Pedro, me desculpe, mas conceitualmente isso não faz sentido do ponto de vista frequentista que vc está empregando. No máximo vc conseguirá bandas de confiança para extrapolações e interpolações a partir dos seus dados, e verificar se as "previsões com novos dados" (que não são previsões no sentido que vc está querendo) caem dentro destas bandas. o que isso significa, não sei ao certo. Na verdade técnicas como Análise Discriminante e modelos de clasificação utilizam este tipo de abordagem como validação do modelo, a chamada Crossvalidation, mas mesmo lá, são feitas apenas medidas de "acerto" nas classificações, dado que se sabe o estado real das observações desta nova amostra (eg: Doente e Não Doente).

"quero e saber se a qualidade das previsoes no futuro sem mantem como no ajuste inicial" . Isso não vai acontecer, principalmente se seus novos dados estiverem em uma amplitude diferente de observação (algo que o Ivan já apontou no email dele).

Este seu raciocínio me parece muito mais algo Bayesiano....aliás, modelos de regressão para prognóstico de pacientes é algo muito pouco preconizado, vide literatura (Bland, Altman, Greenland, Rothman, etc...).

Abs


Em 8 de agosto de 2012 18:52, Pedro Emmanuel Alvarenga Americano do Brasil <emmanuel.brasil@gmail.com> escreveu:

Ivan,

Entendi o seu comentario mas isso nao me serve. Eu nao quero outro modelo. O que eu quero e saber se a qualidade das previsoes no futuro sem mantem como no ajuste inicial.
Caso sejam piores, o modelo inicial necessita de calibracao.
No pacote rms ha as fucoes val.prob e val.surv que o fazem para modelos logisticos e para os modelos de sobrevivencia,mas mao encontrei para os mpdelos lineares.

Se eu vou utilizar esses modelos para prever eventos em pacientes que serao avaliados no futuro eu gostaria de saber o quanto esse  modelo e bom para esse fim. Por isso me interessa as previsoes no w2 muito mais o que as previsoes no w1 pelo mesmo modelo.

Pedro Brasil
via Android (:)=

Em 08/08/2012 12:13, "Ivan Bezerra Allaman" <ivanalaman@yahoo.com.br> escreveu:
Bom dia Pedro!

Tu concordas comigo que a partir do momento que ajustastes um modelo por meio de uma amostra, o modelo irá fazer uma estimativa da variável resposta independentemente de qual amostra você utilize (desde que os pontos estejam dentro do intervalo no qual o modelo foi ajustado é claro) com aquela precisão no qual foi construído o modelo. Se vc utilizar um modelo ajustado com a amostra w1 e depois usar o modelo para fazer estimativas com a amostra w2, estas estimativas foram estimadas com a precisão dada no primeiro ajuste. Se você realmente, quer avaliar o ajuste do modelo feito com a amostra w1 e depois com a amostra w2 é simples, basta ajustar um modelo feito com a amostra w1 e depois ajustar outro modelo feito com a amostra w2 e comparar os R2, embora não vejo muito sentido nisso, pois é claro, que os valores serão diferentes sempre, pois é aquela velha história, se retirarmos 'n' amostras de uma população e retirarmos de cada amostra a média, estas médias serão diferentes obviamente pelo simples processo de amostragem.

Abraço!

(S,f,P)
Allaman
 

\begin{signature}
<<>>=
Prof. Dr. Ivan Bezerra Allaman
Universidade Estadual de Santa Cruz
Departamento de Ciências Exatas e Tecnológicas
Ilhéus/BA - Brasil
@
\end{signature}

_______________________________________________
R-br mailing list
R-br@listas.c3sl.ufpr.br
https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código mínimo reproduzível.

_______________________________________________
R-br mailing list
R-br@listas.c3sl.ufpr.br
https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código mínimo reproduzível.



--
Fernando A.B. Colugnati