Outubro 2015 - R-br

Meetup R São Paulo Users Group (IME-USP) - Programação novembro do 2015
by Luis Benites Sánchez 28 Out '15

28 Out '15

Caros, Neste mês de novembro teremos dois Meetups (6 e 27) de usuários de R de São Paulo, no auditório Jacy Monteiro no Bloco B. Segue a programação do mês de novembro. Programação da sexta *6 de novembro* (14h-16:30h) - [14:00 - 14:20] Como publicar seu livro em uma editora internacional - Robinson dos Santos (Springer) - [Presencial] - [14:20 - 15:10] Misturas Finitas de Distribuições Usando o R - Prof. Celso Rômulo (UFAM) - [Presencial] - [15:10 - 15:25] Coffee Break - [15:25 - 16:15] Regressão não linear com o R - Prof. Walmes Zeviani (LEG/DEST/UFPR) - [Online] - [16:15 - 16:25] Sorteio de livros Programação da sexta *27 de novembro* (14h-16:10h) - [14:00 - 14:55] Introdução aos modelos mistos em R - Ana Paula Zerbeto (IME-USP) - [Presencial] - [14:55 - 15:05] Coffee Break - [15:05 - 16:00] Web scraping usando o R - Julio Trecenti (IME-USP) - [Presencial] - [16:00 - 16:10] Sorteio de livros As palestras serão transmitidas ao vivo pela conexão IPTV da USP e YouTube. Para poder participar, pode confirmar sua participação gratuitamente no site do Meetup :) Para mais informações: Site: www.meetup.com/pt/useR-SP Canal de YouTube: www.youtube.com/channel/UCb9PdJYYaElE6Uqb1KxhE8w e-mail: meetuprsp(a)gmail.com Um abraço, Luis Benites Sánchez Rocío Paola Maehara Organizadores do São Paulo R Users Group

1 0

Ajuda com Box-cox
by Bruce Kelly 28 Out '15

28 Out '15

Boa tarde listeiros, estou tentando realizar a transformação num data.frame, estou utilizando a package AID. Quanto seleciono um objeto e rodo a função aparece o seguinte mensagem: There were 50 or more warnings (use warnings() to see the first 50) Mas ele apresentou os resultados, porem quem seleciono outro objeto do frame ele da a seguinte mensagem: Enlarge the range of the lambda in a positive direction Alguém pode me ajudar, seja com material sobre o box-cox. Att, Bruce

1 0

OFF - Python
by Andre Oliveira 28 Out '15

28 Out '15

Bom dia,seria uma boa depois de aprender um pouco de R investir no Python? André Oliveira Souza. Graduação em Matemática, mestrado em estatística aplicada.Instituto Federal de Educação, Ciência e Tecnologia do Espirito Santo. IFES

1 0

Re: [R-br] Ajustes de modelos não-lineares em gases in vitro
by Adriele Giaretta Biase 28 Out '15

28 Out '15

Olá Mauro, no dataset estão as variáveis: Time e y. Time é a variável independente que deve ser convertida em horas da seguinte forma: x=Time/60 # para deixar o tempo em horas E y é a variável resposta (gases) e dependente do modelo. Adriele. -- Adriele Giaretta Biase. Mestre em Estatística e Experimentação Agropecuária - UFLA. Doutoranda em Estatística e Experimentação Agronômica - ESALQ/ USP Contato: (19) 8861-0619.

