Re: [R-br] regressão multivariada
Oi Ayuni, Nos últimos dois meses, estou estudando um pouco sobre análise multivariada, e até onde eu entendi, a análise de correlação canônica é uma extensão da análise de regressão múltipla. Neste tipo de análise você têm um grupo de variáveis dependentes e outro grupo de variáveis independentes. Dê uma olhada na teoria, acho que é o que você procura. O bom pacote que achei para fazer estes tipos de análises e a "candisc". Baixe o pdf do pacote e veja como utilizar as funções. Outro pacote que gera gráficos ótimos nestes casos é o "heplot". Só para lembrar, a candisc trabalha com variáveis canônicas. Veja em qual caso ela se aplique, pois pode ser que a utilização de componentes principais seja mais apropriado. Você poderia fazer também: modelo <- lm(cbind(var1, var2, etc..) ~ x1 + x2 + etc...) summary(modelo) Dê uma olhada na MASS para estes tipos de utilização. Abraços. Allaman (S,f,P) M.Sc Ivan Bezerra Allaman Zootecnista Doutorando em Produção Animal/Aquicultura - UFLA email e msn - ivanalaman@yahoo.com.br Tel: (35)3826-6608/9900-2924
e' importante notar que lm(cbind(var1, var2, ...) ~ x1 + x2 ...) ajusta modelos lineares para as respostas var1, var2, ... independentemente, ie. a notacao acima e' equivalente a: lm(var1 ~ x1 + x2 ...) lm(var2 ~ x1 + x2 ...) etc b 2011/4/19 Ivan Bezerra Allaman <ivanalaman@yahoo.com.br>:
Oi Ayuni,
Nos últimos dois meses, estou estudando um pouco sobre análise multivariada, e até onde eu entendi, a análise de correlação canônica é uma extensão da análise de regressão múltipla. Neste tipo de análise você têm um grupo de variáveis dependentes e outro grupo de variáveis independentes. Dê uma olhada na teoria, acho que é o que você procura. O bom pacote que achei para fazer estes tipos de análises e a "candisc". Baixe o pdf do pacote e veja como utilizar as funções. Outro pacote que gera gráficos ótimos nestes casos é o "heplot". Só para lembrar, a candisc trabalha com variáveis canônicas. Veja em qual caso ela se aplique, pois pode ser que a utilização de componentes principais seja mais apropriado. Você poderia fazer também:
modelo <- lm(cbind(var1, var2, etc..) ~ x1 + x2 + etc...) summary(modelo)
Dê uma olhada na MASS para estes tipos de utilização.
Abraços.
Allaman (S,f,P)
M.Sc Ivan Bezerra Allaman Zootecnista Doutorando em Produção Animal/Aquicultura - UFLA email e msn - ivanalaman@yahoo.com.br Tel: (35)3826-6608/9900-2924
_______________________________________________ R-br mailing list R-br@listas.c3sl.ufpr.br https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
-- Successful people ask better questions, and as a result, they get better answers. (Tony Robbins)
Muito obrigada Meninos! Bem lembrado Benilton....o que eu quero é fazer o ajuste simultaneo da matrix Y em função da matriz X agradeço a atenção de voces. Ayuni ________________________________ De: Benilton Carvalho <beniltoncarvalho@gmail.com> Para: r-br@listas.c3sl.ufpr.br Enviadas: Terça-feira, 19 de Abril de 2011 10:28:03 Assunto: Re: [R-br] regressão multivariada e' importante notar que lm(cbind(var1, var2, ...) ~ x1 + x2 ...) ajusta modelos lineares para as respostas var1, var2, ... independentemente, ie. a notacao acima e' equivalente a: lm(var1 ~ x1 + x2 ...) lm(var2 ~ x1 + x2 ...) etc b 2011/4/19 Ivan Bezerra Allaman <ivanalaman@yahoo.com.br>:
Oi Ayuni,
Nos últimos dois meses, estou estudando um pouco sobre análise multivariada, e até onde eu entendi, a análise de correlação canônica é uma extensão da análise de regressão múltipla. Neste tipo de análise você têm um grupo de variáveis dependentes e outro grupo de variáveis independentes. Dê uma olhada na teoria, acho que é o que você procura. O bom pacote que achei para fazer estes tipos de análises e a "candisc". Baixe o pdf do pacote e veja como utilizar as funções. Outro pacote que gera gráficos ótimos nestes casos é o "heplot". Só para lembrar, a candisc trabalha com variáveis canônicas. Veja em qual caso ela se aplique, pois pode ser que a utilização de componentes principais seja mais apropriado. Você poderia fazer também:
modelo <- lm(cbind(var1, var2, etc..) ~ x1 + x2 + etc...) summary(modelo)
Dê uma olhada na MASS para estes tipos de utilização.
Abraços.
