^[[start|Modelos Estatísticos: Abordagem da Verossimilhança]]^
\\
7. Modelos com distribuição binomial e Poisson
\\
====== Conceitos ======
* Modelos lineares generalizados
* Função de ligação
* Função logística, probito e logito
* Sobredispersão
====== Tutoriais =======
===== Modelos Poisson: Fecundidade de Solanum sp. =====
A planta //Solanum sp.// é de grande importância econômica. Neste tutorial vamos simular que o número de frutos nas plantas adultas é variável Poisson, com parâmetro $$\lambda$$ fixo ou dependente de co-variáveis.
Em seguida ajustaremos modelos Poisson a estes dados simulados.
==== Simulando e estimando o lambda de um modelo Poisson sem variáveis preditoras ====
Uma forma de conferir se a estimação dos parâmetros está correta é simular os dados e verificar se os parâmetros
utilizados na simulação concordam com os parâmetros obtidos mediante máxima verosimilhança.
==Passos iniciais==
Iniciamos o R e carregamos os pacote //bbmle//, //car// e //MASS//. O pacote bbmle foi criado por Ben Bolker que usa e adequa
algoritmos de optimização para obter a máxima verosimilhança dos parâmetros. Se você ainda não tem o pacote instalado
use o comando install.packages ("bbmle").
library(bbmle)
library(car)
library(MASS)
Fixamos o gerador pseudo-aleatório de dados para todos obter exatamente o mesmos resultados:
set.seed(1234)
==Começamos a simulação:==
nplan<-1000
lambda=5
frutos<-rpois(nplan,lambda)
Qual é a probabilidade teórica de encontrar uma planta sexualmente madura sem frutos?
dpois(0,lambda)
Compare com a proporção de plantas sem frutos na amostra simulada:
sum(frutos==0)/length(frutos)
Para fazer esta avaliação para todos os valores, comparamos a distribuição de probabilidade teórica com as proporções
empíricas e:
mfrut<-max(frutos)
fa<-factor(frutos, levels=0:mfrut)
prob.obs<-table(fa)/nplan
par(las=1)
plot(0:mfrut,prob.obs, xlab="Numero de frutos", ylab="Probabilidade", type="h", lwd=5)
Adicionamos os valores teóricos esperados:
prob.tr<-dpois(0:mfrut, lambda)
points(0:mfrut,prob.tr, pch=21, col="red")
Definimos a função de máxima verossimilhança do parâmetro lambda da distribuição Poisson:
x<-frutos
poisNLL<-function(lambda){
-sum(dpois(x, lambda, log=TRUE))
}
Aplicamos a função sobre uma série de valores:
xvec<-seq(4.85,5.3, length=1000)
LLest<-sapply(xvec,poisNLL)
Determinamos o valor de máxima verossimilhança ou equivalentemente os valores mínimos para função de log-verossimilhança negativa por força bruta (procurando o valor minimo da função de verossimilhança negativa em uma serie de valores) e por métodos de otimização numérica usando a função ''mle2''.
minLLest<-min(LLest)
lambdaLL.fb<-xvec[ LLest == min(LLest)]
lambdaLL.nm<-mle2(poisNLL, start=list(lambda=4))
Vamos comparar as estimativas do lambda obtidas com os métodos de força bruta, numéricos e analíticos((já que a média amostral equivale
à solução analítica para o MLE de $$\lambda$$ no caso da distribuição Poisson)):
lambdaLL.fb
lambdaLL.nm
mean(frutos)
Plotamos a função de verosimilhança e os pontos obtidos:
mfrutos<-mean(frutos)
LLest2<-LLest-min(LLest)
plot(xvec,LLest2, typ="l", xlab="frutos", ylab="loglik")
abline(v=mfrutos, col="blue", lwd = 3)
abline(v=coef(lambdaLL.nm),col ="darkgray")
abline(v=lambdaLL.fb, col="red")
==== Modelos Poisson com variáveis preditoras ====
Em um cenário mais realista, a fecundidade das plantas poderia incrementar-se com um aumento da concentração de
nutrientes no solo, por exemplo o fósforo.
