)
a0 a1
-3.1409439 0.7187925
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ExemploIWLSLogica geral
Iteratively reweighted least squares method
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ExemploIWLSLogica geral
Iteratively reweighted least squares method
●
●
●●
●
●
●
●●
●●
●
●
●
●
●
● ●
●
0 1 2 3 4 5 6
0
1
2
3
4
5
6
x
y
●
●
●●
●
●
●
●●
●●
●
●
●
●
● ●
●
0 1 2 3 4 5 6
0
1
2
3
4
5
6
x
y
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ExemploIWLSLogica geral
Iteratively reweighted least squares method
●
●
●●
●
●
●
●●
●●
●
●
●
●
● ●
●
0 1 2 3 4 5 6
0
1
2
3
4
5
6
x
y
●
●
●●
●
●
●
●●
●●
●
●
●
●
●
●
0 1 2 3 4 5 6
0
1
2
3
4
5
6
x
y
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ExemploIWLSLogica geral
Modelo lineares generalizados
IWLS: solucao eficiente
Distribuicoes da famılia exponencial:
NormalBinomialPoissonGamaInversa da normal
Estabelecem uma relacao linear entre o valor esperado e afuncao de ligacao. Para a Poisson por exemplo:
lnE [Y ] = lnλ =i∑0
aiXi
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ExemploIWLSLogica geral
Modelo lineares generalizados
IWLS: solucao eficiente
Distribuicoes da famılia exponencial:
NormalBinomialPoissonGamaInversa da normal
Estabelecem uma relacao linear entre o valor esperado e afuncao de ligacao. Para a Poisson por exemplo:
lnE [Y ] = lnλ =i∑0
aiXi
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ExemploIWLSLogica geral
Modelo lineares generalizados
IWLS: solucao eficiente
Distribuicoes da famılia exponencial:
Normal
BinomialPoissonGamaInversa da normal
Estabelecem uma relacao linear entre o valor esperado e afuncao de ligacao. Para a Poisson por exemplo:
lnE [Y ] = lnλ =i∑0
aiXi
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ExemploIWLSLogica geral
Modelo lineares generalizados
IWLS: solucao eficiente
Distribuicoes da famılia exponencial:
NormalBinomial
PoissonGamaInversa da normal
Estabelecem uma relacao linear entre o valor esperado e afuncao de ligacao. Para a Poisson por exemplo:
lnE [Y ] = lnλ =i∑0
aiXi
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ExemploIWLSLogica geral
Modelo lineares generalizados
IWLS: solucao eficiente
Distribuicoes da famılia exponencial:
NormalBinomialPoisson
GamaInversa da normal
Estabelecem uma relacao linear entre o valor esperado e afuncao de ligacao. Para a Poisson por exemplo:
lnE [Y ] = lnλ =i∑0
aiXi
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ExemploIWLSLogica geral
Modelo lineares generalizados
IWLS: solucao eficiente
Distribuicoes da famılia exponencial:
NormalBinomialPoissonGama
Inversa da normal
Estabelecem uma relacao linear entre o valor esperado e afuncao de ligacao. Para a Poisson por exemplo:
lnE [Y ] = lnλ =i∑0
aiXi
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ExemploIWLSLogica geral
Modelo lineares generalizados
IWLS: solucao eficiente
Distribuicoes da famılia exponencial:
NormalBinomialPoissonGamaInversa da normal
Estabelecem uma relacao linear entre o valor esperado e afuncao de ligacao. Para a Poisson por exemplo:
lnE [Y ] = lnλ =i∑0
aiXi
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ExemploIWLSLogica geral
Modelo lineares generalizados
IWLS: solucao eficiente
Distribuicoes da famılia exponencial:
NormalBinomialPoissonGamaInversa da normal
Estabelecem uma relacao linear entre o valor esperado e afuncao de ligacao. Para a Poisson por exemplo:
lnE [Y ] = lnλ =
i∑0
aiXi
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ExemploIWLSLogica geral
Modelo lineares generalizados
Funcao glm no R
Generalizacoes:
Quasi-likelihood para dados com sobredispersaoModelo similar para binomial negativa (funcao glm.nb)Modelos lineares generalizados de efeitos mistosModelos lineares generalizados bivariados. . .
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ExemploIWLSLogica geral
Modelo lineares generalizados
Funcao glm no R
Generalizacoes:
Quasi-likelihood para dados com sobredispersaoModelo similar para binomial negativa (funcao glm.nb)Modelos lineares generalizados de efeitos mistosModelos lineares generalizados bivariados. . .
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ExemploIWLSLogica geral
Modelo lineares generalizados
Funcao glm no R
Generalizacoes:
Quasi-likelihood para dados com sobredispersao
Modelo similar para binomial negativa (funcao glm.nb)Modelos lineares generalizados de efeitos mistosModelos lineares generalizados bivariados. . .
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ExemploIWLSLogica geral
Modelo lineares generalizados
Funcao glm no R
Generalizacoes:
Quasi-likelihood para dados com sobredispersaoModelo similar para binomial negativa (funcao glm.nb)
Modelos lineares generalizados de efeitos mistosModelos lineares generalizados bivariados. . .
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ExemploIWLSLogica geral
Modelo lineares generalizados
Funcao glm no R
Generalizacoes:
Quasi-likelihood para dados com sobredispersaoModelo similar para binomial negativa (funcao glm.nb)Modelos lineares generalizados de efeitos mistos
Modelos lineares generalizados bivariados. . .
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ExemploIWLSLogica geral
Modelo lineares generalizados
Funcao glm no R
Generalizacoes:
Quasi-likelihood para dados com sobredispersaoModelo similar para binomial negativa (funcao glm.nb)Modelos lineares generalizados de efeitos mistosModelos lineares generalizados bivariados
. . .
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson
IntroducaoModelos binomiais
Modelos PoissonGLMs
ExemploIWLSLogica geral
Modelo lineares generalizados
Funcao glm no R
Generalizacoes:
Quasi-likelihood para dados com sobredispersaoModelo similar para binomial negativa (funcao glm.nb)Modelos lineares generalizados de efeitos mistosModelos lineares generalizados bivariados. . .
Paulo Inacio Prado e Joao L.F. Batista Modelos Binomial e Poisson