Allaman (S,f,P)
M.Sc Ivan Bezerra Allaman Zootecnista Doutorando em Produção Animal/Aquicultura - UFLA email e msn - ivanalaman@yahoo.com.br Tel: (35)3826-6608/9900-2924
_______________________________________________ R-br mailing list R-br@listas.c3sl.ufpr.br https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
-- Successful people ask better questions, and as a result, they get better answers. (Tony Robbins) _______________________________________________ R-br mailing list R-br@listas.c3sl.ufpr.br https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
On Tue, 2011-04-19 at 17:01 -0700, Ayuni Sena wrote:
Muito obrigada Meninos! Bem lembrado Benilton....o que eu quero é fazer o ajuste simultaneo da matrix Y em função da matriz X agradeço a atenção de voces. Ayuni
É por isso que sugeri o systemfit, vejam o exemplo com apenas um modificação Codigo: require('systemfit') data("Kmenta") attach(Kmenta) eqDemand <- consump ~ price + income eqSupply <- consump ~ price + farmPrice + trend eqSystem <- list(demand = eqDemand, supply = eqSupply) fitols <- systemfit(eqSystem) summary(fitols) resposta: systemfit results method: OLS N DF SSR detRCov OLS-R2 McElroy-R2 system 40 33 155.883 4.43485 0.709298 0.557559 N DF SSR MSE RMSE R2 Adj R2 demand 20 17 63.3317 3.72539 1.93013 0.763789 0.735999 supply 20 16 92.5511 5.78444 2.40509 0.654807 0.590084 The covariance matrix of the residuals demand supply demand 3.72539 4.13696 supply 4.13696 5.78444 The correlations of the residuals demand supply demand 1.000000 0.891179 supply 0.891179 1.000000 OLS estimates for 'demand' (equation 1) Model Formula: consump ~ price + income Estimate Std. Error t value Pr(>|t|) (Intercept) 99.8954229 7.5193621 13.28509 2.0906e-10 *** price -0.3162988 0.0906774 -3.48818 0.0028153 ** income 0.3346356 0.0454218 7.36729 1.0999e-06 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 1.930127 on 17 degrees of freedom Number of observations: 20 Degrees of Freedom: 17 SSR: 63.33165 MSE: 3.725391 Root MSE: 1.930127 Multiple R-Squared: 0.763789 Adjusted R-Squared: 0.735999 OLS estimates for 'supply' (equation 2) Model Formula: consump ~ price + farmPrice + trend Estimate Std. Error t value Pr(>|t|) (Intercept) 58.2754312 11.4629099 5.08383 0.00011056 *** price 0.1603666 0.0948839 1.69013 0.11038810 farmPrice 0.2481333 0.0461879 5.37226 6.2274e-05 *** trend 0.2483023 0.0975178 2.54623 0.02156713 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 2.405087 on 16 degrees of freedom Number of observations: 20 Degrees of Freedom: 16 SSR: 92.551058 MSE: 5.784441 Root MSE: 2.405087 Multiple R-Squared: 0.654807 Adjusted R-Squared: 0.590084 fim da reposta Obs você pode usar outras formas de ajuste com SURE por exemplo -- []s Tura
Obrigada Tura, vou dar uma olhada no systemfit tb. Obrigada pela ajuda Abs. Ayuni ________________________________ De: Bernardo Rangel Tura <tura@centroin.com.br> Para: r-br@listas.c3sl.ufpr.br Enviadas: Quarta-feira, 20 de Abril de 2011 6:35:35 Assunto: Re: [R-br] Res: regressão multivariada On Tue, 2011-04-19 at 17:01 -0700, Ayuni Sena wrote:
Muito obrigada Meninos! Bem lembrado Benilton....o que eu quero é fazer o ajuste simultaneo da matrix Y em função da matriz X agradeço a atenção de voces. Ayuni
É por isso que sugeri o systemfit, vejam o exemplo com apenas um modificação Codigo: require('systemfit') data("Kmenta") attach(Kmenta) eqDemand <- consump ~ price + income eqSupply <- consump ~ price + farmPrice + trend eqSystem <- list(demand = eqDemand, supply = eqSupply) fitols <- systemfit(eqSystem) summary(fitols) resposta: systemfit results method: OLS N DF SSR detRCov OLS-R2 McElroy-R2 system 40 33 155.883 4.43485 0.709298 0.557559 N DF SSR MSE RMSE R2 Adj R2 demand 20 17 63.3317 3.72539 1.93013 0.763789 0.735999 supply 20 16 92.5511 5.78444 2.40509 0.654807 0.590084 The covariance matrix of the residuals demand supply demand 3.72539 4.13696 supply 4.13696 5.78444 The correlations of the residuals demand supply demand 1.000000 0.891179 supply 0.891179 1.000000 OLS estimates for 'demand' (equation 1) Model Formula: consump ~ price + income Estimate Std. Error t value Pr(>|t|) (Intercept) 99.8954229 7.5193621 13.28509 2.0906e-10 *** price -0.3162988 0.0906774 -3.48818 0.0028153 ** income 0.3346356 0.0454218 7.36729 1.0999e-06 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 1.930127 on 17 degrees of freedom Number of observations: 20 Degrees of Freedom: 17 SSR: 63.33165 MSE: 3.725391 Root MSE: 1.930127 Multiple R-Squared: 0.763789 Adjusted R-Squared: 0.735999 OLS estimates for 'supply' (equation 2) Model Formula: consump ~ price + farmPrice + trend Estimate Std. Error t value Pr(>|t|) (Intercept) 58.2754312 11.4629099 5.08383 0.00011056 *** price 0.1603666 0.0948839 1.69013 0.11038810 farmPrice 0.2481333 0.0461879 5.37226 6.2274e-05 *** trend 0.2483023 0.0975178 2.54623 0.02156713 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 2.405087 on 16 degrees of freedom Number of observations: 20 Degrees of Freedom: 16 SSR: 92.551058 MSE: 5.784441 Root MSE: 2.405087 Multiple R-Squared: 0.654807 Adjusted R-Squared: 0.590084 fim da reposta Obs você pode usar outras formas de ajuste com SURE por exemplo -- []s Tura _______________________________________________ R-br mailing list R-br@listas.c3sl.ufpr.br https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
participantes (4)
-
Ayuni Sena -
Benilton Carvalho -
Bernardo Rangel Tura -
Ivan Bezerra Allaman