Pensemos que as plantas se encontram em solos com diferentes graus de
concentração de fósforo (mg/kg). Neste caso, lambda deixará de ser um valor fixo e será determinado em função pela
variável preditora fósforo, mediante a função exponencial,
$$\lambda \ = \ e^{a_0+a_iX_i}$$
Onde $$X_i$$ são as variáveis preditoras. A vantagem desta transformação é que independentemente dos valores da variável preditora, a variável de resposta será sempre positiva, sendo compatível com os valores que o parâmetro $$\lambda$$ da distribuição Poisson pode ter.
Estimar os parâmetros usando esta transformação exponencial do parêmetro é equivalente a analisar os dados com um modelo linear generalizado de distribuição Poisson e função de ligação log.
Primeiro definimos valores dos parâmetros:
set.seed(1234)
phos<-runif(100,0,10)
a= 1
b= 0.3
x<-phos
E então os valores esperados de frutos em função do nível de fósforo, que seguirá uma relação exponencial:
ydet<-exp(a+b*x)
plot(x,ydet)
Agora para simular um processo Poisson sorteamos amostras Poisson com parâmetro lambda igual a estes valores esperados:
fec<-rpois(100,ydet)
E plotamos nossos dados, que simulam um processo Poisson com valor esperado que é uma função do nível de fósforo:
par(las=1)
plot(phos, fec, xlab="Fósforo mg/Kg", ylab="Número de frutos")
Definimos a função de verosimilhança para este modelo:
poisglmNLL = function(a,b) {
ypred= exp(a+b*x)
-sum(dpois(fec,lambda=ypred, log=TRUE))
}
Para estimar a máxima verosimilhança temos que fornecer na função de otimização um valor inicial para os parâmetros
a e b.
**Pergunta**: Você tem alguma ideia de como obter uma estimativa inicial dos parâmetros?
E então otimizamos, com a função mle2:
mod.pois<-mle2(poisglmNLL, start= list(a=2.5,b= 0.33))
Conferimos os parâmetros estimados:
summary(mod.pois)
E os perfis de verossimilhança das estimativas:
mod.pois.prof <- profile(mod.pois)
par(mfrow=c(1,2))
plot.profmle(mod.pois.prof)
par(mfrow=c(1,1))
Numa abordagem frequentista, os perfis são usados para estimar intervalos de confiança dos parâmetros, transformando a log-verossimilhança negativa em uma variável normal-padrão $$z$$ ((z = raiz quadrada da deviance, detalhes na [[http://finzi.psych.upenn.edu/R/library/stats4/html/profile.mle-class.html|ajuda da função profile]])). Esta aproximação à normal é válida se os perfis são parábolas, como parece ser o caso.
Aplicando a função ''plot'' ao objeto da classe perfil você obtem perfis na escala desta transformação:
plot(mod.pois.prof)
As linhas vermelhas neste gráfico marcam no eixo $$x$$ os quantis correspondentes a diferentes probabilidades acumuladas da normal. Estes quantis são usados como os limites dos intervalos de confiança para estas probabilidades. Compare os valores na figura para probabilidade de 95% com os obtidos com o comando:
confint(mod.pois)
Por fim, plotamos as curvas dos valores esperados de frutos por planta com os parâmetros e suas estimativas:
par(las=1)
plot(phos,fec, xlab="Fósforo mg/Kg", ylab="Número de frutos" )
a.est<-coef(mod.pois)[1]
b.est<-coef(mod.pois)[2]
curve(exp(a+b*x),add=TRUE, col="red")
curve(exp(a.est +b.est*x), add=TRUE, col="blue", lty=2) #estimada
legend("topleft", c("Parâmetro","Estimativa"),col=c("red","blue"), lty=c(1,2))
O que aconteceria se usássemos outro modelo para descrever estes dados?
Neste caso sabemos qual é o modelo correto, mas vamos simular esta situação, imaginando que o pesquisador está
experimentando diferentes modelos. Usaremos a função de verosimilhança de uma binomial negativa, que permite agregação.
