Package 'trama.models'

Description

ANOVA de um delineamento em blocos casualizados (DBC).

Usage

tr_models_anova_dbc(dados, resposta = "", tratamento = "", bloco = "")

Arguments

Value

objeto 'tr_models_fit'.

Description

ANOVA de um delineamento inteiramente casualizado (DIC).

Usage

tr_models_anova_dic(dados, resposta = "", tratamento = "")

Arguments

Value

objeto 'tr_models_fit'.

Description

ANOVA de um delineamento em quadrado latino (DQL).

Usage

tr_models_anova_dql(
  dados,
  resposta = "",
  tratamento = "",
  linha = "",
  coluna = ""
)

Arguments

Value

objeto 'tr_models_fit'.

Description

ANOVA de um fatorial (2 ou 3 fatores), em DIC ou em blocos.

Usage

tr_models_anova_factorial(dados, resposta = "", fatores = "", bloco = "")

Arguments

Value

objeto 'tr_models_fit'.

Description

O quadro tem DOIS erros: o da parcela (erro a, bloco × parcela), que testa o fator da parcela, e o de dentro (erro b), que testa a subparcela e a interação. Um 'lm' com um erro só testaria o fator da parcela contra o erro errado — com gl a mais e p-valor pequeno demais, que é o engano clássico.

Usage

tr_models_anova_split_plot(
  dados,
  resposta = "",
  parcela = "",
  subparcela = "",
  bloco = ""
)

Arguments

Details

Guarda três ajustes: o 'aov' com 'Error()' (o quadro), um 'lm' com 'bloco:parcela' fixo (os resíduos do erro b, para os pressupostos) e o 'lmer' com '(1 | bloco:parcela)', que dá os mesmos F no balanceado e é o que o 'emmeans' sabe usar — sobre o 'aovlist' ele devolve erro padrão NaN.

Value

objeto 'tr_models_fit'.

Description

Quadro da ANOVA.

Usage

tr_models_anova_table(modelo, tipo_sq = "I")

Arguments

Value

objeto 'tr_models_effects'.

Description

Para a coleção que monta o próprio ajuste (a regressão de uma série, com o tempo e o período construídos por ela) e quer que todos os leitores da models o aceitem sem reimplementar o contrato: 'classe' escolhe os métodos ('"lm"' ou '"gls"'), e o resto é o mesmo objeto que os blocos daqui produzem.

Usage

tr_models_as_fit(
  ajuste,
  classe,
  rotulo,
  formula,
  dados,
  resposta,
  nota = "",
  extra = list()
)

Arguments

Value

objeto 'tr_models_fit'.

Description

Só sem bloco: nos resíduos de um DBC/DQL o teste não tem correção publicada para a correlação dos resíduos, e o bloco recusa apontando o Levene de O'Neill & Mathews.

Usage

tr_models_bartlett(modelo)

Arguments

Value

objeto 'tr_models_test'.

Description

Reamostra as linhas com reposição (dentro de **grupo**, quando dado), reajusta e resume cada quantidade: estimativa, viés, erro-padrão, intervalos percentil e BCa ('boot::boot.ci') e a fração de reamostras com o mesmo sinal.

Usage

tr_models_bootstrap(
  modelo,
  quantidade = "coeficientes",
  especs = "",
  grupo = "",
  reamostras = 1999L,
  confianca = 0.95,
  aspecto = "16:9",
  tema = "padrão",
  titulo = "",
  rotulo_x = "",
  rotulo_y = "",
  legenda = "direita",
  .seed = 1L
)

Arguments

Value

'list(out, tabela, distribuicao)'.

Description

Regride o quadrado dos resíduos nos preditores do modelo: se eles explicam o tamanho do resíduo, a variância não é constante. A versão de Koenker (n·R²) não pressupõe normalidade, e é a padrão do 'lmtest::bptest'.

Usage

tr_models_breusch_pagan(modelo)

Arguments

Value

objeto 'tr_models_test'.

Description

Qui-quadrado de independência.

Usage

tr_models_chisq(dados, linha = "", coluna = "", correcao = FALSE)

Arguments

Value

objeto 'tr_models_test'.

Description

Nível de fator é texto livre ("Iris setosa", "não-germinou", "2"), e coluna com espaço ou hífen obriga crase em todo 'data/mutate' a jusante. Troca cada sequência de caracteres que não são letra ou dígito (Unicode: acento fica) por '_', apara as pontas, e desempata com 'make.unique' — dois níveis que saneiam igual ("a b" e "a-b") não podem virar a mesma coluna.

