Practica 6 - GML1 _ Poísson
Ronald Covo
2024-05-29
GLM con datos con distribución poísson (conteo(enteros))*
Es importante recordar que la distribución Poisson es adecuada para datos que son
enteros, lo que implica que no es apta para datos fraccionarios (por ejemplo, 2.24).
Esto se debe a que la distribución Poisson está diseñada específicamente para
modelar conteos enteros positivos. Si se tienen datos fraccionarios, es necesario
aplicar una transformación adecuada o utilizar un modelo diferente que pueda
ajustarse a datos continuos.
dados<-read.table("pupas_poisson.txt",h=T)
attach(dados)
summary(dados)
## distancia Npupas
## Min. : 20 Min. : 0.00
## 1st Qu.: 40 1st Qu.: 0.00
## Median : 60 Median : 1.00
## Mean : 60 Mean : 2.44
## 3rd Qu.: 80 3rd Qu.: 4.00
## Max. :100 Max. :10.00
dados
## distancia Npupas
## 1 20 9
## 2 40 4
## 3 60 2
## 4 80 0
## 5 100 0
## 6 20 8
## 7 40 3
## 8 60 1
## 9 80 1
## 10 100 0
## 11 20 10
## 12 40 2
## 13 60 1
## 14 80 0
## 15 100 0
## 16 20 7
## 17 40 5
## 18 60 1
## 19 80 0
## 20 100 0
## 21 20 4
## 22 40 3
## 23 60 0
## 24 80 0
## 25 100 0
hist(Npupas)
#ANALISIS
m0=glm(Npupas~1,poisson) #Modelo nulo
m1=glm(Npupas~distancia,poisson) #Modelo alternativo
anova(m0,m1,test="Chisq")
## Analysis of Deviance Table
##
## Model 1: Npupas ~ 1
## Model 2: Npupas ~ distancia
## Resid. Df Resid. Dev Df Deviance Pr(>Chi)
## 1 24 94.295
## 2 23 12.810 1 81.486 < 2.2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Dado que el analisis entre el modelo nulo (mo) y el modelo alternativo (m1) dio
significativamente diferente, indicando que los modelos son diferentes entre si. por lo
tanto, no puedo elegir el modelo mas simple (modelo nulo), si no el modelo
alternativo (m1).
Ahora que se sabe que el modelo alternativo (m1) es diferente del modelo nulo (m0)
se puede solicitar ANODEV solo para el modelo m1.
anova(m1,test="Chisq") #Tabla de anova
## Analysis of Deviance Table
##
## Model: poisson, link: log
##
## Response: Npupas
##
## Terms added sequentially (first to last)
##
##
## Df Deviance Resid. Df Resid. Dev Pr(>Chi)
## NULL 24 94.295
## distancia 1 81.486 23 12.810 < 2.2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Estos son los valores finales del analisis que deben ser informados en el texto.
Analisis de residuos
Para verificar si sus datos se ajustan adecuadamente a la distribucion de poisson y se
ha elegido correctamente el parametro de vinculacion, es necesario relizar un analisis
de residuos.
#Forma 1
par(mfrow=c(2,2))
plot(m1,which=c(1:4),pch=20)
#Forma 2
library(RT4Bio)
## Loading required package: MASS
## Loading required package: survival
## Warning: package 'survival' was built under R version 4.3.3
rdiagnostic(m1)
summary(m1)
##
## Call:
## glm(formula = Npupas ~ distancia, family = poisson)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 3.17047 0.26692 11.878 < 2e-16 ***
## distancia -0.05398 0.00785 -6.877 6.13e-12 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for poisson family taken to be 1)
##
## Null deviance: 94.295 on 24 degrees of freedom
## Residual deviance: 12.810 on 23 degrees of freedom
## AIC: 61.99
##
## Number of Fisher Scoring iterations: 5
Para verificar la dispersion de los datos, se divide la devianza residual entre grados de
libertad, y el valor resultante debe ser igual o menor que 1.
12.810/23
## [1] 0.5569565
#Representacion grafica
¿Como se puede representar esto?
summary(m1)
##
## Call:
## glm(formula = Npupas ~ distancia, family = poisson)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 3.17047 0.26692 11.878 < 2e-16 ***
## distancia -0.05398 0.00785 -6.877 6.13e-12 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for poisson family taken to be 1)
##
## Null deviance: 94.295 on 24 degrees of freedom
## Residual deviance: 12.810 on 23 degrees of freedom
## AIC: 61.99
##
## Number of Fisher Scoring iterations: 5
par(family="serif")
plot(Npupas~distancia, ylab="No. pupas", xlab="Distancia de la planta
hospedera", las=1,
#ylim=c(2,5.5),
pch=20, #cambia el simbolo dentro del gráfico
col="green" #cambia el color del simbolo
)
curve (exp(3.17047-0.05398*x), #curva de poisson
add=T,
lwd=2, #Espesor de la linea (aumenta el valor aumenta el espesor).
lty=1, #Estilo de la línea (1-continua; 2 discontinua)
col="green"
)
text(60,9,"P < 0.001",font=3,col="green")
detach(dados)