2 2

sugestão análise experimento no tempo
by Maurício Lordêlo 27 Out '15

27 Out '15

Caros, Recebi os dados de um experimento sem a orientação prévia de um profissional da área de Estatística. Foram seis grupos de plantas, sendo que cada grupo tinha inicialmente 15 plantas. Um desses grupos foi o controle e em cada um dos outros cinco grupos foi aplicado um regulador de crescimento (hormônio). O esquema de aplicação/avaliação de cada tratamento foi o seguinte: 1. Tempo zero: aplicação de cada um dos reguladores nos grupos; 2. Após 7 dias, sorteio de 5 plantas por grupo e realizadas as medições 3. 7 dias depois, aplicação dos hormônios nas 10 plantas restantes 4. 7 dias depois, sorteio de 5 plantas por grupo e realizadas as medições 5. 7 dias depois, aplicação dos hormônios nas 5 plantas restantes 6. 7 dias depois, medições nas 5 plantas restantes. Em cada avaliação foram analisadas as variáveis resposta: altura, comprimento da raiz, peso de folhas, ... O objetivo é avaliar qual dos hormônios produziu melhores resultados ao longo do tempo. Fiz alguns gráficos e ajustei um modelo considerando um fatorial duplo. Devido a forma como foi realizado o delineamento, não sei se o fatorial é adequado. Alguém tem sugestões de como analisar estes dados? https://www.dropbox.com/s/lkhzb87gh1vtgas/dados.txt?dl=0 dados = read.table("dados.txt",sep="",header=TRUE) attach(dados) summary(dados) plot(altura~hormonio) plot(altura~tempo) require(latticeExtra) xyplot(altura~hormonio|tempo) xyplot(altura~tempo|hormonio) modelo = aov(altura ~ hormonio*tempo) summary(modelo) plot(modelo) residuos = modelo$residuals shapiro.test(residuos)

3 4

OFF TOPIC - vaga de estágio no Rio de Janeiro
by Pedro Emmanuel Alvarenga Americano do Brasil 27 Out '15

27 Out '15

Amigos de R, Desculpa não ser do tópico da lista, mas achei que alguem da lista pudesse se beneficiar. Recebi e estou passando pra frente. Passem pra frente também se acharem pertinente. O cartaz diz: Requisitos: - Estar cursando graduação em estatística ou matemática com término entre dezembro de 2016 e julho de 2017; - Ter conhecimentos de inferência estatística, modelos lineares generalizados e probabilidade. - Utilizar a linguagem R; - Ingles inermediário Atividades - Conduzir análises de modelagem com modelos generalizados, de sobrevivência e outras modelagens (redes neurais, árvores de decisão, etc) - Elaboração de relatórios Sobre a vaga: 20h semanais Início em Jan 2016 Bolsa no valor de 1400 mais aux transporte e alimentação Seleção a partir de curriculum e entrevista contato: rh(a)epimedsolutions.com Abraço forte e que força esteja sempre com voces. Pedro Brasil

1 0

Re: [R-br] Digest R-br, volume 58, assunto 21
by Adriele Giaretta Biase 26 Out '15