Usage

tr_models_clean_name(x)

Arguments

Value

vetor de mesmo tamanho, sem repetição.

Description

Coeficientes.

Usage

tr_models_coefficients(
  modelo,
  exponenciar = FALSE,
  escala = "unidade",
  confianca = 0.95,
  intervalo = "padrão"
)

Arguments

Value

objeto 'tr_models_effects'; modelo de outra coleção pode trazer a coluna 'grupo' (a classe de cada linha numa logística multinomial).

Description

É o que os programas de experimentação fazem (a variância de uma média é QM/r), e não o 'summary()' do 'lm' nas médias, cujo resíduo é o desvio da regressão.

Usage

## S3 method for class 'tr_models_dose'
tr_models_coefs(
  x,
  exponenciar = FALSE,
  escala = "unidade",
  confianca = 0.95,
  ...
)

Description

Coeficientes do GLMM: z de Wald e intervalo de Wald, como no 'summary()' do 'lme4'; o perfil de verossimilhança reajusta o modelo dezenas de vezes.

Usage

## S3 method for class 'tr_models_glmer'
tr_models_coefs(
  x,
  exponenciar = FALSE,
  escala = "unidade",
  confianca = 0.95,
  ...
)

Description

Coeficientes do GLS: t com n − p gl e intervalo do 'nlme::intervals'.

Usage

## S3 method for class 'tr_models_gls'
tr_models_coefs(
  x,
  exponenciar = FALSE,
  escala = "unidade",
  confianca = 0.95,
  ...
)

Description

Coeficientes com IC de Wald (t com os gl do resíduo): o perfil de verossimilhança seria mais honesto na assimetria, mas falha justo nos ajustes difíceis, e um card que ora tem IC ora não confunde mais.

Usage

## S3 method for class 'tr_models_nls'
tr_models_coefs(
  x,
  exponenciar = FALSE,
  escala = "unidade",
  confianca = 0.95,
  ...
)

Description

d = (média1 − média2) / DP combinado, com o DP combinado das duas amostras (o do t de Student). g = J · d, com J = 1 − 3 / (4(n1 + n2) − 9), que tira o viés para cima do d em amostra pequena. O intervalo é o normal de Hedges & Olkin (1985): EP(d)² = (n1 + n2) / (n1 n2) + d² / (2(n1 + n2)); o de g é o de d vezes J. Aproximado, e bom a partir de uns 10 por grupo — o exato, pela t não central, difere pouco.

Usage

tr_models_cohen_d(dados, resposta = "", grupo = "", confianca = 0.95)

Arguments

Value

tibble com 'medida', 'estimativa', 'li', 'ls', 'n1', 'n2'.

Description

Dois modelos aninhados: o termo a mais melhora o ajuste?

Usage

tr_models_compare(modelo, outro)

Arguments

Value

objeto 'tr_models_test'.

Description

Matriz de confusão: classe real × classe prevista.

Usage

tr_models_confusion(
  modelo = NULL,
  dados = NULL,
  validacao = "cruzada",
  resposta = "",
  predito = "previsto",
  tabela = "matriz",
  permitir_treino = FALSE
)

Arguments

Value

tibble: 'real', uma coluna de contagem por classe prevista, 'total', 'acertos', 'taxa_acerto'; a última linha, 'real = "total"', é o geral.

Description

Todo objeto que viaja no tipo 'models/fit' tem classe 'c("<específica>", "tr_models_fit")' e implementa estes genéricos. O store aceita qualquer classe assim desde que [tr_models_info()] devolva uma descrição válida; os demais métodos são pedidos só por quem os usa, e o que faltar vira erro 'tr_models_error_no_method' nomeando a classe.

Usage

tr_models_info(x)

tr_models_predict_raw(x, novos, ...)

tr_models_predict_cv(x, validacao = "resubstituição")

tr_models_coefs(x, ...)

tr_models_stats(x)

tr_models_resid(x)

tr_models_importance(x)

tr_models_card(x, ctx)

tr_models_serialize(x)

tr_models_unserialize(x)

tr_models_as_table(x)

