Professional Documents
Culture Documents
93
5
Critrios de Informao e Seleo de Modelos
94
95
5.1.
Critrios de Informao
McQuarrie & Tsai (1998) realizaram estudos de simulao para avaliar
diversos critrios de seleo de modelos e concluram que, para regresso linear,
os crtrios AICc, AICu e HQc so os mais indicados.
5.1.1.
Critrio de Akaike (AIC)
Um critrio de informao que tem sido muito usado em seleo de modelos
o critrio de Akaike (AIC) (Akaike, 1973).
n
(5.1)
i =1
96
( )
AIC = n ln 2p + 2( p + 1)
(5.2)
(y
PUC-Rio - Certificao Digital N 0621277/CA
p2 =
i )
i =1
(5.3)
( ) 2( pn+ 1)
AIC = ln 2p +
(5.4)
5.1.2.
Critrio AICc
Para a seleo de modelos nos casos de respostas com distribuio normal e
pequenas amostras (n/p < 40), Hurvich & Tsai (1989) desenvolveram o critrio
AICc:
AIC c = AIC +
2( p + 1)( p + 2 )
n p2
(5.5)
97
5.1.3.
Critrio AICu
O AICu, apresentado por McQuarrie & Tsai (1998), considera o estimador
sem tendenciosidade da varincia do erro ( s 2p ), em lugar de p2 .
( )
AICu = ln s 2p +
n
(y
onde s 2p =
i )
i =1
n p
n+ p
n p2
(5.6)
5.1.4.
Critrio HQc
( )
HQc = ln p2 +
2 ln ln (n ) p
n p2
(5.7)
5.2.
Eficincia e Consistncia
O objetivo de um critrio de seleo de modelos selecionar um modelo de
um conjunto finito de modelos candidatos que mais se aproxima do modelo
verdadeiro, supondo que o modelo verdadeiro possui dimenso infinita ou que o
conjunto de modelos candidatos no contm o modelo verdadeiro. A escolha do
modelo candidato mais prximo do modelo verdadeiro dita ser apropriada. O
termo mais prximo requer alguma medida bem definida de distncia ou
informao. Em grandes amostras, um critrio de seleo que escolhe o modelo
com o mnimo erro mdio quadrtico dito ser um critrio assintoticamente
eficiente (Shibata, 1980). Os critrios AIC, AICc, e Cp so exemplos de critrios
assintoticamente eficientes. Os pesquisadores que acreditam que os sistemas
estudados por eles so bastante complexos ou que no h maneira de se medir
todas as variveis importantes escolhem modelos baseados em critrios eficientes.
98
5.3.
Utilizao dos Critrios de Informao
A seleo de modelos em EMP comea com a definio dos termos
candidatos do modelo. Para isto, deve-se definir o tipo de modelo a ser analisado
(Scheff ou com varivel de folga), a ordem do modelo de mistura, a ordem do
modelo de processo e a combinao entre os termos do modelo de mistura e de
processo (combinao aditiva ou multiplicativa). Uma vez definidos os termos
99
(5.8)
Com a frmula apresentada na Equao (5.8) pode-se obter a Tabela 13, que
apresenta o nmero de modelos possveis em funo do nmero de parmetros do
modelo.
Para o caso em questo, deveriam ser consideradas um total de
1.099.511.525.685 possibilidades, o que representaria um esforo computacional
considervel para o clculo e armazenamento dos valores de AICc, AICu e HQc de
todos os possveis modelos. Visando reduzir o esforo computacional, foram
calculados os valores de AICc, AICu e HQc e armazenados apenas os valores
mnimos de AICc, AICu e HQc em funo do nmero de parmetros, partindo de
um modelo de 3 parmetros, com incremento de 1 parmetro a cada passo, at que
100
ou
No Modelos
p
3
4
5
6
7
8
9
10
11
12
13
14
1
40
780
9.880
91.390
658.008
3.838.380
18.643.560
76.904.685
273.438.880
847.660.528
2.311.801.440
p
15
16
17
18
19
20
21
22
23
24
25
26
No Modelos
5.586.853.480
12.033.222.880
23.206.929.840
40.225.345.056
62.852.101.650
88.732.378.800
113.380.261.800
131.282.408.400
137.846.528.820
131.282.408.400
113.380.261.800
88.732.378.800
p
27
28
29
30
31
32
33
34
35
36
37
38
No Modelos
62.852.101.650
40.225.345.056
23.206.929.840
12.033.222.880
5.586.853.480
2.311.801.440
847.660.528
273.438.880
76.904.685
18.643.560
3.838.380
658.008
p
3
4
5
6
7
8
9
10
11
12
min[ AICc ( p )]
min[ AICc ( p )]
62,6346
52,2668
35,3132
26,8284
18,3256
3,8685
2,3021
2,3443
1,8167
3,3864
101
(5.9)
60
AICc Mnimo
50
40
30
20
10
0
2
10
11
12
13
Nmero de Parmetros
v1
v2
v3
z1
z2
v1v2
v1v3
v1v2v3
v1v2z1(v1 v2)
v2v3z1(v2 v3)
v1v2v3z1z2
estimativa dos
coeficientes
6,00256
12,7799
0,364613
-0,317906
0,620774
-7,00727
9,20792
120,804
39,5612
-46,7998
-19,7973
desvio-padro
t-valor
p-valor
0,303625
0,309857
0,738058
0,135956
0,129302
1,61432
1,97560
12,1539
12,9642
4,94482
10,3959
19,770
41,245
0,494
-2,338
4,801
-4,341
4,661
9,940
3,052
-9,464
-1,904
0,0000
0,0000
0,6251
0,0267
0,0001
0,0002
0,0001
0,0000
0,0049
0,0000
0,0672
102
99
% Probabilidade Normal
aumenta.
