boxcox.gama <- function(modelo=fit.model,var=stop("faltou informar a variavel"),tetas=seq(-2,2,0.1),mv=F,maxit=20) { # # Descrição e detalhes: # Esta função ajusta o modelo com distribuição Gama (ligação log, inversa ou identidade) testando qual o # teta da transformação Box-Cox [(var^teta)/teta, teta!=0 e log(var), teta==0] diminui mais o desvio escalonado. # # A sugestão desse procedimento é feita por McCullagh e Nelder (pág.402, teoria e pág.412, exemplo). # # Por motivos óbvios deve-se analisar se a variável possui valores negativos ou iguais a zero ao se escolhar os tetas. # # Os dados devem estar disponíveis pelo comando attach( ). # # Argumentos obrigatórios: # modelo: deve-se informar o objeto onde está o ajuste do modelo com distribuição gama, sendo que este ajuste # não deve conter a variável que se está testando qual o melhor teta da transformação de Box-Cox; # var: é a variável que será avaliada qual o melhor teta da transformação de Box-Cox; # # Argumentos opcionais: # tetas: permite determinar quais tetas se deseja avaliar o desvio, o padrão é seq(-2,2,0.1); # mv: o valor T (True) fará com se obtenha a estimativa de máxima verossimilhança (EMV) para o parâmetro de # dispersão. O valor F (False) indicará a escolha pela estimativa consistente pelo método dos momentos. O # padrão é F. Note que como a EMV é razoavelmente mais demorada para ser obtida, a função demorará mais # para rodar. Para obter a EMV a biblioteca MASS deve estar presente, no entanto não requer-se que seja # carregada previamente; # maxit: máximo de iterações permitido para o processo iterativo convergir, o padrão é 20. # # Autor: Frederico Zanqueta Poleto , arquivo disponível em http://www.poleto.com # # Referência: # MCCULLAGH, P. e NELDER, J. A. (1989). Generalized Linear Models. 2ª ed. Chapman and Hall, London. # # Exemplo: # boxcox.gama(ajuste,seq(-0.1,0.6,0.01)) # if(class(modelo)[1] != "glm") { stop(paste("\nA classe do objeto deveria ser glm e nao ",class(modelo),"!!!\n")) } if(modelo$family[[1]] != "Gamma") { stop(paste("\nA familia do objeto deveria ser Gamma e nao ",modelo$family[[1]],"!!!\n")) } X <- model.matrix(modelo) y<-modelo$y link<-modelo$family["link"] gl<-nrow(X)-ncol(X)+1 n<-length(tetas) devi<-numeric(n) for(i in 1:n) { if (tetas[i]==0) { h<-log(var) } else { h<-(var^tetas[i]-1)/tetas[i] } X2<-cbind(X,h) if ( (is.null(version$language) == T && link == "Log: log(mu)") | (is.null(version$language) == F && link == "log") ) { fit <- glm(y~X2-1,family=Gamma(link=log),maxit=maxit) } else { if ( (is.null(version$language) == T && link == "Inverse: 1/mu") | (is.null(version$language) == F && link == "inverse") ) { fit <- glm(y~X2-1,family=Gamma,maxit=maxit) } else { if ( (is.null(version$language) == T && link == "Identity: mu") | (is.null(version$language) == F && link == "identity") ) { fit <- glm(y~X2-1,family=Gamma(link=identity),maxit=maxit) } else { stop(paste("\nEsta funcao so aceita as ligacoes: canonica, log e identidade!!!\nLigacao ",link," desconhecida!!!\n")) } } } if(mv==F) { fi <- gl/sum((resid(fit,type="response")/(fitted(fit)))^2) } else { fi <- 1/gamma.dispersion(fit) #Função gamma.shape retorna phi do texto, gamma.shape$alpha=1/gamma.dispersion } devi[i]<-deviance(fit)*fi } plot(tetas,devi,xlab="teta", ylab="desvio escalonado",type="l",pch=16,lwd=1) cat("\nDo conjunto\n") print(tetas) cat(", o que minimizou o desvio foi:\n") tetas[order(devi)[1]] }