Arguments

Details

- 'tr_models_info(x)': **obrigatório**. Lista com 'tarefa' ('"regressao"' ou '"classificacao"'), 'resposta' (texto), 'preditores' (texto; as colunas que 'novos' precisa ter), 'niveis' (texto, os níveis da resposta na ordem do modelo — obrigatório na classificação, 'NULL' na regressão), 'n' (linhas do ajuste), 'rotulo' (o topo do card) e 'familia' (texto ou 'NULL'). - 'tr_models_predict_raw(x, novos, ...)': prevê em 'novos' (data.frame já com as colunas de 'info$preditores'). Devolve 'list(previsto, prob, extra)': 'previsto' numérico na regressão, FATOR com os níveis de 'info$niveis' na classificação; 'prob' matriz 'n × k' com 'colnames = info$niveis' (ou 'NULL' na regressão / sem probabilidade); 'extra' data.frame de 'n' linhas para colunas a mais ('li', 'ls') ou 'NULL'. As probabilidades saem para a tabela como 'prob_<nivel>', com o nível saneado por [tr_models_clean_name()]. - 'tr_models_predict_cv(x, validacao)': o mesmo formato, no TREINO: '"resubstituição"' (prevê as linhas que ajustaram) ou '"cruzada"' (cada linha prevista por um modelo que não a viu). - 'tr_models_coefs(x, ...)': um 'tr_models_effects' (colunas 'termo', 'p_valor'; 'grupo' opcional). - 'tr_models_stats(x)': tibble de UMA linha com as medidas de ajuste. - 'tr_models_resid(x)': a tabela do ajuste com os resíduos (só regressão). - 'tr_models_importance(x)': tibble 'termo', 'importancia', 'medida'. - 'tr_models_card(x, ctx)': o 'trama::tr_preview()' do card. - 'tr_models_serialize(x)' / 'tr_models_unserialize(x)': o que o store grava e o que devolve do que leu. Default: identidade (o objeto vai inteiro no RDS); existe para quem guarda ponteiro externo (xgboost). - 'tr_models_as_table(x)': o adaptador 'models/fit' → 'data/table'.

Description

Teste de correlação.

Usage

tr_models_cor_test(dados, x = "", y = "", metodo = "pearson")

Arguments

Value

objeto 'tr_models_test'.

Description

Teste de Duncan.

Usage

tr_models_duncan(modelo, tratamento = "", confianca = 0.95)

Arguments

Value

objeto 'tr_models_emm'.

Description

À mão, e não pelo 'FSA'/'dunn.test': são dez linhas, e o pacote traria uma dependência para uma fórmula. Os postos são os da amostra INTEIRA (é o que distingue o Dunn de rodar Wilcoxon par a par): z = (R̄i − R̄j) / EP, com EP² = [N(N + 1)/12 − Σ(t³ − t) / (12(N − 1))] · (1/ni + 1/nj), a correção de empates dentro dos colchetes. O p é bilateral, 2 · P(Z > |z|).

Usage

tr_models_dunn(dados, resposta = "", grupo = "", ajuste = "holm")

Arguments

Value

objeto 'tr_models_effects', um par por linha.

Description

Tudo sai do quadro do 'tr_models_anova_table()', com o erro de CADA termo: o resíduo logo abaixo dele no quadro. Na parcela subdividida isso dá o erro (a) para o fator da parcela e o (b) para a subparcela e a interação, que é o que o F de cada um usa.

Usage

tr_models_effect_size(modelo, tipo_sq = "I")

Arguments

Details

- eta² = SQ / SQ total: a fração da variação total do termo. Soma no máximo 1 entre os termos, e diminui quando se põem mais termos no modelo. Com SQ tipo II/III as SQ não somam o total, e o denominador é a soma das SQ do quadro — a coluna 'base_eta2' diz qual foi. - eta² parcial = SQ / (SQ + SQ do erro): o termo contra o próprio erro. - ômega² = (SQ − gl · QM do erro) / (SQ total + QM do erro): o eta² corrigido do viés. Só com UM erro: na subdividida o total mistura os dois estratos, e a coluna sai NA. - ômega² parcial (Olejnik & Algina 2003, fatores manipulados) = (SQ − gl · QM do erro) / (SQ + (N − gl) · QM do erro), com o erro do termo: é o que vale para a subdividida.

Bloco, linha e coluna do DQL e o bloco da subdividida SAEM da tabela: são controle da casualização, e um "tamanho de efeito do bloco" ao lado do do tratamento convida a comparar o que não se compara.

Value

tibble com 'termo', 'gl', 'eta2', 'eta2_parcial', 'omega2', 'omega2_parcial', 'erro' e 'base_eta2'.

Description

Exportado porque o contrato promete que 'tr_models_coefs()' devolve um 'tr_models_effects', e a coleção irmã que implementa o método não tem como montar um sem repetir aqui os campos que o store confere.

Usage

tr_models_effects(
  tabela,
  titulo,
  coluna_estat = NULL,
  rodape = list(),
  nota = "",
  fonte = ""
)

Arguments

Description

Médias ajustadas, com letras.

