Faça uma boa análise de diagnóstico nos resíduos. A qualidade das suas inferências depende disso. Se estiver tudo ok nos dois modelos concorrentes eleja um critério de comparação. As medidas mais consideradas são R², RMSE, PRESS. Medidas como log-verossimilhança e AIC/BIC são coisas que dou preferência porém, quando a resposta é transformada, a log-verossimilhança não é diretamente comparada (BIC e AIC também não). Para ser precisa-se considerar um fator de correção que depende do jacobiano da transformação. Do meu ponto de vista, usar o modelo linearizado se tornou uma prática porque, sendo o modelo linear após a transformação, obter estimativas para os parâmetros é muito simples, mínimos quadrados. Já na versão não linear, envolve passar valores iniciais e otimizar, o que de fato não é um fator limitador nos dias de hoje. Quase sempre o interesse está no modelo não linear e não em sua versão linearizada. O mais importante disso é que ao aplicar uma transformação você muda as suposições sobre a distribuição das variáveis aleatórias do modelo.
À disposição. Walmes. ========================================================================== Walmes Marques Zeviani LEG (Laboratório de Estatística e Geoinformação, 25.450418 S, 49.231759 W) Departamento de Estatística - Universidade Federal do Paraná fone: (+55) 41 3361 3573 skype: walmeszeviani homepage: http://www.leg.ufpr.br/~walmes linux user number: 531218 ========================================================================== 2014-10-24 9:01 GMT-02:00 Ari Clecius <[email protected]>: > Caros colegas, uso alguns modelos de isotermas de adsorção, para o modelo > de Langmuir existem algumas linearizações, como faço para avaliar no R se o > modelo não linear é melhor que o modelo linearizado? > > Att, > > Ari Clecius Alves de Lima > Engenheiro Químico > Me. Engenharia Civil > (085)88412345 > (085)33669042 > > #CRM > > *ce=c(0.66450,0.92395,1.22510,1.53040,12.89600,32.44400,70.93000,135.54800)* > *qe=c(0.65864,0.83815,1.09135,1.42049,11.57060,15.42198,16.41500,20.42020)* > *#########Modelo linear####################* > *ce_inv=1/ce* > *qe_inv=1/qe* > *Langmuir_Linear=lm(qe_inv~ce_inv)* > *summary(Langmuir_Linear)* > *names(Langmuir_Linear)* > *Langmuir_Linear$coefficients* > *Langmuir_Linear$coefficients[1]* > *qmax_L=1/Langmuir_Linear$coefficients[1]* > *qmax_L* > *kl_L=1/qmax*Langmuir_Linear$coefficients[2]* > *kl_L* > *qe_est_L=qmax_L* kl_L*ce/(1+ kl_L *ce)* > *plot(ce,qe)* > *lines(ce,qe_est_L,col="blue")* > *##########################################* > > *library(nlstools)* > *adsorption=list(ce,qe)* > > *langmuir<-nls(qe~qmax*kl*ce/(1+kl*ce),adsorption,start=list(qmax=30,kl=0.02))* > *summary(langmuir)* > > *qe_Est_NL=21.40602* 0.07498 *ce/(1+ 0.07498 *ce)* > *qe_Est_NL* > *plot(ce,qe)* > *lines(ce,qe_Est_NL,col="red")* > *legend("top",legend=c("LangmuirExp","Langmuir_Est_NL"), lty=c(NA,1), > col=c("black","red"),pch=c(3,NA),cex=0.6)* > *########################################* > *#############################################* > *plot(ce,qe)* > *lines(ce,qe_est_L,col="blue")* > *lines(ce,qe_Est_NL,col="red")* > *legend("topleft",legend=c("LangmuirExp","Langmuir_Est_L","Langmuir_Est_NL"), > lty=c(NA,1,1), col=c("black","blue","red"),pch=c(3,NA,NA),cex=0.6)* > > *#####################################################* > > _______________________________________________ > R-br mailing list > [email protected] > https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br > Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça > código mínimo reproduzível. >
_______________________________________________ R-br mailing list [email protected] https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código mínimo reproduzível.
