Documentos de Académico
Documentos de Profesional
Documentos de Cultura
14/06/2021 – 18/06/2021
Modelo ejemplo:
set.seed(1)
NumEstomas <- sample(c(50:150),size=100, replace = T)
install.packages (“car”)
Variancia en regresiones
lineales
En ese caso necesitamos de modelos que nos permitan linealizar esa relación
MODELO LINEAL
GENERALIZED LINEAR MODEL • Errores tiene una distribución
1. La estructura del error del modelo normal
2. El estimador lineal • El estimador lineal es el método
3. La función de enlace de los mínimos cuadrados
• No hay función de enlace
https://www.youtube.com/watch?v=XepXtl9YKwc
Logistic regression!
#Aplicar el glm
Library(glmmTMB)
B1 <- glm(Tb ∼ LengthCT, family = binomial (link = “logit”),data =
jaba)
summary(B1)
# Alternativa
library(visreg)
visreg(B1,scale="response")
𝑫𝒆𝒗𝒊𝒂𝒏𝒄𝒆 𝒓𝒆𝒔𝒊𝒅𝒖𝒂𝒍
𝑷𝒔𝒆𝒖𝒅𝒐 𝑹𝟐 = 𝟏 =
𝑫𝒆𝒗𝒊𝒂𝒏𝒄𝒆 𝒏𝒖𝒍𝒂
QRPEUDUDORVPRGHORV
##Wald test PRGQDPHVF
GLVSKSZWTVHF
GLVSTVHF
GLVSZW
library(survey) &DOFXODU$,&GHORVPRGHORV\YLVXDOL]DU
regTermTest(modelo, “variable”) DLFWDEFDQGVHW PRGHOVPRGQDPHV PRGQDPHV
%DVDUVHHQHOFULWHULRGH$,&F
##Variable importance
varImp(modelo)
FCV - ING. EN ECOSISTEMAS – MCE5 S3.1_GLM - GAM 31/05/2021 31
TAREA: GLM PARÁSITOS MARINOS
Construya un modelo GLM utilizando como variables “Weigh” + “Length”. Y evalue este
modelo (s3_parasiteCod.txt).
Identificar cuál la familia (normal, binomial, gamma, poisson, etc.) en base a los datos
recolectados y poner las variables al modelo, remplazando los XX.
GAM
● Vimos que GLMs son opciones para modelar relaciones que no son lineales
● GLMs son una buena opción cuando la variable Y no son continuas, pero sí
son conteos, binarias etc
● Además, GLMs también pueden ser usados cuando la estructura del error del
modelo no es normal.
● Si, después de intentar las técnicas (transformaciones, adición de más
variables) vistas en las clases anteriores, aún encontramos patrones el los
resíduos de los modelos, una alternativa es usar modelos con suavizadores o
con splines, también llamados de modelos GAM.
B - Ajuste de un GAM
Hay dos paquetes en R que pueden ser usados para correr GAMs:
mgcv y gam. (y ggplot2)
par(mfrow = c(2, 2), mar = c(5, 4, 1, 2)) # para hacer graficos en la misma
ventana
#GAM y plot
M1 <- gam(Sources16 ∼ lo(Depth16, span = 0.5))
#pueden cambiar el valor del argumento span para 0.1 y mirar las diferencias
plot(M1, se = TRUE)
par(mfrow=c(3,1))
S8 <- ISIT$Sources[ISIT$Station == 8]
D8 <- ISIT$SampleDepth[ISIT$Station == 8]
S13 <- ISIT$Sources[ISIT$Station == 13]
D13 <- ISIT$SampleDepth[ISIT$Station == 13]
So <- c(S8, S13)
De <- c(D8, D13)
summary(M4)
plot(M4)
Utilice la base de datos de humedales de Norte América para analizar la relación existente
entre las concentraciones de fósforo (total phosphorusTP) de los efluentes TPOut con otras
variables efectoras como el hydraulic loading rate HRL, input TP concentration TPIn, y input
TP mass loading rate PLI de los humedales.
Data: s3_nawdb.csv