Vamos calcular a máxima verosimilhança e comparar os modelos com o critério de informação de Akaike (AIC).
negbinNLL<- function(a,b,k){
ypred<-exp(a+b*x)
-sum(dnbinom(fec, mu=ypred, size=k, log = TRUE))
}
Tentamos um valor inicial de k usando o método dos momentos. Como sabemos que a variância da binomial negativa é:
$$σ^2= μ + μ^2/k$$
Então podemos estimar um valor aproximado de k com:
med<-mean(x)
vari<-var(x)
k.init <-med^2/(vari-med)
k.init
mod.negbin<- mle2(negbinNLL, start=list(a=2.5, b= 0.33, k=k.init))
Conferimos os parâmetros estimados:
summary(mod.negbin)
Comparamos os modelos com a função AICtab e confira o grau de suporte relativo do modelo Poisson respeito a binomial
negativa:
AICtab(mod.pois,mod.negbin, delta=T, sort=T, weights = TRUE)
O modelo com melhor suporte é o modelo com distribuição Poisson, porém a diferença nos valores do AIC é menor que 2.
== Função glm no R ==
Uma regressão de uma variável Poisson como a que fizemos equivale a um //glm// (([[http://en.wikipedia.org/wiki/Generalized_linear_model|generalized linear model]])) com distribuição Poisson e função de ligação log.
Compare os resultados do modelo Poisson que ajustamos com o ''mle2'' com os resultados obtidos com a função [[http://finzi.psych.upenn.edu/R/library/stats/html/glm.html|glm]] do R:
glm.pois <- glm(fec~phos,family=poisson(link="log"))
summary(glm.pois)
summary(mod.pois)
AIC(mod.pois)
AIC(glm.pois)
Cada vez que fazemos um //glm// com
distribuição Poisson e função de ligação log, compramos a premissa de uma relação exponencial entre a variável preditora e a variável dependente.
===== Modelos com distribuição binomial: Infestação por Fusarium sp. =====
Agora pensemos que os frutos das mesmas plantas solanáceas são atacados pelo fungo //Fusarium sp.//, murchando-os. Pensemos que
esse fungo habita no solo e portanto só ataca os frutos quando eles amadurecem e caem.
A probabilidade de infestação dos frutos pode ser constante ou depender de algum fator como por exemplo o grau de
umidade relativa do micro-habitat onde se encontra a planta. O número de "tentativas" (parâmetro $$N$$ da binomial) será variável entre as plantas,
pois corresponde ao número de frutos que ela tenha.
Primeiro descartamos as plantas sem frutos:
fec1<-fec[fec!=0]
num.plant<-length(fec1)
E simulamos o número de frutos atacados por planta:
Vamos fazer o grau de umidade do solo na vizinhança da planta variar entre 30 a 100%, com probabilidade uniforme.
set.seed(4444)
ur<-runif(num.plant, 0.3, 1)
Usamos a função logística para determinar e posteriormente simular o grau de infestação do fungo de acordo a umidade
relativa do ambiente. Esta função estabelece seguinte relação do parâmetro $$p$$ com as variáveis preditoras $$X_i$$
$$p \ = \ frac{e^{a_0+a_iX_i}}{1+e^{a_0+a_iX_i}}$$
A logística restringe os resultados esperados ao intervalo entre 0 a 1, mesmo que a variável
preditora tenha valores muito grandes ou pequenos, por isso é adequada para estimar o parâmetro $$p$$ nos
modelos de distribuição binomial.
a<- -4
b<- 7
ydet<-exp(a+b*ur)/(1 + exp(a +b*ur))
plot(ur,ydet)
frut.mur<-rbinom(num.plant,size=fec1,prob= ydet)
O número de frutos intactos é o complemento dos murchos.
