Académique Documents
Professionnel Documents
Culture Documents
Objetivo da disciplina
Ensinar
modelagem estatstica de
fenmenos naturais aos alunos de psgraduao utilizando tcnicas da
estatstica multivariada.
Ementa da disciplina
Avaliaes
Uma
Prova
Trabalhos semanais
Trabalho final: Cada aluno dever
apresentar um seminrio e um
trabalho escrito sobre aplicaes de
tcnicas da estatstica multivariada em
sua tese.
Recursos computacionais
SAS:
multivariada.htm
Modelos Lineares
(reviso)
Modelos lineares
Seja Y a
Y f X 1 , X 2 , , X p ,
Y representa
a resposta;
X1,X2,..., Xp so as variveis estudadas;
representa outro conjunto de variveis no
consideradas no estudo;
Requisitos da funo
Deve
prestar-se ao tratamento
matemtico;
Deve ser adequada para o conjunto
de dados em estudo;
Deve ser simples ou pelo menos mais
simples dentre as concorrentes.
( Y )
Vamos
Y , ~ N ,
Este
A superfcie de resposta
Yi 0 1 X 1i 2 X 2 i p X pi ei
i 1,2 , , n.
Yi = superfcie de resposta
n = nmero de observaes;
p = nmero de variveis preditoras.
O modelo linear a chave do negcio, isto , tem
inmeras aplicaes na estatstica multivariada.
Conseqncias da estimao
Duas situaes so
encontradas na modelagem
1.
2.
Conseqncias da estimao
Em
No
Conseqncias da estimao
posto X ' X p 1
p
Conseqncias da estimao
Conseqncias da estimao
Conseqncias da estimao
todos os autovalores so
positivos (negativos).
Introduo
Introduo (Cont.)
Pode
Modelagem da Regresso
Linear
Pressuposies da modelagem
O
Y X o modelo linear
O erro da modelagem
O
Y X
e1
e
2
en
,Y
Y1
Y
2
Yn
1 X 11 X 21 X p 1
0
1
1 X 12 X 22 X p 2
,X
,
1 X 1n X 2 n X pn
p
Modelo de regresso
Yi 0 1 X 1i 2 X 2 i p X pi , i 1,2 , , n.
O
1
p
Y X
Ento
Z Y X
De
Minimizao da funo Z
Z Y X
Z Y X Y X
'
matrizes YX e XY uma a
transposta da outra e so de dimenso
1x1, ento as matrizes so iguais.
Diferenciando a funo Z
Z Y ' Y 2 ' X ' Y ' X ' X
dZ 2 d ' X ' Y d ' X ' X ' X ' X d
As
X ' X X ' Y 0
O beta chapu
Assim
X ' X X ' Y
X' X
Temos:
X' X
X' X X' Y
Conseqncias da estimao
O
Y X , ~ N ,
Conseqncias da estimao
Conseqncias da estimao
Conseqncias da estimao
Conseqncias da estimao
Prtica 1
Yi
X1i
X2i
1,5
6,5
10,0
11,0
11,5
16,5
0
1
1
2
2
3
0
2
4
2
4
6
Prtica 1
X com intercepto
1 0 0
1 1 2
1 1 4
X
1 2 2
1 2 4
1 3 6
X sem intercepto
0 0
1 2
1 4
Resposta Y
1,5
6 ,5
10 ,0
2 2
2 4
3 6
11,0
11,5
16 ,5
Prtica 1
Obteno da matriz XX
Esta
1 1 1 1 1 1
X ' X 0 1 1 2 2 3
0 2 4 2 4 6
1 0 0
1 1 2
1 1 4
6 9 18
9 19 36
1
2
2
18 36 76
1 2 4
1 3 6
Prtica 1
Obteno da matriz XY
Esta
1 1 1 1 1 1
X ' Y 0 1 1 2 2 3
0 2 4 2 4 6
1,5
6 ,5
10 ,0
57
111
11
,
0
220
11,5
16 ,5
Prtica 1
quadrados
B0 6 9 18
9
19
36
1
18 36 76
B2
57
11
220
3
1
Vetor de parmetros
Determinante da matriz
Autovalores da matriz
Anlise de Varincia da
Regresso Linear
Anlise de varincia da
regresso linear
A anlise
de varincia da regresso a
estatstica utilizada para testar os
regressores. A hiptese nula que todos os
regressores so iguais e zero. Caso isso no
ocorra o resultado da anlise significativo,
isto , rejeita-se a hiptese nula.
