Pequenas adições no texto

vignettes/anaExpMLG.Rmd

@@ -18,7 +18,7 @@ MLG (ou GLM), vamos utilizar o conjunto de dados `PaulaEx3.7.25.txt`.
 
 ```{r}
 library(labestData)
-# lista de dados de dentro do pacote
+# lista os dados dentro do pacote
 # ls("package:labestData")
 ```
 Podemos olhar para a descrição dos dados, obtida através da função `help`:
@@ -27,13 +27,15 @@ help(PaulaEx3.7.25, help_type = "html")
 ```
 
 Este banco de dados trata sobre a a pulsação em repouso de homens que 
-fumam. A variável resposta é dicotômica, podendo ser pulsção "normal" ou "alta".
-As duas outras variáveis, ou seja, o peso do indivíduo e o fator "fuma ou não",
-serão utilizadas como possíveis explicativas no nível de pulsação. 
+fumam. A variável resposta é dicotômica, podendo ser pulsção "normal"
+ou "alta". As duas outras variáveis, ou seja, o peso do indivíduo e o 
+fator "fuma" (sim ou não), serão utilizadas como possíveis explicativas 
+no nível de pulsação. 
 
-Para cada variável, precisamos estar atentos às respectivas unidades de medida,
-pois as interpretações do ajuste do modelo dependem, também, disso. Aqui não 
-teremos problemas, porque temos conhecimento e clareza sobre estas unidades. 
+Para cada variável, precisamos estar atentos às respectivas unidades 
+de medida, pois as interpretações do ajuste do modelo dependem, também, 
+disso. Aqui não teremos problemas, porque temos conhecimento e clareza 
+sobre estas unidades. 
 
 ```{r}
 #-----------------------------------------------------------------------
@@ -93,7 +95,7 @@ $$ f(y_{i}; \theta_{i}, \phi) = exp \{ \frac{\theta_{i}y_{i} - b(\theta_{i})}{\p
 
 Com:
 
-$E(Y_{i}) = b'(\theta_{i})$ e $Var(Y_{i}) = \phi b"(\theta_{i}) = \phi V(\mu_{i})$
+$E(Y_{i}) = b'(\theta_{i})$ e $Var(Y_{i}) = \phi b''(\theta_{i}) = \phi V(\mu_{i})$
 
 
 - O componente sistemático é o preditor linear, contemplando um conjunto de 
@@ -121,9 +123,9 @@ Códigos para o ajuste:
 # como a variável 'pulsa' é um fator binário, vamos
 # utilizar a distribuição binomial
 m0 <- glm(pulsa ~ peso + fuma, data = PaulaEx3.7.25,
-            family= binomial(link="logit")) # especificação da função de ligação
-                                              # como sendo 'logito'
-summary(m0) # resumo do modelo   
+            family= binomial(link="logit")) # especificação da função 
+                                              # de ligação como 'logito'
+summary(m0) # resumo do ajuste   
 levels(PaulaEx3.7.25$pulsa) # níveis da variável resposta
 ``` 
 
@@ -136,10 +138,30 @@ mais chances de ter uma pulsação normal em repouso. Obtemos
 essas conclusões uma vez que ambos os parâmetros $\beta_{1}$ e
 $\beta_{2}$ têm sinal negativo. 
 
-Como esse é um caso *binomial*, estamo modelado uma probabilidade,
+Como esse é um caso *binomial*, estamo modelando uma probabilidade,
 ou seja, valores que devem pertencer ao intervalo $[0,1]$. As estimativas
 acima estão na escala do preditos. Para colocar na escala da **resposta**,
 a seguinte equação é utilizada:
 
-$$ \hat\pi_{x} = \frac{\exp^{\beta_{0} + \beta_{1} * x_{1} + \beta_{2} * x_{2}}}{1 + \exp^{\beta_{0} + \beta_{1} * x_{1} + \beta_{2}}}$$
-$$ \hat\pi_{x} = \frac{\exp^{3.18021  -0.05050 * x_{1} -1.19298 x_{2}}}{1 + \exp^{3.18021  -0.05050 * x_{1} -1.19298 x_{2}}}$$ 
+$$ \hat\pi_{x} = \frac{\exp^{\beta_{0} + \beta_{1}  x_{1} + \beta_{2} x_{2}}}{1 + \exp^{\beta_{0} + \beta_{1} x_{1} + \beta_{2} x_{2}}}$$
+$$ \hat\pi_{x} = \frac{\exp^{3.18021  -0.05050  x_{1} -1.19298 x_{2}}}{1 + \exp^{3.18021  -0.05050 x_{1} -1.19298 x_{2}}}$$ 
+
+Todavia, o valor da *deviance* residual parece ser muito alto. Dela
+para a do modelo nulo, temos uma diferença de apenas 7.57. Isso 
+é indicativo de má qualidade do ajuste. Logo, ao ajustar um modelo
+linear generalizado, devemos atentar para este ponto, porque medidas
+de melhoria do ajuste podem ser tomadas.
+
+```{r}
+par(mfrow=c(2,2))
+plot(m0)
+layout(1)
+
+
+plot(residuals(m0, type = "deviance"))
+plot(residuals(m0, type = "pearson"))
+
+library(hnp)
+hnp(m0)
+```
+