Professional Documents
Culture Documents
Nota-se que com exceo de uma parcela, todas possuem mais de 10 rvores para ajuste da relao
hipsomtrica.
hipso$regiao
hipso$regiao
hipso$regiao
hipso$regiao
==
==
==
==
REG[1],
REG[2],
REG[3],
REG[4],
])
])
])
])
#Modelo Linear
modpar.lin = lm( ht ~ dap * factor(parc), data = hipso )
plot(modpar.lin)
summary(modpar.lin)
#Modelo Parabolide
modpar.parab = lm( ht ~ (dap + I(dap^2)) * factor(parc), data = hipso )
plot(modpar.parab)
summary(modpar.parab)
Houve melhora nos modelos, quando se modela no nvel de parcela?
Podemos fazer uma comparao de todos os modelos em termos de Coeficiente de Determinao (R2):
summary(modgeral.lin)$r.squared
summary(modgeral.parab)$r.squared
summary(modreg.lin)$r.squared
summary(modreg.parab)$r.squared
summary(modpar.lin)$r.squared
summary(modpar.parab)$r.squared
Ou ento uma comparao geral atravs do teste F, a partir do modelo mais simples at o modelo mais
complexo:
anova(modgeral.lin, modreg.lin, modpar.lin)
anova(modgeral.parab, modreg.parab, modpar.parab)
A comparao dos modelos tambm pode ser realizada em termos de AIC (Akaike Information Criterion):
AIC(modgeral.lin,modgeral.parab, modreg.lin,modreg.parab, modpar.lin,modpar.parab)
Ou de uma forma mais sofisticada, para construir uma tabela mais explicativa:
Se verificarmos os resduos dos modelos, veremos que os indicadores de desempenho dos modelos so
coerentes:
#Verificando por Regio
boxplot( residuals(modgeral.parab) ~ regiao, data=hipso , main="Geral", ylim=c(-15,10))
abline(h=0,col="red")
boxplot( residuals(modreg.parab) ~ regiao, data=hipso , main="Regiao", ylim=c(-15,10))
abline(h=0,col="red")
boxplot( residuals(modpar.parab) ~ regiao, data=hipso , main="Parcela", ylim=c(-15,10))
abline(h=0,col="red")
Exerccio
Trabalhando nesses mesmos dados, verifique se a incluso da varivel idade num modelo geral ou
regional gera desempenho semelhante modelagem por parcela.
Exerccio
Trabalhando nesses mesmos dados, verifique se a incluso da varivel mdia das alturas dominates num
modelo geral ou regional gera desempenho semelhante modelagem por parcela. A mdia das alturas
dominantes necessita ser calculada.
exemplo-
volcax = read.csv("exemplo-volume-cax.csv",header=T,as.is=T)
head(volcax)
Nesses dados h duas informaes de volume: * volume comercial at o dimetro de 7cm (v7cm), e *
volume comercial at o dimetro de 12cm (v12cm), e
H trs variveis nominais que identificam o caixetal onde foram cubadas as rvores:
regiao: trs regies A (litoral Sul - SP), B (litoral Sul - RJ) e C (Vale do Ribeira);
municip: municpios dos caixetais;
# Modelo de Schumacher-Hall
pairs( log(volcax[, c("dap","ht","v7cm")]) )
splom( log(volcax[, c("dap","ht","v7cm")]), panel = function(x,y){ panel.splom(x,y); panel.l
v7.sh = lm( log(v7cm) ~ log(dap) + log(ht), data=volcax )
plot(v7.sh)
summary(v7.sh)
Os grficos diagnsticos revelam que o modelo Spurr tem problema de heteroscedasticidade, enquanto
que o modelo Schumacher-Hall, no tem esse problema e possui distribuio do resduo mais prxima
distribuio Normal.
O coeficiente de determinao tambm sugere que o modelo Schumacher-Hall melhor.
Outro aspecto importante saber se podemos dispensar a medio da altura se identificarmos a regio
do caixetal:
v7.sh.dr = lm( log(v7cm) ~ log(dap) * factor(regiao), data=volcax )
plot(v7.sh.dr)
summary(v7.sh.dr)
AIC(v7.sh.dr, v7.sh.reg1)
Qual a concluso?
Exerccio
Utilizando os dados de volume das rvores de caixeta, construa um modelo adequado para o volume
comercial at 12cm (v12cm).
Exerccio
Verifique se o ajuste da equao de volume por caixetal (local) torna dispensvel a medio da altura.