Usage

tr_models_emmeans(
  modelo,
  especs = "",
  por = "",
  ajuste = "tukey",
  confianca = 0.95,
  escala = "resposta"
)

Arguments

Value

objeto 'tr_models_emm'.

Description

Mesmo princípio de 'trama::tr_errors()' e das coleções irmãs, e mesmo teste de duas direções: uma tabela que um teste confere contra o código, pra não envelhecer em silêncio.

Usage

tr_models_errors()

Details

Modelo tem o seu modo de falha que sai verde: o 'lm' ajusta dose 50/100/150 como reta quando se queria tratamento, o Shapiro roda nos resíduos de um GLM de contagem onde normalidade nunca foi pressuposto, o 'anova' compara dois modelos ajustados em linhas diferentes. Nada disso erra no R. Aqui vira card vermelho, dizendo o que fazer.

Value

data.frame com 'class' e 'when'.

Description

Métricas de previsão: o erro (regressão) ou o acerto (classificação).

Usage

tr_models_evaluate(
  modelo = NULL,
  dados = NULL,
  validacao = "cruzada",
  resposta = "",
  predito = "previsto",
  positiva = "",
  permitir_treino = FALSE
)

Arguments

Value

tibble 'metrica', 'valor', 'n' (as linhas que contaram); na classificação também 'classe' (NA nas globais; a classe nas 'precision', 'recall' e 'f1' por classe, com o suporte em 'n').

Description

Carrega um conjunto de exemplo.

Usage

tr_models_example(dataset = "PlantGrowth")

Arguments

Value

tibble.

Description

Exato de Fisher.

Usage

tr_models_fisher_exact(dados, linha = "", coluna = "")

Arguments

Value

objeto 'tr_models_test'.

Description

As mesmas colunas para todo modelo, com NA onde a medida não existe: é o que deixa um 'data/bind_rows' de três modelos virar a tabela de comparação.

Usage

tr_models_fit_stats(modelo)

Arguments

Value

tibble de uma linha.

Description

A alternativa não paramétrica ao DBC com UMA observação por bloco e tratamento, e aos blocos incompletos. Os três testes respondem à mesma pergunta (algum tratamento difere, com os postos tomados dentro do bloco) e diferem só no desenho que aceitam: - '"friedman"': blocos completos (Friedman 1937); bloco incompleto sai inteiro, e a nota conta quantos e aponta os outros dois. - '"durbin"': blocos incompletos balanceados (BIB: todo bloco com k < t parcelas, todo tratamento r vezes, todo par junto λ vezes), estatística T1 de Durbin (1951) na forma de Conover (1999), que corrige empates. Desenho que não é BIB recusa e aponta o Skillings–Mack. - '"skillings_mack"': faltantes quaisquer (Skillings & Mack 1981); bloco com uma observação só sai. Empates recebem posto médio, sem correção. - '"auto"' (padrão): Friedman com os blocos completos, Durbin com BIB, Skillings–Mack no resto; a nota diz qual foi.

Usage

tr_models_friedman(
  dados,
  resposta = "",
  tratamento = "",
  bloco = "",
  metodo = "auto"
)

Arguments

Details

Casela repetida recusa (nenhum dos três a define).

Value

objeto 'tr_models_test'.

Description

Modelo linear generalizado.

Usage

tr_models_glm(
  dados,
  resposta = "",
  preditores = "",
  formula = "",
  familia = "poisson"
)

Arguments

Value

objeto 'tr_models_fit'.

Description

Máxima verossimilhança pela aproximação de Laplace (o padrão do 'lme4'). 'nivel_obs' soma um intercepto aleatório por linha, '(1 | .obs)': a variância extra-binomial ou extra-Poisson vira um componente de variância (Harrison 2014), a saída do misto para a superdispersão.

Usage

tr_models_glmer(
  dados,
  formula = "",
  resposta = "",
  fixos = "",
  grupo = "",
  familia = "binomial",
  nivel_obs = FALSE
)

Arguments

Value

objeto 'tr_models_fit'.

Description

Para medidas repetidas no tempo sem supor esfericidade: a correlação entre as medidas de um mesmo grupo (animal, parcela) é AR(1), simetria composta ou não estruturada, e 'variancia_por' dá uma variância a cada nível ('varIdent'). As posições no grupo vêm de 'tempo' (ordenado) ou, sem ele, da ordem das linhas.