26 Out '15

Olá Mauro, no dataset estão as variáveis: Time e y. Time é a variável independente que deve ser convertida em horas da seguinte forma: x=Time/60 # para deixar o tempo em horas E y é a variável resposta (gases) e dependente do modelo. Adriele. Em 26 de outubro de 2015 12:00, <r-br-request(a)listas.c3sl.ufpr.br> escreveu: > Enviar submissões para a lista de discussão R-br para > r-br(a)listas.c3sl.ufpr.br > > Para se cadastrar ou descadastrar via WWW, visite o endereço > https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br > ou, via email, envie uma mensagem com a palavra 'help' no assunto ou > corpo da mensagem para > r-br-request(a)listas.c3sl.ufpr.br > > Você poderá entrar em contato com a pessoa que gerencia a lista pelo > endereço > r-br-owner(a)listas.c3sl.ufpr.br > > Quando responder, por favor edite sua linha Assunto assim ela será > mais específica que "Re: Contents of R-br digest..." > > > Tópicos de Hoje: > > 1. RES: Ajustes de modelos não-lineares em gases in vitro > (Mauro Sznelwar) > > > ---------------------------------------------------------------------- > > Message: 1 > Date: Sun, 25 Oct 2015 22:29:57 -0200 > From: "Mauro Sznelwar" <sznelwar(a)uol.com.br> > To: <r-br(a)listas.c3sl.ufpr.br> > Subject: [R-br] RES: Ajustes de modelos não-lineares em gases in > vitro > Message-ID: <000001d10f85$722d3f50$5687bdf0$(a)com.br> > Content-Type: text/plain; charset="utf-8" > > Eu tentei rodar e não reconheceu a variável ‘x’, não está no seu data set. > > > > Olá, > > eu gostaria de saber se é possível usar estruturas de correlação nos > resíduos quando ajusto modelos não-lineares em mensurações de dados de > produção de gases in vitro (caracterizado por mensurações acumuladas ao > longo do tempo) e sem repetição. > > > > Breve descrição do banco de dados de gases in vitro: o experimento foi > conduzido em frascos de (125 mL) que contem fruído ruminal com feno de > alfalfa. Esses frascos são acoplados aos sensores que medem pressão dos > gases no interior dos frascos com o conversor digital que registra > automaticamente a cada 5 minutos, durante o período de 48 horas. As > mensurações dos gases são, portanto acumuladas ao longo do tempo. Tenho > quatro compostos (amostras) diferentes que chamei de (y, y2, y3 e y4), em > que cada uma amostra contem 577 mensurações ao longo do tempo (x) que é > dado em horas. > > > > Eu preciso ajustar modelos não-lineares para cada amostra (exponencial, > logístico e logístico bicompartimental). O modelo logístico > bicompartimental foi o que melhor se ajustou sem usar estrutruras de > correlação, porém, a análise residual possuí uma forte dependência (visto > que os dados são acumulados, ou seja, a mensuração no tempo (t+1) depende > da mensuração anterior do tempo t. > > Então, eu teria que entrar com estruturas de correlações no modelo > logístico bicompartimental para melhorar a análise residual? > > > > Eu tentei algumas estruturas usando o argumento “correlation”, da função > gnls. No quadro abaixo segue o seguinte resumo das estruturas inseridas no > modelo, com os respectivos resultados gerados pela FAC ou os erros > retornados pelo software R. > > > modelo > > correlation > > Erros > > FAC - residual > > > M1 > > sem estrutrura de correlação > > Sem erro > > Tendência : possivelmente independência e heterogeneidade > > > M2 > > AR1: corAR1() > > Erro: step halving factor reduced below minimum in NLS step > > - > > > M3 > > AR1: corAR1(form=~x) > > Sem erro > > Tendência : possivelmente independência e heterogeneidade > > > M4 > > AR2: corAR1(p=2, q=0) > > Coefficient matrix not invertible > > - > > > M5 > > ARIMA: corARMA(p=2,q=1) > > step halving factor reduced below minimum in NLS step > > - > > > M6 > > ARIMA: corARMA(p=2,q=2) > > Coefficient matrix not invertible > > - > > > M7 > > ARIMA: corARMA(p=3,q=1) > > Coefficient matrix not invertible > > - > > > M8 > > AR(): corAR1(form=~1) > > Erro: step halving factor reduced below minimum in NLS step > > - > > > > Observação: Eu fiz a análise usando a metodologia de séries temporais > (modelo linear não estacionário – com uma diferença d=1) e a FAC e FACP > mostraram que os resíduos eram ruído branco, como nos modelos ARIMA(p=1, > d=1, q=0), ARIMA(p=2, d=1, q=0) e ARIMA(p=3, d=1, q=0). Seria possível > ajustar modelos não-lineares (logístico bicompartimental) usando estruturas > de correlações como o ARIMA? > > Os dados e o script seguem em anexo com todos os modelos que tentei > ajustar (somente para uma amostra, ou seja, correspondente as colunas > chamadas de y e x). Agradeço se puderem me dar uma orientação. > > > > > > rm(list=ls(all=TRUE)) > > #pacotes necessários para a análise. > > require(manipulate) > > require(nlstools) > > require(car) > > require(nlme) > > require(lmtest) > > # modelos estudados > > #a * (1 - exp(-b * (t - c))) # modelo exponencial > > #a /(1+exp(2+4*b*(c-t))) # modelo logistico > > #a/(1+exp(2+4*b*(c-t)))+d/(1+exp(2+4*e*(c-t))) # modelo logistico 2 pool > > > > #----------------------------------------------------------------------- > > setwd('E:\\autoregressivo_modelo') > > gas01<-read.csv("gas.csv",sep = ",", header = TRUE) > > gas01 > > head(gas01) > > attach(gas01) > > t=Time/60 # para deixar o tempo em horas > > dim(gas01) > > > > gas=cbind(gas01,t) > > names(gas) <- c("Time","y","y2","y3", "y4", "x") # variáveis que quero > ajustar y (variavel dependente gases) e x o tempo em horas > > head(gas) > > dim(gas) > > attach(gas) > > > > #=================================================================== > > > > # Ajuste usando o gnls > > #Ajuste do modelo exponencial -lote I considerando os erros independentes > > mod1 <- gnls(y ~ a/(1+exp(2+4*b*(c-x)))+d/(1+exp(2+4*e*(c-x))), > > data=gas, start=c(a=1.1179, b=0.0562, c=-9.5923, d=0.367, e=0.0226)) > > summary(mod1) # quadro de estimativas > > R2(residuals(mod1), gas$y) > > residuosnI<-summary(mod1)$resid > > shapiro.test(residuosnI) > > ks.test(rnorm(577),residuosnI) > > plot(mod1) > > hist(residuosnI) > > > > > > # Ajuste do modelo Logístico 2 pool considerando - AR() > > mod2 <- gnls(y ~ a/(1+exp(2+4*b*(c-x)))+d/(1+exp(2+4*e*(c-x))), > > data=gas,correlation=corAR1(), > > start=c(a=0.78, b=0.06, c=-5.5923, d=0.367, e=0.0226)) > > summary(mod2) # quadro de estimativas > > R2(residuals(mod2), gas$y) > > residuosnI<-summary(mod2)$resid > > shapiro.test(residuosnI) > > ks.test(rnorm(577),residuosnI) > > plot(mod2) > > hist(residuosnI) > > plot(x,mod2$residuals) > > plot(mod2) > > # ------------------------------------------------------------------------ > > > > > > # Ajuste do modelo Logístico 2 pool considerando - AR() > > mod3 <- gnls(y ~ a/(1+exp(2+4*b*(c-x)))+d/(1+exp(2+4*e*(c-x))), > > data=gas,correlation=corAR1(form=~x), > > start=c(a=0.78, b=0.06, c=-5.5923, d=0.367, e=0.0226)) > > summary(mod3) # quadro de estimativas > > R2(residuals(mod3), gas$y) > > residuosnI<-summary(mod3)$resid > > shapiro.test(residuosnI) > > ks.test(rnorm(577),residuosnI) > > plot(mod3) > > hist(residuosnI) > > plot(x,mod3$residuals) > > plot( ACF(mod3, maxLag =24), alpha = 0.05 ) > > # ------------------------------------------------------------------------ > > > > # Ajuste do modelo Logístico 2 pool considerando - AR2() > > mod4 <- gnls(y ~ a/(1+exp(2+4*b*(c-x)))+d/(1+exp(2+4*e*(c-x))), > > data=gas,correlation=corARMA(p=2,q=0), > > start=c(a=0.78, b=0.06, c=-5.5923, d=0.367, e=0.0226)) > > summary(mod4) # quadro de estimativas > > R2(residuals(mod4), gas$y) > > residuosnI<-summary(mod4)$resid > > shapiro.test(residuosnI) > > ks.test(rnorm(577),residuosnI) > > plot(mod4) > > hist(residuosnI) > > plot( ACF(mod4, maxLag =24), alpha = 0.05 ) > > # ------------------------------------------------------------------------ > > > > # Ajuste do modelo Logístico 2 pool considerando - ARIMA(p=2,q=1) > > mod5 <- gnls(y ~ a/(1+exp(2+4*b*(c-x)))+d/(1+exp(2+4*e*(c-x))), > > data=gas,correlation=corARMA(p=2,q=1), > > start=c(a=1.1179, b=0.0562, c=-9.5923, d=0.367, e=0.0226)) > > summary(mod5) # quadro de estimativas > > R2(residuals(mod5), gas$y) > > residuosnI<-summary(mod5)$resid > > shapiro.test(residuosnI) > > ks.test(rnorm(577),residuosnI) > > plot(mod5) > > hist(residuosnI) > > plot( ACF(mod5, maxLag =24), alpha = 0.05 ) > > # ------------------------------------------------------------------------ > > > > > > # Ajuste do modelo Logístico 2 pool considerando - ARIMA(p=2,q=2) > > mod6 <- gnls(y ~ a/(1+exp(2+4*b*(c-x)))+d/(1+exp(2+4*e*(c-x))), > > data=gas,correlation=corARMA(p=2,q=2), > > start=c(a=1.1179, b=0.0562, c=-9.5923, d=0.367, e=0.0226)) > > summary(mod6) # quadro de estimativas > > R2(residuals(mod6), gas$y) > > residuosnI<-summary(mod6)$resid > > shapiro.test(residuosnI) > > ks.test(rnorm(577),residuosnI) > > plot(mod6) > > hist(residuosnI) > > plot( ACF(mod6, maxLag =24), alpha = 0.05 ) > > # ------------------------------------------------------------------------ > > > > # Ajuste do modelo Logístico 2 pool considerando - ARIMA(p=3,q=1) > > mod7 <- gnls(y ~ a/(1+exp(2+4*b*(c-x)))+d/(1+exp(2+4*e*(c-x))), > > data=gas,correlation=corARMA(p=3,q=1), > > start=c(a=1.1179, b=0.0562, c=-9.5923, d=0.367, e=0.0226)) > > summary(mod7) # quadro de estimativas > > R2(residuals(mod7), gas$y) > > residuosnI<-summary(mod7)$resid > > shapiro.test(residuosnI) > > ks.test(rnorm(577),residuosnI) > > plot(mod6) > > hist(residuosnI) > > plot( ACF(mod7, maxLag =24), alpha = 0.05 ) > > > > > > Agradeço desde já, > > Adriele. > > > > -- > > Adriele Giaretta Biase. > > Mestre em Estatística e Experimentação Agropecuária - UFLA. > Doutoranda em Estatística e Experimentação Agronômica - ESALQ/ > USP > > Contato: (19) 8861-0619. > > > > --- > Este email foi escaneado pelo Avast antivírus. > https://www.avast.com/antivirus > -------------- Próxima Parte ---------- > Um anexo em HTML foi limpo... > URL: < > http://listas.inf.ufpr.br/pipermail/r-br/attachments/20151025/d63a5a47/atta… > > > > ------------------------------ > > Subject: Legenda do Digest > > _______________________________________________ > R-br mailing list > R-br(a)listas.c3sl.ufpr.br > https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br > > > ------------------------------ > > Fim da Digest R-br, volume 58, assunto 21 > ***************************************** > -- Adriele Giaretta Biase. Mestre em Estatística e Experimentação Agropecuária - UFLA. Doutoranda em Estatística e Experimentação Agronômica - ESALQ/ USP Contato: (19) 8861-0619.

