roteiros:modelos
Diferenças
Aqui você vê as diferenças entre duas revisões dessa página.
| Ambos lados da revisão anteriorRevisão anteriorPróxima revisão | Revisão anterior | ||
| roteiros:modelos [2013/10/20 15:39] – leo | roteiros:modelos [2024/01/12 10:40] (atual) – edição externa 127.0.0.1 | ||
|---|---|---|---|
| Linha 1: | Linha 1: | ||
| - | ====== Roteiro: Construindo modelos no Mark ====== | + | ====== Roteiro |
| Agora vamos começar a construir variações do modelo de ocorrência de uma espécie e uma estação. Se você ainda não incorporou a planilha de dados ao Mark, vá para este [[roteiros: | Agora vamos começar a construir variações do modelo de ocorrência de uma espécie e uma estação. Se você ainda não incorporou a planilha de dados ao Mark, vá para este [[roteiros: | ||
| Linha 13: | Linha 13: | ||
| {{ : | {{ : | ||
| - | Quando mandamos rodar o modelo, uma janela abrirá com várias opções referentes às estimativas. Por enquanto não vamos nos ater muito nesta janela. Vamos dar um nome para este modelo na caixa destacada em verde. Vale mantermos uma notação padrão para os modelos para manter coerência com a literatura (ver Lebreton et al., 1992). Poderíamos abreviar este modelo assim: Psi(.) p(t). O ponto entre parênteses significa que o parâmetro é constante, sem variar no tempo (neste caso nem seria possível) nem ser uma função linear de alguma covariável, | + | Quando mandamos rodar o modelo, uma janela abrirá com várias opções referentes às estimativas. Por enquanto não vamos nos ater muito nesta janela. Vamos dar um nome para este modelo na caixa destacada em verde. Vale mantermos uma notação padrão para os modelos para manter coerência com a literatura (ver Lebreton et al., 1992). Poderíamos abreviar este modelo assim: Psi(.) p(t). O ponto entre parênteses significa que o parâmetro é constante, sem variar no tempo (neste caso nem seria possível) nem ser uma função linear de alguma covariável, |
| {{ : | {{ : | ||
| Linha 27: | Linha 27: | ||
| Para finalizar este roteiro, vamos construir um modelo mais simples, deixando as probabilidades de detecção constantes ao longo das visitas, ou seja, o modelo: Phi(.) p(.). Feche a tabela de modelos. Novamente temos as duas PIMs: uma com a probabilidade de ocorrência e outras com as probabilidades de detecção. Para construir este modelo temos que manipular a PIM de maneira a deixar todas as probabilidade de detecção iguais, ou seja, este parâmetro não vai variar ao longo das visitas. Para isto basta igualarmos os números das quatro caixas na PIM. Vá em frente, coloque nos quatro campos o número " | Para finalizar este roteiro, vamos construir um modelo mais simples, deixando as probabilidades de detecção constantes ao longo das visitas, ou seja, o modelo: Phi(.) p(.). Feche a tabela de modelos. Novamente temos as duas PIMs: uma com a probabilidade de ocorrência e outras com as probabilidades de detecção. Para construir este modelo temos que manipular a PIM de maneira a deixar todas as probabilidade de detecção iguais, ou seja, este parâmetro não vai variar ao longo das visitas. Para isto basta igualarmos os números das quatro caixas na PIM. Vá em frente, coloque nos quatro campos o número " | ||
| - | Compare as estimativas dos dois modelos. A pergunta crucial neste momento é qual é o melhor modelo? Como iremos escolher? Veremos na aula de verossimilhança que usaremos o Critério de Informação de Akaike (AIC) para selecionar o melhor modelo, ou melhor, aquele que melhor descreve nossos dados com o menor número de parâmetros. | + | Compare as estimativas dos dois modelos. A pergunta crucial neste momento é qual é o melhor modelo? Como iremos escolher? Veremos na aula de verossimilhança que usaremos o Critério de Informação de Akaike (AIC) para selecionar o melhor modelo, ou seja, aquele que melhor descreve nossos dados com o menor número de parâmetros. |
roteiros/modelos.1382283581.txt.gz · Última modificação: 2024/01/12 10:39 (edição externa)