Usage

tr_models_gls(
  dados,
  formula = "",
  correlacao = "ar1",
  grupo = "",
  tempo = "",
  variancia_por = "",
  reml = TRUE
)

Arguments

Value

objeto 'tr_models_fit'.

Description

Cada classe diz a sua medida (coluna 'medida'): |t| nos modelos daqui, redução de impureza ou ganho nas árvores da 'ml'. Não se compara entre medidas.

Usage

tr_models_importance_table(modelo)

Arguments

Value

tibble 'termo', 'importancia', 'medida', do maior para o menor.

Description

Medidas de influência por observação para um ajuste linear.

Usage

tr_models_influence(
  modelo,
  aspecto = "16:9",
  tema = "padrão",
  titulo = "",
  rotulo_x = "",
  rotulo_y = "",
  legenda = "direita"
)

Arguments

Value

'tr_models_effects' com uma linha por observação.

Description

Kruskal-Wallis: dois ou mais grupos.

Usage

tr_models_kruskal(dados, resposta = "", grupo = "")

Arguments

Value

objeto 'tr_models_test'.

Description

No DIC e nos modelos de fórmula, ANOVA dos desvios absolutos dos resíduos em relação ao centro de cada grupo ('car::leveneTest'). Nos delineamentos com bloco (DBC, fatorial em DBC, DQL), o teste de O'Neill & Mathews (2002): ANOVA dos |resíduos| de mínimos quadrados em tratamento + bloco (+ linha e coluna) com o F corrigido; ali o centro é sempre o ajuste do modelo (média), e 'centro' não muda o resultado.

Usage

tr_models_levene(modelo, centro = "mediana")

Arguments

Value

objeto 'tr_models_test'.

Description

Opcionais. As classes daqui (lm, glm, lmer, glmer, gls, nls) são lidas por dentro; um modelo de outra coleção entra nos dois blocos implementando:

Usage

tr_models_loglik(x)

## Default S3 method:
tr_models_loglik(x)

tr_models_nesting(x, outro)

## Default S3 method:
tr_models_nesting(x, outro)

Arguments

Details

- 'tr_models_loglik(x)': 'list(ll, k, n)' — log-verossimilhança MÁXIMA, nº de parâmetros estimados (variância incluída) e nº de observações que entram na verossimilhança. É o que 'models/select' usa no AIC, AICc e BIC. - 'tr_models_nesting(x, outro)': 'x' está aninhado em 'outro'? Devolve o texto dos termos a mais (vai na hipótese nula do teste) ou aborta dizendo por que não; 'models/compare' faz então a razão de verossimilhança com 'tr_models_loglik()'.

O default dos dois é 'NULL': "não implementa".

Description

Teste F da hipótese linear geral.

Usage

tr_models_linear_hypothesis(modelo, hipoteses = "", fator = "")

Arguments

Value

objeto 'tr_models_test'.

Description

Texto e lógico viram fator; número fica número. A decisão de tratar uma dose como fator é da pessoa, na fórmula ('factor(dose)'), e não do bloco — nos blocos de ANOVA é o contrário, e a ajuda dos dois diz isso.

Usage

tr_models_lm(dados, resposta = "", preditores = "", formula = "")

Arguments

Value

objeto 'tr_models_fit'.

Description

Pela fórmula, com os termos aleatórios na sintaxe do 'lme4' — '(1 | bloco)', '(dias | sujeito)' —, ou pelo atalho de colunas, que monta um intercepto aleatório por 'grupo'. O 'lmerTest::lmer' e não o 'lme4::lmer': é o mesmo ajuste, com a classe que sabe dar gl de Satterthwaite ao quadro e aos coeficientes.

Usage

tr_models_lmer(
  dados,
  formula = "",
  resposta = "",
  fixos = "",
  grupo = "",
  reml = TRUE
)

Arguments

Value

objeto 'tr_models_fit'.

Description

Regressão não linear com modelos prontos.

Usage

tr_models_nls(dados, resposta = "", preditor = "", modelo = "logístico")

Arguments

Value

objeto 'tr_models_fit' de classe 'tr_models_nls'.

Description

t para uma amostra.

Usage

tr_models_one_sample_t(dados, variavel = "", mu = 0, alternativa = "bilateral")

Arguments

Value

objeto 'tr_models_test'.

Description

t pareado.

Usage

tr_models_paired_t(dados, antes = "", depois = "", alternativa = "bilateral")

Arguments

Value

objeto 'tr_models_test'.

Description

Comparações de médias: todos os pares, ou contra um controle (Dunnett).