95
90
80
70
50
30
20
10
5
-2.22
-1.23
-0.24
0.74
1.73
Resduos Studentized
Resduos Studentized
3.00
1.50
0.00
-1.50
-3.00
13
19
25
31
37
Run Number
3.00
Resduos Studentized
1.50
0.00
-1.50
-3.00
4.55
7.16
9.77
12.39
15.00
Valor Ajustado
103
104
p
3
4
5
6
7
8
9
min[AIC u ( p )]
min[AIC u ( p )]
2,7820
2,5493
2,1491
1,9675
1,7868
1,4552
1,4558
105
possibilidades,
que
reduziu
consideravelmente
tempo
computacional para a seleo do modelo pelo critrio AICu. Por este critrio, o
modelo selecionado foi o seguinte:
y = 5,99v1 + 12,74v 2 39,27v3 + 0,62 z 2
(5.10)
2.8
2.4
AICu Mnimo
2.6
2.2
1.8
1.6
1.4
1.2
1
2
10
Nmero de Parmetros
v1
v2
v3
z2
v1v2
v1v3
v2v3
v1v3(v1 v3)
estimativa dos
coeficientes
5,98550
12,7444
-39,2669
0,616351
-7,32454
88,9287
78,9747
-60,5146
desvio-padro
t-valor
p-valor
0,352244
0,342325
3,60628
0,141265
1,72590
7,01972
6,56109
7,20218
16,993
37,229
-10,888
4,363
-4,244
12,668
12,037
-8,402
0,0000
0,0000
0,0000
0,0001
0,0002
0,0000
0,0000
0,0000
106
E [ y (w 0 )] = 8,0001
Utilizando a Equao (2.8), tem-se a seguinte soluo final em termos de
componentes reais:
99
% Probabilidade Normal
var[ y (w 0 )] = 0,8394
95
90
80
70
50
30
20
10
5
-2.09
-1.13
-0.17
0.80
1.76
Resduos Studentized
Resduos Studentized
3.00
1.50
0.00
-1.50
-3.00
13
19
25
31
37
Run Number
3.00
Resduos Studentized
1.50
0.00
-1.50
-3.00
4.98
7.52
10.07
12.62
15.17
Valor Ajustado
107
108
p
3
4
5
6
7
8
9
10
min[HQc ( p )]
min[HQc ( p )]
1,6855
1,4429
1,0331
0,8422
0,6529
0,3132
0,3065
0,3440
109
(5.11)
1.6
1.4
HQc Mnimo
1.2
0.8
0.6
0.4
0.2
0
2
10
11
Nmero de Parmetros
v1
v2
v3
z2
v1v2
v1v3
v2v3
v1v3(v1 v3)
v1v2v3z1z2
estimativa dos
coeficientes
5,98946
12,7370
-39,3312
0,606307
-7,19597
89,0284
79,1114
-59,9602
-22,7862
desvio-padro
t-valor
p-valor
0,334907
0,325491
3,42888
0,134397
1,64210
6,67430
6,23843
6,85282
10,9967
17,884
39,132
-11,471
4,511
-4,382
13,339
12,681
-8,750
-2,072
0,0000
0,0000
0,0000
0,0001
0,0001
0,0000
0,0000
0,0000
0,0469
% Probabilidade Normal
99
95
90
80
70
50
30
20
10
5
-1.20
-0.19
0.83
1.84
Resduos Studentized
3.00
Resduos Studentized
-2.21
1.50
0.00
-1.50
-3.00
13
19
25
31
37
Run Number
110
Resduos Studentized
3.00
1.50
0.00
-1.50
-3.00
4.98
7.52
10.07
12.61
15.16
Valor Ajustado
111
112
Critrio
AICc
AICu
HQc
Equao
PRESS
MSE
(5.11)
(5.12)
(5.13)
indefinido
35,62
32,04
0,5798
0,7468
0,6751
var[ y (w 0 )]
0,6804
0,8394
0,7772
5.4.
