Quando estamos com modelos não gaussianos, temos mais de uma definição de resíduos. Tem se os resíduos nas escala do preditor, na escala da resposta, os resíduos de deviance, os resíduos de personagem, etc. Ao contrário do que ocorre no mundo gaussiano, os resíduos em glm vão apresentar distribuição normal a medida que a amostra aumenta, e os resíduos, salvo engano meu, a serem considerados sobre isso são os de deviance. Então a avaliação dos pressupostos em glm meio que padece dessa definição de suficiência. De qualquer forma, a inspeção destes deve ser feita, sem dúvida. Acontece que remediações são menos óbvias porque 1) se apresentar falta de ajuste lembre se que existe uma função de ligação ligando preditor ao valor esperado, 2) se houver alguma relação média variância saiba que cada distribuição já assume alguma relação (ex binomial p*(1-p)) e 3) não se pode transformar certos dados, os de suporte discreto por exemplo, para adequar pressupostos porque isso pode descaracterizar a variável aleatória. À disposição. Walmes. -- ========================================================================== Walmes Marques Zeviani LEG (Laboratório de Estatística e Geoinformação, 25.450418 S, 49.231759 W) Departamento de Estatística - Universidade Federal do Paraná fone: (+55) 41 3361 3573 skype: walmeszeviani homepage: http://www.leg.ufpr.br/~walmes linux user number: 531218 ==========================================================================

Eu não posso ajudar muito sobre o que esperar desses gráficos quando o modelo está correto/errado pois meu conhecimento sobre isso é limitado. E eu acho que isso é sempre um tema para debates quando se estuda análise de regressão. O Walmes já ajuntou pontos importantes para serem considerados.Eu temo que a sua questão não tenha uma resposta simples "one size fits all". Entortando um pouco a sua questão, eu perguntaria: Qual seria a distribuição esperada dos resíduos? Se a distribuição dos resíduos usando glm variar de acordo com o modelo (ao que parece sim), então a resposta à essa pergunta poderá ajudar em como interpretar o gráfico. Infelizmente, os cursos de estatística que tomei não me permite ir além, mas com certeza deve haver vários livros que esploram isso a fundo, incluindo o que esperar de modelos com resíduos meio-normais etc. Um outro ponto que pode ajudar é você simular novos dados para a região que seu modelo é verdadeiro. Estimar o modelo novamente com esses dados e comparar os resíduos atuais com os obtidos anteriormente. Daniel 2014-08-20 10:25 GMT-03:00 ana paula coelho madeira <apcmadeira@hotmail.com> :

Daniel, de fato me expressei mal... não são os dados e sim os resíduos.

Mas minha dúvida está no fato de o plot(modelo) apresentar, entre outros, o qqplot. A pressuposição de normalidade dos resíduos não é para análise de variância? Como interpreto esse gráfico se usei um glm?

Agradeço

Ana PAula

------------------------------ From: dmsilva.br@gmail.com Date: Tue, 19 Aug 2014 21:13:30 -0300 To: r-br@listas.c3sl.ufpr.br Subject: Re: [R-br] Função plot(modelo)

Ana Paula, Me corrijam os estatísticos da lista, mas o que você precisa observar nos plots não é a distribuição dos dados, e sim dos resíduos. Dessa forma, mesmo uzando glm com link poisson, o QQ plot deve funcionar caso o modelo esteja ajustado.

Daniel

2014-08-18 21:18 GMT-03:00 ana paula coelho madeira < apcmadeira@hotmail.com>:

Prezados colegas,

boa noite. A função plot(modelo) apresenta uma série de gráficos que nos permite verificar, entre outras coisas, as pressuposições de homocedasticidade e normalidade, correto? Supondo que tenho, por exemplo, dados de contagem que os erros não tenham distribuição normal. Desse modo poderia usar um GLM com família Poisson. Nesse caso como devo interpretar os gráficos produzidos por plot(modelo) ? ( Ou seja, se já sei que os dados não são normais, usei um GLM, o que esses gráficos me dizem? QQ plot?)

Agradeço muito!

Atenciosamente,

Ana Paula

_______________________________________________ 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 forne�a c�digo m�nimo reproduz�vel.

_______________________________________________ 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.

Aproveitando a dica do Walmes, ao acessar o artigo sugerido. Encontrei esse aqui que também pode ajudar. Esta disponível via periódico capes. http://www.jstor.org/discover/10.2307/2670123?uid=3737664&uid=2129&uid=2&uid... On 21-08-2014 16:57, walmes . wrote:

Veja se esse artigo orienta alguma coisa

Residuals in Generalized Linear Models Donald A. Pierce and Daniel W. Schafer Journal of the American Statistical Association, Vol. 81, No. 396 (Dec., 1986), pp. 977-986

http://www.jstor.org/stable/2289071

Note que o artigo é de quase 30 anos atrás, logo não vai mencionar o R e talvez nem a avaliação via os gráficos que o R usa. Porem, passei o olho por ele e ele faz a definição de cada tipo de resíduo, o que considero útil. Muita comparação entre resíduos de Pearson e os baseados na log-verossimilhança é feita.

À disposção. Walmes.

_______________________________________________ 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.