Usage

tr_models_pairwise(
  medias,
  metodo = "todos os pares",
  controle = "",
  ajuste = "tukey",
  .seed = NULL
)

Arguments

Value

objeto 'tr_models_effects'.

Description

Testa um termo por permutação da resposta, mantendo fixa a matriz do modelo.

Usage

tr_models_permutation(
  modelo,
  termo = "",
  grupo = "",
  reamostras = 9999L,
  aspecto = "16:9",
  tema = "padrão",
  titulo = "",
  rotulo_x = "",
  rotulo_y = "",
  legenda = "direita",
  .seed = 1L
)

Description

Gráfico de lagarta dos efeitos aleatórios.

Usage

tr_models_plot_caterpillar(
  modelo,
  grupo = "",
  intervalo = "IC",
  confianca = 0.95,
  faixa_desvio = TRUE,
  ordenar = TRUE,
  aspecto = "3:4",
  tema = "padrão",
  titulo = "",
  rotulo_x = "",
  rotulo_y = "",
  legenda = "abaixo"
)

Arguments

Description

Lê o 'tr_models_coefs()' do contrato, e não o ajuste: por isso vale para todo modelo com coeficiente — 'lm', 'glm', misto, a logística da 'multi' e a referência linear da 'ml'. Substitui o 'multi/plot_odds', que era este mesmo gráfico só para a logística; um fluxo antigo abre aqui com 'exponenciar' e a escala por desvio padrão que eram o padrão de lá.

Usage

tr_models_plot_coefficients(
  modelo,
  exponenciar = FALSE,
  escala = "unidade",
  confianca = 0.95,
  ordenar = "modelo",
  aspecto = "16:9",
  tema = "padrão",
  titulo = "",
  rotulo_x = "",
  rotulo_y = "",
  legenda = "direita"
)

Arguments

Details

A cor diz se o intervalo cruza a referência (0, ou 1 exponenciado): é a leitura que o gráfico existe para facilitar. Exponenciado, o eixo é log, em que dobrar e reduzir à metade ficam à mesma distância do 1.

Value

ggplot.

Description

Resíduos × ajustados (linearidade, variância), Q-Q normal, escala-locação (variância) e histograma. Numa figura só, e não quatro nós, porque se leem juntos: o funil do primeiro painel e a cauda do Q-Q costumam ser a mesma coisa vista de dois lados.

Usage

tr_models_plot_diagnostics(
  modelo,
  aspecto = "1:1",
  tema = "padrão",
  titulo = "",
  rotulo_x = "",
  rotulo_y = "",
  legenda = "direita"
)

Arguments

Description

Médias com intervalo de confiança e letras.

Usage

tr_models_plot_means(
  medias,
  letras = TRUE,
  aspecto = "16:9",
  tema = "padrão",
  titulo = "",
  rotulo_x = "",
  rotulo_y = "",
  legenda = "direita"
)

Arguments

Description

A figura das teses: na dose-resposta os pontos são as MÉDIAS das doses (a curva foi ajustada a elas) e, na parábola, a linha tracejada marca a dose de máxima (ou mínima) eficiência técnica; no não linear os pontos são as observações, e no linear-platô a linha marca o início do platô.

Usage

tr_models_plot_regression(
  modelo,
  observacoes = FALSE,
  equacao = TRUE,
  aspecto = "4:3",
  tema = "padrão",
  titulo = "",
  rotulo_x = "",
  rotulo_y = "",
  legenda = "direita"
)

Arguments

Value

ggplot.

Description

Regressão polinomial nos tratamentos quantitativos da ANOVA.

Usage

tr_models_polinomial(
  modelo,
  tratamento = "",
  grau = "automático",
  grau_max = 3L,
  confianca = 0.95
)

Arguments

Value

lista com 'modelo' (objeto 'tr_models_fit' de classe 'tr_models_dose') e 'quadro' ('tr_models_effects', o desdobramento).

Description

Veio da 'ml/pr_curve' (main) na integração 9.2, com os três modos da 'models/roc': modelo (validação no treino), modelo + dados novos, ou só a tabela com a probabilidade. As contas não mudaram ('.tr_models_pr_pontos', a mesma da 'ml'): um ponto por limiar distinto, empates num degrau; AP = Σ ΔR·P, sem interpolação; 'area' com a interpolação não linear de Davis & Goadrich (2006), integrada em forma fechada (Keilwagen, Grosse & Grau 2014). A referência do acaso é a prevalência da positiva (Saito & Rehmsmeier 2015).