Diferenas de AIC
Burnham & Anderson (2002) recomendam o clculo das diferenas de AIC
entre os modelos candidatos e o modelo que apresenta o menor valor de AIC
(AICmin).
i = AIC i AIC min
(5.12)
113
(5.12)
Termos
M1
M2
M3
M4
M5
M6
v1
v2
v3
v1v 2
v1v3
v 2 v3
v1v 2 v3
v1v 2 (v1 v 2 )
v1v3 (v1 v3 )
v 2 v3 (v 2 v3 )
z2
v1v 2 (v1 v 2 )z 2
v3 z1 z 2
v1v 2 z1 z 2
v1v 2 v3 z1 z 2
AICc
PRESS
33,37
MSE
var[ y (w 0 )]
33,88
33,73
32,04
Indef.
Indef.
114
Termos
M7
M8
M9
M10
M11
M12
v1
v2
v3
v1v 2
v1v3
v 2 v3
v1v 2 v3
v1v 2 (v1 v 2 )
v1v3 (v1 v3 )
v 2 v3 (v 2 v3 )
z2
v1v 2 (v1 v 2 )z 2
v3 z1 z 2
v1v 2 z1 z 2
v1v 2 v3 z1 z 2
AICc
PRESS
Indef.
MSE
var[ y (w 0 )]
Indef.
Indef.
Indef.
Indef.
Indef.
115
Termos
M13
M14
M15
M16
M17
M18
v1
v2
v3
v1v 2
v1v3
v 2 v3
v1v 2 v3
v1v 2 (v1 v 2 )
v1v3 (v1 v3 )
v 2 v3 (v 2 v3 )
z1
z2
v 2 z1
v1v 2 (v1 v 2 )z1
v 2 v3 (v 2 v3 )z1
v1v 2 (v1 v 2 )z 2
v3 z1 z 2
v1v 2 v3 z1 z 2
AICc
PRESS
Indef.
MSE
var[ y (w 0 )]
32,70
Indef.
31,32
Indef.
Indef.
116
Termos
M19
M20
M21
M22
M23
M24
v1
v2
v3
v1v 2
v1v3
v1v 2 v3
v1v 2 (v1 v 2 )
v 2 v3 (v 2 v3 )
z1
z2
v 2 v3
v1v3 (v1 v3 )
v 2 z1
v1v 2 (v1 v 2 )z1
v1v 2 (v1 v 2 )z 2
v3 z1 z 2
v1v 2 v3 z1 z 2
AICc
PRESS
Indef.
MSE
var[ y (w 0 )]
Indef.
Indef.
Indef.
Indef.
Indef.
117
Termos
M25
M26
M27
M28
M29
M30
v1
v2
v3
v1v 2
v1v3
v 2 v3
v1v 2 v3
v1v 2 (v1 v 2 )
v1v3 (v1 v3 )
v 2 v3 (v 2 v3 )
z1
z2
v 2 z1
v1v 2 (v1 v 2 )z1
v1v 2 (v1 v 2 )z 2
v3 z1 z 2
v1v 2 v3 z1 z 2
AICc
PRESS
Indef.
MSE
var[ y (w 0 )]
Indef.
Indef.
Indef.
Indef.
Indef.
118
Termos
M31
M32
M33
M34
M35
M36
v1
v2
v3
v1v 2
v 2 v3
v1v 2 v3
v1v 2 (v1 v 2 )
v 2 v3 (v 2 v3 )
z1
z2
v1v3
v1v3 (v1 v3 )
v 2 z1
v1v 2 (v1 v 2 )z 2
v3 z1 z 2
v1v 2 v3 z1 z 2
PRESS
Indef.
MSE
var[ y (w 0 )]
Indef.
Indef.
Indef.
Indef.
Indef.
