validação da predição do modelo linear
DESCRIPTION
Universidade Federal Rural do Rio de Janeiro CPGA-CS Instituto de Agronomia. Validação da Predição do Modelo Linear. Carlos Alberto Alves Varella, [email protected]. INTRODUÇÃO. - PowerPoint PPT PresentationTRANSCRIPT
![Page 1: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/1.jpg)
42510011 0010 1010 1101 0001 0100 1011
Validação da Predição do Modelo Linear
Carlos Alberto Alves Varella, [email protected]
Universidade Federal Rural do Rio de Janeiro
CPGA-CS Instituto de Agronomia
![Page 2: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/2.jpg)
4251
0011 0010 1010 1101 0001 0100 1011
INTRODUÇÃO
• A validação da predição constitui-se em ajustar um modelo linear de 1º grau dos valores preditos em função dos valores observados.
• A significância da regressão é avaliada aplicando-se o teste F para as estimativas dos parâmetros, conforme metodologia descrita por GRAYBILL (1976).
![Page 3: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/3.jpg)
4251
0011 0010 1010 1101 0001 0100 1011
Vetor dos Valores Preditos
• São valores resultantes da predição feita pelo modelo ajustado, será denominadoY-chapéu. Definido por:
ny
y
y
Y
ˆ
ˆ
ˆ
ˆ 2
1
![Page 4: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/4.jpg)
4251
0011 0010 1010 1101 0001 0100 1011
Vetor dos Valores Observados
• São valores conhecidos da variável dependente, mas que não participaram do ajuste do modelo. Definido por:
n
2
1
y
y
y
Y
![Page 5: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/5.jpg)
4251
0011 0010 1010 1101 0001 0100 1011
Ajuste do Modelo de 1º Grau
• Consiste em se ajustar um modelo linear de 1º grau para Y-chapéu em função de Y. Considere que:
YY
• Precisamos determinar Beta-chapéu o estimador de Beta.
![Page 6: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/6.jpg)
4251
0011 0010 1010 1101 0001 0100 1011
Determinação de Beta-chapéu
• O Beta-chapéu será determinado pelo método dos mínimos quadrados, sendo assim:
Y'YY'Yˆ 1
![Page 7: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/7.jpg)
4251
0011 0010 1010 1101 0001 0100 1011
Esperança de Beta-chapéu
• A esperança é que o vetor Beta-chapéu seja:
1e0:H1
0ˆ100
• Se tal fato se confirmar significa que o modelo pode ser utilizado para fazer predições.
![Page 8: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/8.jpg)
4251
0011 0010 1010 1101 0001 0100 1011
Estatística F utilizada no teste
• m= número de linhas da matriz C’;
1
0
2
11
0 ˆm
)ˆ'C(]C)X'X('C[)'ˆ'C()H(F
1
0
QMR2
![Page 9: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/9.jpg)
4251
0011 0010 1010 1101 0001 0100 1011
Determinação da matriz C’
• A matriz C’ é uma matriz com m linhas e p+1 colunas, de tal forma que:
1e0:H1
0
10
01'C:H 100
1
00
10
01'C
![Page 10: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/10.jpg)
4251
0011 0010 1010 1101 0001 0100 1011
Cálculo do F(H0)
• Aceita-se a hipótese de nulidade quando Aceita-se a hipótese de nulidade quando F(HF(H00)) é menor que é menor que FFαα%%((m;n-p-1)m;n-p-1). Diz-se . Diz-se que o teste que o teste foi não significativofoi não significativo..
• αα= grau de significância da análise;= grau de significância da análise;• m= 2;m= 2;• n= número de observações;n= número de observações;• p= 1. p= 1.
![Page 11: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/11.jpg)
4251
0011 0010 1010 1101 0001 0100 1011
Exemploregressão de equação a é :X13X2Y 2i1ii
Y X1 X2 Y-chapéu
1,5 0 0 2
6,5 1 2 7
10,0 1 4 9
11,0 2 2 10
11,5 2 4 12
16,5 3 6 17
![Page 12: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/12.jpg)
4251
0011 0010 1010 1101 0001 0100 1011
Ajuste do Modelo de 1º Grau
16.51
11.51
111
101
6.51
1.51
Y
17.0
12.0
10.0
9.0
7.0
2.0
Y
![Page 13: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/13.jpg)
4251
0011 0010 1010 1101 0001 0100 1011
Determinação de Beta-chapéu
Y'YY'Yˆ 1
670 57
57 6
16.51
11.51
111
101
6.51
1.51
5.165.1111105.65.1
111111Y'Y
![Page 14: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/14.jpg)
4251
0011 0010 1010 1101 0001 0100 1011
Determinação de Beta-chapéu
Y'YY'Yˆ 1
667
57
17.0
12.0
10.0
9.0
7.0
2.0
5.165.1111105.65.1
111111Y'Y
![Page 15: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/15.jpg)
4251
0011 0010 1010 1101 0001 0100 1011
Determinação de Beta-chapéu
Y'YY'Yˆ 1
0.0078 0.0739-
0.0739- 0.8690 )Y'Y( 1
![Page 16: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/16.jpg)
4251
0011 0010 1010 1101 0001 0100 1011
Determinação de Beta-chapéu
Y'YY'Yˆ 1
667
57
0.0078 0.0739-
0.0739- 0.8690
ˆ
ˆ
1
0
0.9767
0.2218
ˆ
ˆ
1
0
![Page 17: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/17.jpg)
4251
0011 0010 1010 1101 0001 0100 1011
Cálculo do F(H0)
9767.0
2218.0
9767.0
2218.0
10
01ˆ'C
0.0233-
2218.0
1
0
9767.0
2218.0ˆ'C
![Page 18: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/18.jpg)
4251
0011 0010 1010 1101 0001 0100 1011
Cálculo do F(H0)
0.0078 0.0739-
0.0739- 0.8690 C)Y'Y('C 1
670 57
57 6C)x'x('C
11
0.06980.0233-
0.2218
670 57
57 6 0.0233- 0.2218Num
)ˆ'C(]C)X'X('C[)'ˆ'C(Num 11
![Page 19: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/19.jpg)
4251
0011 0010 1010 1101 0001 0100 1011
Cálculo do F(H0)
0.7325116
2.9300
1pn
Y'Y'ˆY'YQMRsˆ 22
ns0 0,0478
7325,02
0,0698)(
HF
6,9443)4,2%,5( F
• QMR=quadrado médio do resíduo
0.9767
0.2218
ˆ
ˆˆ
1
0
![Page 20: Validação da Predição do Modelo Linear](https://reader036.vdocuments.com.br/reader036/viewer/2022082819/56813b5d550346895da455d2/html5/thumbnails/20.jpg)
4251
0011 0010 1010 1101 0001 0100 1011
Exemplo de programa no SAS
proc reg data=gps_ap.teste;
/* x1 x2 y */
model y = x1 x2;
output out=p p=yhat r=resid;
print p;
run;
quit;
proc reg;
model yhat=y;
test y=1, intercept=0;
run;
plot yhat*y;
run;