Usage

tr_models_pr_curve(
  modelo = NULL,
  dados = NULL,
  validacao = "cruzada",
  resposta = "",
  probabilidade = "",
  positiva = "",
  permitir_treino = FALSE,
  aspecto = "16:9",
  tema = "padrão",
  titulo = "",
  rotulo_x = "",
  rotulo_y = "",
  legenda = "direita"
)

Arguments

Value

ggplot; os dados trazem 'limiar', 'recall', 'precision', 'ap', 'area' e 'prevalencia'.

Description

Prevê a resposta de um modelo: em dados novos, ou no próprio treino.

Usage

tr_models_predict(
  modelo,
  dados = NULL,
  validacao = "resubstituição",
  intervalo = "nenhum",
  confianca = 0.95
)

Arguments

Value

'dados' (ou o treino) com 'previsto', 'prob_<nivel>' na classificação, e 'li', 'ls' com intervalo. Colunas com esses nomes que já existiam são SUBSTITUÍDAS: prever a saída de outra previsão não cria 'previsto...2' ao lado da velha.

Description

A cruzada reajusta sem cada linha, partindo dos parâmetros do ajuste completo (que já estão perto); linha cujo reajuste não converge sai NA.

Usage

## S3 method for class 'tr_models_nls'
tr_models_predict_cv(x, validacao = "resubstituição")

Description

Componentes de variância.

Usage

tr_models_random_effects(modelo)

Arguments

Value

tibble 'grupo', 'componente', 'variancia', 'desvio_padrao', 'correlacao', 'proporcao'.

Description

Teste dos efeitos aleatórios: cada um sai, e o ajuste piora?

Usage

tr_models_random_test(modelo)

Arguments

Value

objeto 'tr_models_effects'.

Description

O quadro da ANOVA, dos coeficientes ou das comparações como tabela, com título, rodapé (CV, média, n) e fonte. É o 'report' do tipo 'models/effects'.

Usage

tr_models_report_effects(x)

Arguments

Value

objeto 'trama.data::tr_data_report'.

Description

A tabela das médias com erro-padrão, intervalo e as letras, e o ajuste com que as letras foram feitas. É o 'report' do tipo 'models/emm'.

Usage

tr_models_report_emm(x)

Arguments

Value

objeto 'trama.data::tr_data_report'.

Description

O resumo que o card mostra: a fórmula, as medidas de ajuste que existem para o modelo (R², CV, AIC…), o teste global quando há um, e o quadro de efeitos — a ANOVA nos delineamentos, os coeficientes no resto. É o 'report' do tipo 'models/fit'.

Usage

tr_models_report_fit(x)

Arguments

Value

objeto 'trama.data::tr_data_report'.

Description

A tabela da ANOVA com a curva ao lado: o resíduo é o desvio de cada parcela à curva (bloco e falta de ajuste inclusos), padronizado pelo erro da ANOVA.

Usage

## S3 method for class 'tr_models_dose'
tr_models_resid(x)

Description

GLS: resíduos normalizados (descontadas a correlação e a variância do modelo).

Usage

## S3 method for class 'tr_models_gls'
tr_models_resid(x)

Description

No GLM sai também 'residuo_quantilico', o resíduo quantílico normalizado randomizado (Dunn & Smyth 1996): N(0, 1) sob o modelo certo, inclusive com contagens baixas ou resposta 0/1, onde o de desvio fica em faixas. O sorteio usa a semente do nó.

Usage

tr_models_residuals(modelo, .seed = 1L)

Arguments

Value

a tabela usada no ajuste com 'ajustado', 'residuo' e 'residuo_padronizado' à direita; no GLM, também 'residuo_quantilico'.

Description

Um nó 'online' só existe DENTRO de uma região ('node.R' recusa 'step' sem entrada de fluxo), e é o 'step' quem o driver chama a cada passo — 'fn' fica de fora do caminho de execução. Existe porque 'tr_node()' o exige sempre (é o nível 1 da API), e os formais espelham os PARAMS um a um, com os MESMOS defaults do spec: é o que "todo param do spec existe no fn com o mesmo default" cobra de cada nó da coleção ('test-catalogo.R'), a mesma garantia que evita spec e fn discordando em silêncio em qualquer outro nó.

Usage

tr_models_rls_fn(dados, resposta = "y", preditores = "", lambda = 1e+06)

Description

Curva ROC: sensibilidade × especificidade em todos os cortes, com a AUC.

Usage

tr_models_roc(
  modelo = NULL,
  dados = NULL,
  validacao = "cruzada",
  resposta = "",
  probabilidade = "",
  positiva = "",
  confianca = 0.95,
  permitir_treino = FALSE,
  aspecto = "1:1",
  tema = "padrão",
  titulo = "",
  rotulo_x = "",
  rotulo_y = "",
  legenda = "direita"
)

Arguments

Value

ggplot.