119
Termos
M37
M38
M39
M40
M41
M42
v1
v2
v3
v1v 2
v 2 v3
v1v 2 v3
v 2 v3 (v 2 v3 )
z1
z2
v1v3
v1v 2 (v1 v 2 )
v1v3 (v1 v3 )
v 2 z1
v1v 2 (v1 v 2 )z1
v1v 2 (v1 v 2 )z 2
v3 z1 z 2
v1v 2 v3 z1 z 2
AICc
PRESS
Indef.
MSE
var[ y (w 0 )]
Indef.
Indef.
Indef.
Indef.
Indef.
120
Termos
M43
M44
M45
M46
M47
M48
v1
v2
v3
v1v 2
v 2 v3
v1v 2 v3
v1v3
v1v 2 (v1 v 2 )
v1v3 (v1 v3 )
v 2 v3 (v 2 v3 )
z1
z2
v 2 z1
v1v 2 (v1 v 2 )z1
v1v3 (v1 v3 )z1
v 2 v3 (v 2 v3 )z1
v1v 2 (v1 v 2 )z 2
v3 z1 z 2
v1v 2 v3 z1 z 2
AICc
PRESS
Indef.
MSE
var[ y (w 0 )]
Indef.
Indef.
Indef.
Indef.
Indef.
121
Termos
M49
M50
M51
M52
M53
M54
v1
v2
v3
v1v 2
v 2 v3
v1v 2 v3
z1
z2
v1v3
v1v 2 (v1 v 2 )
v1v3 (v1 v3 )
v 2 v3 (v 2 v3 )
v 2 z1
v1v 2 (v1 v 2 )z1
v1v 2 (v1 v 2 )z 2
v3 z1 z 2
v1v 2 v3 z1 z 2
AICc
PRESS
Indef.
MSE
var[ y (w 0 )]
Indef.
Indef.
Indef.
Indef.
Indef.
122
Termos
M55
M56
M57
M58
M59
M60
v1
v2
v3
v1v 2
v1v3
v 2 v3
v1v 2 v3
v1v 2 (v1 v 2 )
v 2 v3 (v 2 v3 )
z1
v1v3 (v1 v3 )
z2
v 2 z1
v1v 2 (v1 v 2 )z1
v 2 v3 (v 2 v3 )z1
v1v 2 (v1 v 2 )z 2
v 2 z1 z 2
v3 z1 z 2
v1v 2 z1 z 2
v 2 v 3 z1 z 2
v1v 2 v3 z1 z 2
PRESS
30,34
MSE
var[ y (w 0 )]
Indef.
Indef.
Indef.
Indef.
Indef.
123
Termos
M61
M62
M63
M64
M65
M66
v1
v2
v3
v1v 2
v1v3
v1v 2 v3
v1v 2 (v1 v 2 )
v 2 v3 (v 2 v3 )
z1
v 2 v3
v1v3 (v1 v3 )
z2
v 2 z1
v1v 2 (v1 v 2 )z 2
v 2 z1 z 2
v3 z1 z 2
v1v 2 z1 z 2
v 2 v 3 z1 z 2
v1v 2 v3 z1 z 2
AICc
PRESS
Indef.
MSE
var[ y (w 0 )]
Indef.
Indef.
Indef.
Indef.
Indef.
124
Termos
M67
M68
M69
M70
M71
M72
v1
v2
v3
v1v 2
v1v3
v 2 v3 (v 2 v3 )z1
v 2 v3
v1v 2 v3
v1v 2 (v1 v 2 )
v1v3 (v1 v3 )
v 2 v3 (v 2 v3 )
z1
z2
v 2 z1
v1v 2 (v1 v 2 )z 2
v 2 z1 z 2
v3 z1 z 2
v1v 2 z1 z 2
v 2 v 3 z1 z 2
v1v 2 v3 z1 z 2
AICc
PRESS
Indef.
MSE
var[ y (w 0 )]
Indef.
Indef.
Indef.
Indef.
Indef.
125
Termos
M73
M74
M75
M76
M77
M78
v1
v2
v3
v1v 2
v1v3
z1
z2
v 2 z1
v 2 v3
v1v 2 v3
v1v 2 (v1 v 2 )
v1v3 (v1 v3 )
v 2 v3 (v 2 v3 )
v 2 v3 (v 2 v3 )z1
v1v 2 (v1 v 2 )z 2
v 2 z1 z 2
v3 z1 z 2
v1v 2 z1 z 2
v 2 v 3 z1 z 2
v1v 2 v3 z1 z 2
AICc
PRESS
Indef.
MSE
var[ y (w 0 )]
Indef.
Indef.
Indef.
Indef.
Indef.