1 0

Ajustes de modelos não-lineares em gases in vitro
by Adriele Giaretta Biase 26 Out '15

26 Out '15

Olá, eu gostaria de saber se é possível usar estruturas de correlação nos resíduos quando ajusto modelos não-lineares em mensurações de dados de produção de gases *in vitro* (caracterizado por mensurações acumuladas ao longo do tempo) e sem repetição. Breve descrição do banco de dados de gases *in vitro*: o experimento foi conduzido em frascos de (125 mL) que contem fruído ruminal com feno de alfalfa. Esses frascos são acoplados aos sensores que medem pressão dos gases no interior dos frascos com o conversor digital que registra automaticamente a cada 5 minutos, durante o período de 48 horas. As mensurações dos gases são, portanto acumuladas ao longo do tempo. Tenho quatro compostos (amostras) diferentes que chamei de (y, y2, y3 e y4), em que cada uma amostra contem 577 mensurações ao longo do tempo (x) que é dado em horas. Eu preciso ajustar modelos não-lineares para cada amostra (exponencial, logístico e logístico bicompartimental). O modelo logístico bicompartimental foi o que melhor se ajustou sem usar estrutruras de correlação, porém, a análise residual possuí uma forte dependência (visto que os dados são acumulados, ou seja, a mensuração no tempo (t+1) depende da mensuração anterior do tempo t. Então, eu teria que entrar com estruturas de correlações no modelo logístico bicompartimental para melhorar a análise residual? Eu tentei algumas estruturas usando o argumento “correlation”, da função gnls. No quadro abaixo segue o seguinte resumo das estruturas inseridas no modelo, com os respectivos resultados gerados pela FAC ou os erros retornados pelo software R. modelo correlation Erros FAC - residual M1 sem estrutrura de correlação Sem erro Tendência : possivelmente independência e heterogeneidade M2 AR1: corAR1() Erro: step halving factor reduced below minimum in NLS step - M3 AR1: corAR1(form=~x) Sem erro Tendência : possivelmente independência e heterogeneidade M4 AR2: corAR1(p=2, q=0) Coefficient matrix not invertible - M5 ARIMA: corARMA(p=2,q=1) step halving factor reduced below minimum in NLS step - M6 ARIMA: corARMA(p=2,q=2) Coefficient matrix not invertible - M7 ARIMA: corARMA(p=3,q=1) Coefficient matrix not invertible - M8 AR(): corAR1(form=~1) Erro: step halving factor reduced below minimum in NLS step - Observação: Eu fiz a análise usando a metodologia de séries temporais (modelo linear não estacionário – com uma diferença d=1) e a FAC e FACP mostraram que os resíduos eram ruído branco, como nos modelos ARIMA(p=1, d=1, q=0), ARIMA(p=2, d=1, q=0) e ARIMA(p=3, d=1, q=0). Seria possível ajustar modelos não-lineares (logístico bicompartimental) usando estruturas de correlações como o ARIMA? Os dados e o script seguem em anexo com todos os modelos que tentei ajustar (somente para uma amostra, ou seja, correspondente as colunas chamadas de y e x). Agradeço se puderem me dar uma orientação. rm(list=ls(all=TRUE)) #pacotes necessários para a análise. require(manipulate) require(nlstools) require(car) require(nlme) require(lmtest) # modelos estudados #a * (1 - exp(-b * (t - c))) # modelo exponencial #a /(1+exp(2+4*b*(c-t))) # modelo logistico #a/(1+exp(2+4*b*(c-t)))+d/(1+exp(2+4*e*(c-t))) # modelo logistico 2 pool #----------------------------------------------------------------------- setwd('E:\\autoregressivo_modelo') gas01<-read.csv("gas.csv",sep = ",", header = TRUE) gas01 head(gas01) attach(gas01) t=Time/60 # para deixar o tempo em horas dim(gas01) gas=cbind(gas01,t) names(gas) <- c("Time","y","y2","y3", "y4", "x") # variáveis que quero ajustar y (variavel dependente gases) e x o tempo em horas