frut.sau<-fec1-frut.mur
Para uma avaliação visual, plotamos os fruto sãos e murchos por planta e ordenamos as plantas em ordem crescente exposição à umidade relativa:
datos<-data.frame(frut.sau,frut.mur,ur)
datos.ur<-datos[order(datos$ur),]
conjun<-datos.ur[,1:2]
conjun.m<-as.matrix(conjun)
barplot(t(conjun.m),beside=F, col=c("darkgray","darkblue"), ylim=c(0,80), ylab= "Número de Frutos",
xlab= "Plantas", cex.names=0.4)
legend("topright", c("frutos intactos", "frutos murchos"), col = c("darkgray","darkblue"), pch=c(19,19))
arrows(15.8,62,100,62)
text(60,64, "Umidade", cex=1.8)
Otimizamos a função de verossimilhança e obtemos os intervalos de confiança dos parâmetros.
Como estimamos os valores iniciais dos parâmetros? Uma pista: tem a ver com plotar a razão dos
frutos murchos/total dos frutos na escala logit. A função logit lineariza a curva logística. A equação que
transforma as proporções (frutos murchos/total frutos) para escala logit é ln(p/(1-p).
Definimos a função de verossimilhança:
binomNLL<- function(a,b){
prob.det=exp(a+b*ur)/(1 +exp(a+b*ur))
-sum(dbinom(k,size=N,prob=prob.det, log=TRUE))
}
Otimizamos:
mod.bin<-mle2(binomNLL, start=list(a =-3,b =9), data =list(N= fec1, k = frut.mur))
Alternativamente podemos usar a interface de fórmula da função ''mle2'' para fazer os dois passos simultaneamente:
mod.bin2<-mle2(frut.mur~dbinom(prob = exp(a + b*ur)/(1 + exp(a + b*ur)), size = fec1),
start = list(a= -3, b = 9))
Avaliamos os perfis de verossimilhança:
par(mfrow=c(1,2))
plot.profmle(profile(mod.bin))
par(mfrow=c(1,1))
Finalmente comparamos a função logística simulada com a estimada. No gráfico, o tamanho do ponto e proporcional
ao número de frutos que a planta tinha.
prop.mur<-frut.mur/fec1 #Proporção de plantas murchas
par(las=1)
plot(ur, prop.mur,cex=fec1/25, xlab="Umidade relativa", ylab="Proporção Frutos Infectados")
a.esti<-coef(mod.bin)[1]
b.esti<-coef(mod.bin)[2]
curve(exp(a+b*x)/(1+exp(a+b*x)),add=TRUE, col="red")
curve(exp(a.esti+b.esti*x)/(1+ exp(a.esti +b.esti*x)), add=TRUE, col="blue", lty=2) #estimada
legend("topleft", c("Parâmetro","Estimativa"),col=c("red","blue"), lty=c(1,2))
Compare os resultados usando a função padrão no R, ''glm'' com distribuição binomial e função de ligação logit:
glm.bin <- glm(cbind(frut.mur,frut.sau)~ur, data=datos,family=binomial(link="logit"))
====== Exercício =====
Baixe o arquivo {{:biometria:verossim:besouro.csv|besouro.csv}}. Os dados descrevem o efeito de diferentes concentrações
de insecticida na mortalidade dos besouros expostos à substância. Estime a probabilidade da mortalidade em função do nível do inseticida, plote a função logistica
prevista e estime os intervalos de verossimilhança dos parâmetros.
====== Resumos da aula ======
{{:biometria:verossim:rems_aula_poisson_e_binomial_negativa.pdf|slides aula}}
{{:biometria:verossim:pinecones.r|Códigos do exemplo dos cones de pinheiro}} o conjunto de dados está na [[https://collaborate.nicholas.duke.edu/clark/pinecones.txt/view|página do autor]]
{{:biometria:verossim:exercicio_besouros.r|Código do exercício besouro}}
====== Pesquisa ======
Indique os itens do tutorial e do texto prioritários para a discussão [[http://ecologia.ib.usp.br/bie5782/doku.php?id=modelos:pesquisa1#modelos_com_par%C3%A2metros_que_s%C3%A3o_fun%C3%A7%C3%B5esmodelos_binomial_e_poisson|aqui]]