A anlise de varincia no testa o intercepto.
H 0 : 1 2 p 0
Algumas Pressuposies do
Modelo
Beta
chapu um estimador no
tendencioso:
A esperana
e V I 2
A covarincia
deste vetor :
'
1 2
Cov ( ) [( ) ( ) ] (X' X)
1 2
Cov ( ) ( X ' X )
s2
1 2
Cov ( ) ( X ' X ) s
SQ Re s Yi Yi
i 1
Escrito
na forma matricial :
SQTotal Yi
i 1
Matricialmente
Y
i 1
podemos escrever:
SQTotal Y ' Y c
u
1
c Y ' u u' Y
n
um vetor de 1s de dimenso n x 1.
SQ Re g Yi Y
i 1
Na
GL
SQ
QM
' X ' Y c
SQReg/p
QM Re g
QM Re s
n-p-1
n-1
Y' Y c
=nmero de observaes;
p =nmero de variveis
Anlise para dados no repetidos
1 2 p 0
Se
QM Re g
F
QM Re s
tem distribuio F (central) com p e n-p-1
graus de liberdade.
parmetros da regresso .
A estatstica utilizada :
i i
t
, associado a (n - p - 1) gl.
s( i )
O teste significativo quando t maior que o
valor tabelado.
H 0 : c'
c
c' [c 0 c1 c 2 c p ]
um vetor m-dimensional de
constantes conhecidas.
1
2
m
de Wald
Para teste F simultneo dos parmetros
1
1
Sendo
0
0 1 0
0
0 0 1 1 0
H 0 : 1 0 e 2 0
[c]=m=2
2
0 1 0 3
c'
3
0 0 1 1 1
3 0 3
c'
1 0 1
c' ( x ' x ) c
1
33
3 1
54
33
54
54
6
132
6
54
6
132
6
3
1 125,50
1,00
n p 1
6 2 1
2
125,50
**
F(H 0 )
62,75 F1% (2 ; 3) 30,82
2 (1,00)
Rejeita-se
c' c'
t
, associado a (n - p - 1) gl.
V (c' )
Testa
Source
Model
Error
Corrected Total
6
8
14
Root MSE
Dependent Mean
Coeff Var
20710
6290.41589
27000
28.04108
60.00000
46.73513
3451.59735
786.30199
R-Square
Adj R-Sq
F Value
Pr > F
4.39
0.0293
0.7670
0.5923
Variable
Label
Intercept
NDVI
RNIR
GNIR
ARVI
SAVI
GNDVI
Intercept
NDVI
RNIR
GNIR
ARVI
SAVI
GNDVI
Parameter
Standard
DF
Estimate
Error
1 1835.59747
1 -15182
1 -1698.66240
1 -413.90081
1
546.46984
1
8350.10834
1
594.04446
1483.61562
19298
3814.27214
2665.47402
283.26026
13196
2908.94995
t Value
1.24
-0.79
-0.45
-0.16
1.93
0.63
0.20
Pr > |t|
0.2511
0.4541
0.6679
0.8804
0.0898
0.5445
0.8433
Predicted
Value Residual
0
-16.4019
0
-3.4152
0
19.8021
30.0000
30.9970
30.0000
68.5033
30.0000
47.8805
60.0000
67.1267
60.0000
99.6748
60.0000
61.1820
90.0000
68.4044
90.0000
65.1605
90.0000
78.0660
120.0000
97.4010
120.0000 116.5953
120.0000
99.0235
16.4019
3.4152
-19.8021
-0.9970
-38.5033
-17.8805
-7.1267
-39.6748
-1.1820
21.5956
24.8395
11.9340
22.5990
3.4047
20.9765
Sum of Residuals
-3.6067E-11
Sum of Squared Residuals
6290.41589
Predicted Residual SS (PRESS)
28335
Concluso
O
X1
X2
1,5
6,5
10
11
11,5
16,5
Programa SAS
Resumo do Stepwise
Valores preditos
Validao da predio