head(gas) dim(gas) attach(gas) #=================================================================== # Ajuste usando o gnls #Ajuste do modelo exponencial -lote I considerando os erros independentes mod1 <- gnls(y ~ a/(1+exp(2+4*b*(c-x)))+d/(1+exp(2+4*e*(c-x))), data=gas, start=c(a=1.1179, b=0.0562, c=-9.5923, d=0.367, e=0.0226)) summary(mod1) # quadro de estimativas R2(residuals(mod1), gas$y) residuosnI<-summary(mod1)$resid shapiro.test(residuosnI) ks.test(rnorm(577),residuosnI) plot(mod1) hist(residuosnI) # Ajuste do modelo Logístico 2 pool considerando - AR() mod2 <- gnls(y ~ a/(1+exp(2+4*b*(c-x)))+d/(1+exp(2+4*e*(c-x))), data=gas,correlation=corAR1(), start=c(a=0.78, b=0.06, c=-5.5923, d=0.367, e=0.0226)) summary(mod2) # quadro de estimativas R2(residuals(mod2), gas$y) residuosnI<-summary(mod2)$resid shapiro.test(residuosnI) ks.test(rnorm(577),residuosnI) plot(mod2) hist(residuosnI) plot(x,mod2$residuals) plot(mod2) # ------------------------------------------------------------------------ # Ajuste do modelo Logístico 2 pool considerando - AR() mod3 <- gnls(y ~ a/(1+exp(2+4*b*(c-x)))+d/(1+exp(2+4*e*(c-x))), data=gas,correlation=corAR1(form=~x), start=c(a=0.78, b=0.06, c=-5.5923, d=0.367, e=0.0226)) summary(mod3) # quadro de estimativas R2(residuals(mod3), gas$y) residuosnI<-summary(mod3)$resid shapiro.test(residuosnI) ks.test(rnorm(577),residuosnI) plot(mod3) hist(residuosnI) plot(x,mod3$residuals) plot( ACF(mod3, maxLag =24), alpha = 0.05 ) # ------------------------------------------------------------------------ # Ajuste do modelo Logístico 2 pool considerando - AR2() mod4 <- gnls(y ~ a/(1+exp(2+4*b*(c-x)))+d/(1+exp(2+4*e*(c-x))), data=gas,correlation=corARMA(p=2,q=0), start=c(a=0.78, b=0.06, c=-5.5923, d=0.367, e=0.0226)) summary(mod4) # quadro de estimativas R2(residuals(mod4), gas$y) residuosnI<-summary(mod4)$resid shapiro.test(residuosnI) ks.test(rnorm(577),residuosnI) plot(mod4) hist(residuosnI) plot( ACF(mod4, maxLag =24), alpha = 0.05 ) # ------------------------------------------------------------------------ # Ajuste do modelo Logístico 2 pool considerando - ARIMA(p=2,q=1) mod5 <- gnls(y ~ a/(1+exp(2+4*b*(c-x)))+d/(1+exp(2+4*e*(c-x))), data=gas,correlation=corARMA(p=2,q=1), start=c(a=1.1179, b=0.0562, c=-9.5923, d=0.367, e=0.0226)) summary(mod5) # quadro de estimativas R2(residuals(mod5), gas$y) residuosnI<-summary(mod5)$resid shapiro.test(residuosnI) ks.test(rnorm(577),residuosnI) plot(mod5) hist(residuosnI) plot( ACF(mod5, maxLag =24), alpha = 0.05 ) # ------------------------------------------------------------------------ # Ajuste do modelo Logístico 2 pool considerando - ARIMA(p=2,q=2) mod6 <- gnls(y ~ a/(1+exp(2+4*b*(c-x)))+d/(1+exp(2+4*e*(c-x))), data=gas,correlation=corARMA(p=2,q=2), start=c(a=1.1179, b=0.0562, c=-9.5923, d=0.367, e=0.0226)) summary(mod6) # quadro de estimativas R2(residuals(mod6), gas$y) residuosnI<-summary(mod6)$resid shapiro.test(residuosnI) ks.test(rnorm(577),residuosnI) plot(mod6) hist(residuosnI) plot( ACF(mod6, maxLag =24), alpha = 0.05 ) # ------------------------------------------------------------------------ # Ajuste do modelo Logístico 2 pool considerando - ARIMA(p=3,q=1) mod7 <- gnls(y ~ a/(1+exp(2+4*b*(c-x)))+d/(1+exp(2+4*e*(c-x))), data=gas,correlation=corARMA(p=3,q=1), start=c(a=1.1179, b=0.0562, c=-9.5923, d=0.367, e=0.0226)) summary(mod7) # quadro de estimativas R2(residuals(mod7), gas$y) residuosnI<-summary(mod7)$resid shapiro.test(residuosnI) ks.test(rnorm(577),residuosnI) plot(mod6) hist(residuosnI) plot( ACF(mod7, maxLag =24), alpha = 0.05 ) Agradeço desde já, Adriele. -- Adriele Giaretta Biase. Mestre em Estatística e Experimentação Agropecuária - UFLA. Doutoranda em Estatística e Experimentação Agronômica - ESALQ/ USP Contato: (19) 8861-0619.