126
Termos
M79
M80
M81
M82
M83
M84
v1
v2
v3
v1v 2
v1v3
v 2 v3 (v 2 v3 )
z1
v 2 v3
v1v 2 v3
v1v 2 (v1 v 2 )
v1v3 (v1 v3 )
z2
v 2 z1
v1v 2 (v1 v 2 )z 2
v 2 z1 z 2
v3 z1 z 2
v1v 2 z1 z 2
v 2 v 3 z1 z 2
v1v 2 v3 z1 z 2
AICc
PRESS
Indef.
MSE
var[ y (w 0 )]
Indef.
Indef.
Indef.
Indef.
Indef.
127
Termos
M85
M86
M87
M88
M89
M90
v1
v2
v3
v1v 2
v 2 v3
v1v 2 v3
v 2 v3 (v 2 v3 )
z1
z2
v1v3
v1v 2 (v1 v 2 )
v1v3 (v1 v3 )
v 2 z1
v 2 v3 (v 2 v3 )z1
v1v 2 (v1 v 2 )z 2
v 2 z1 z 2
v3 z1 z 2
v1v 2 z1 z 2
v 2 v 3 z1 z 2
v1v 2 v3 z1 z 2
AICc
PRESS
Indef.
MSE
var[ y (w 0 )]
Indef.
Indef.
Indef.
Indef.
Indef.
128
Termos
M91
M92
M93
M94
M95
v1
v2
v3
v1v 2
v 2 v3
v1v 2 v3
z1
z2
v 2 z1
v1v3
v1v 2 (v1 v 2 )
v1v3 (v1 v3 )
v 2 v3 (v 2 v3 )
v 2 v3 (v 2 v3 )z1
v1v 2 (v1 v 2 )z 2
v 2 z1 z 2
v3 z1 z 2
v1v 2 z1 z 2
v 2 v 3 z1 z 2
v1v 2 v3 z1 z 2
AICc
PRESS
Indef.
MSE
var[ y (w 0 )]
Indef.
Indef.
Indef.
Indef.
129
Termos
M96
M97
M98
M99
M100
M101
v1
v2
v3
v1v 2
v1v3
v 2 v3
v1v 2 v3
v1v 2 (v1 v 2 )
v1v3 (v1 v3 )
v 2 v3 (v 2 v3 )
z2
v1v 2 (v1 v 2 )z1
v1v 2 v3 z 2
v1v 2 (v1 v 2 )z 2
v 2 z1 z 2
v1v 2 z1 z 2
v 2 v 3 z1 z 2
v1v 2 v3 z1 z 2
AICc
PRESS
Indef.
MSE
var[ y (w 0 )]
Indef.
28,67
Indef.
Indef.
Indef.
130
131
Termos
M102
M103
M104
M105
M106
M107
M108
v1
v2
v3
v1v 2
v1v3
v 2 v3
v1v 2 v3
v1v 2 (v1 v 2 )
v1v3 (v1 v3 )
v 2 v3 (v 2 v3 )
z2
v1v 2 (v1 v 2 )z 2
v 2 z1 z 2
v1v 2 z1 z 2
v 2 v 3 z1 z 2
v1v 2 v3 z1 z 2
AICc
PRESS
Indef.
MSE
var[ y (w 0 )]
Indef.
Indef.
Indef.
Indef.
Indef.
Indef.
132
v1
v2
v3
z2
v1v2
v1v3
v2v3
v2z1z2
v1v3(v1 v3)
v1v2z1z2
v2v3z1z2
v1v3(v1 v3)z1
estimativa dos
coeficientes
6,00949
12,5084
-39,1389
0,581277
-6,19229
88,3249
79,6151
0,715917
-70,1848
-3,15572
-3,43840
13,0759
desvio-padro
t-valor
p-valor
0,305007
0,314218
3,12729
0,125468
1,54374
6,09043
5,70780
0,312683
9,18466
1,41835
1,32441
8,32659
19,703
39,808
-12,515
4,633
-4,011
14,502
13,948
2,290
-7,642
-2,225
-2,596
1,570
0,0000
0,0000
0,0000
0,0001
0,0004
0,0000
0,0000
0,0301
0,0000
0,0346
0,0151
0,1280
% Probabilidade Normal
99
95
90
80
70
50
30
20
10
5
-1.25
-0.18
0.89
1.95
Resduos Studentized
3.00
Resduos Studentized
-2.31
1.50
0.00
-1.50
-3.00
13
19
25
31
37
Run Number
133
Resduos Studentized
3.00
1.50
0.00
-1.50
-3.00
4.94
7.50
10.07
12.64
15.21
Valor Ajustado
134