O arquivo água foi o meu banco de dados, vc pode rodar colocando seu
próprio dataframe contendo seus dados e fazer as modificações necessárias.
Att
Em 07/11/2016 21:42, escreveu:
> Eu tentei rodar, e diz que não existe o arquivo água!
>
> Eu trabalho assim
> #-Analise de Cook
Eu tentei rodar, e diz que não existe o arquivo água!
Eu trabalho assim
#-Analise de Cook's distance ---
install.packages(sfsmisc); library(sfsmisc)
analise<-lm(CONSUMO~factor(GEST)*factor(MANEJO),data="" />
n<-length(agua$CONSUMO) # nú
oi Pessoa, boa noite
Vou tentar filtrar nos outliers pelos técnicas propostos por vocês.
Amanha posto aqui os resultados
Obrigado pela Ajuda
David
Em Sexta-feira, 14 de Outubro de 2016 20:29, Cesar Rabak via R-br
escreveu:
FCosta,
Você viu o posto do Valmes sobre o influence.measures()?
FCosta,
Você viu o posto do Valmes sobre o influence.measures()?
2016-10-14 17:45 GMT-03:00 Felinto COSTA via R-br
:
> Antes do estabelecimento de critérios empíricos de corte para os valores
> da distância de Cook,
> há esse trabalho sobre sua distribuição exata:
>
> https://www.researchgate.
Antes do estabelecimento de critérios empíricos de corte para os valores
da distância de Cook,
há esse trabalho sobre sua distribuição exata:
https://www.researchgate.net/publication/274062960_Exact_distribution_of_Cook%27s_distance_and_identification_of_influential_observations
FCosta
Em 14/
Eu trabalho assim
#-Analise de Cook's distance
---
install.packages(sfsmisc); library(sfsmisc)
analise<-lm(CONSUMO~factor(GEST)*factor(MANEJO),data=agua)
n<-length(agua$CONSUMO) # número de observações
n.plot(cooks.distance(analise),se
Além da distância de Cook, você tem mais opções de medidas de influência
com a inflence.measures(). Dê uma olhada aqui para ver exemplos
http://leg.ufpr.br/~walmes/cursoR/mgest/1medidas-influen.html. Eu gosto de
usar o DFits como medida.
À disposição.
Walmes.
David,
Depende de como você identifica os outliers. Coloquei um exemplo usando a
distancia de Cook, mas da para generalizar com outros critérios
# gera dados e forca outlier
x <- 1:20
y <- 2*x + 5 + rnorm(20)
dados <- data.frame(x,y)
dados$y[c(7,11)] <- dados$y[c(7,11)] + 15
# modelo inicial e s