3 2

Problemas com criação de listas
by Paulo Henrique Pimenta 23 Out '15

23 Out '15

Olá Listeiros, Estou com um problema na criação de novas listas no R. Abaixo segue parte do meu código: arq_1 <- read.table("C:/Users/Paulo/Documents/Alturas_Ilha_Fiscal-2015-10-22/Alturas_Ilha_Fiscal/50140002560102196123121961ALT_MOD.xls") ######################################################################################################## Fazendo a mao mes a mes #################### jan <- arq_1[which(arq_1$V2==1),] fev <- arq_1[which(arq_1$V2==2),] mar <- arq_1[which(arq_1$V2==3),] abril <- arq_1[which(arq_1$V2==4),] maio <- arq_1[which(arq_1$V2==5),] junho <- arq_1[which(arq_1$V2==6),] julho <- arq_1[which(arq_1$V2==7),] agosto <- arq_1[which(arq_1$V2==8),] setembro <- arq_1[which(arq_1$V2==9),] outubro <- arq_1[which(arq_1$V2==10),] novembro <- arq_1[which(arq_1$V2==11),] dezembro <- arq_1[which(arq_1$V2==12),] ################automatizando##################### for (i in 1:12){ mes[i] <- arq_1[which(arq_1$V2==i),] } Eu gostaria de poder automatizar o primeiro processo, a captação de um bloco da lista arq_1 para a variável mes[i], porém eu recebo a mensagem: There were 12 warnings (use warnings() to see them) e ao abrir os warnings: Warning messages: 1: In mes[i] <- arq_1[which(arq_1$V2 == i), ] : number of items to replace is not a multiple of replacement length 2: In mes[i] <- arq_1[which(arq_1$V2 == i), ] : number of items to replace is not a multiple of replacement length 3: In mes[i] <- arq_1[which(arq_1$V2 == i), ] : number of items to replace is not a multiple of replacement length 4: In mes[i] <- arq_1[which(arq_1$V2 == i), ] : number of items to replace is not a multiple of replacement length 5: In mes[i] <- arq_1[which(arq_1$V2 == i), ] : number of items to replace is not a multiple of replacement length 6: In mes[i] <- arq_1[which(arq_1$V2 == i), ] : number of items to replace is not a multiple of replacement length 7: In mes[i] <- arq_1[which(arq_1$V2 == i), ] : number of items to replace is not a multiple of replacement length 8: In mes[i] <- arq_1[which(arq_1$V2 == i), ] : number of items to replace is not a multiple of replacement length 9: In mes[i] <- arq_1[which(arq_1$V2 == i), ] : number of items to replace is not a multiple of replacement length 10: In mes[i] <- arq_1[which(arq_1$V2 == i), ] : number of items to replace is not a multiple of replacement length 11: In mes[i] <- arq_1[which(arq_1$V2 == i), ] : number of items to replace is not a multiple of replacement length 12: In mes[i] <- arq_1[which(arq_1$V2 == i), ] : number of items to replace is not a multiple of replacement length Fazendo pelo processo manual dá certo, mas pq fazendo pelo processo “automatizado" não é possível. Peço ajuda de vocês para encontrar uma saída! Um grande abraço a todos Paulo. Sent from Windows Mail

3 4

Link de transmissão do Meetup (segunda parte) Criação de pacotes em R
by Luis Benites Sánchez 23 Out '15

23 Out '15

Link de transmissão ao vivo da segunda parte do Meetup, Criação de pacotes em R: http://youtu.be/2CI8OvZPhqI -- Luis B. Sánchez Ph.D Candidate Dept. of Statistics-IME, University at São Paulo (USP) São Paulo, BRAZIL lsanchez(a)ime.usp.br Skype: lbenitesanchez Twitter: @lbenitesanchez www.luis-benites.com/

1 0