Description

Agrupamento de Scott-Knott.

Usage

tr_models_scott_knott(modelo, tratamento = "", confianca = 0.95)

Arguments

Value

objeto 'tr_models_emm'.

Description

'AICc = AIC + 2k(k + 1) / (n - k - 1)' (Hurvich e Tsai, 1989); os pesos de Akaike são 'exp(-delta / 2)' normalizados a soma 1 (Burnham e Anderson, 2002, cap. 2). Com 'n - k - 1 <= 0' o AICc não existe e sai 'NA' (o modelo fica fora do ranking, no fim).

Usage

tr_models_select(modelos, criterio = "AICc")

Arguments

Value

tibble ordenado do melhor ao pior: 'entrada' (posição na porta), 'modelo', 'formula', 'n', 'k', 'log_verossimilhanca', o critério, 'delta', 'peso', 'peso_acumulado' e 'razao_evidencia' (peso do melhor / peso do modelo).

Description

Shapiro-Wilk numa coluna.

Usage

tr_models_shapiro(dados, variavel = "")

Arguments

Value

objeto 'tr_models_test'.

Description

No GLM o teste vai para os resíduos quantílicos randomizados, com o p mediano de 'sorteios' realizações calibrado por Monte Carlo ('reamostras').

Usage

tr_models_shapiro_residuals(
  modelo,
  sorteios = 11L,
  reamostras = 199L,
  .seed = 1L
)

Arguments

Value

objeto 'tr_models_test'.

Description

No GLMM não há R² de uso geral (o de Nakagawa pede a variância da distribuição na escala da ligação, que muda com a família e a ligação): as medidas são as de verossimilhança.

Usage

## S3 method for class 'tr_models_glmer'
tr_models_stats(x)

Description

GLS: sigma do 'nlme' e gl do resíduo n − p (os dos coeficientes e do quadro).

Usage

## S3 method for class 'tr_models_gls'
tr_models_stats(x)

Description

R² como 1 − SQres/SQtotal (pseudo: fora do linear ele não é a fração explicada nem fica entre 0 e 1 garantido) e a raiz do erro quadrático médio.

Usage

## S3 method for class 'tr_models_nls'
tr_models_stats(x)

Description

t de Student / Welch para duas amostras independentes.

Usage

tr_models_t_test(
  dados,
  resposta = "",
  grupo = "",
  variancias_iguais = FALSE,
  alternativa = "bilateral"
)

Arguments

Value

objeto 'tr_models_test'.

Description

Métodos de [generics::tidy()], [generics::glance()] e [generics::augment()] para todo objeto do tipo 'models/fit' (inclusive os de outras coleções que cumprem [tr_models_contract]). Os números são os de [tr_models_coefs()], [tr_models_stats()] e [tr_models_resid()]; muda só o nome das colunas.

Usage

## S3 method for class 'tr_models_fit'
tidy(x, conf.int = FALSE, conf.level = 0.95, exponentiate = FALSE, ...)

## S3 method for class 'tr_models_fit'
glance(x, ...)

## S3 method for class 'tr_models_fit'
augment(x, newdata = NULL, ...)

Arguments

Details

- 'tidy()': 'term', 'estimate', 'std.error', 'statistic', 'p.value' e, com 'conf.int = TRUE', 'conf.low' e 'conf.high'. Colunas extras do modelo ('gl', 'grupo') seguem no fim, com o nome original. - 'glance()': uma linha; 'nobs', 'df.residual', 'r.squared', 'adj.r.squared', 'sigma', 'logLik', 'AIC', 'BIC' no nome do 'broom', e as demais medidas ('cv_pct', 'r2_marginal', ...) com o nome da trama. - 'augment()': sem 'newdata', a tabela do ajuste com '.fitted', '.resid' e '.std.resid' (só regressão, como [tr_models_resid()]). Com 'newdata', '.fitted' na regressão, ou '.pred_class' e '.prob_<nível>' na classificação.

Value

um tibble.

Description

O DBC pressupõe que o efeito do tratamento é o mesmo em todo bloco. O teste de um grau de liberdade acrescenta o quadrado do ajustado ao modelo aditivo: se ele é significativo, os efeitos se multiplicam em vez de somar, e uma transformação (log, quase sempre) costuma resolver.

Usage

tr_models_tukey_additivity(modelo)

Arguments

Value

objeto 'tr_models_test'.

Usage

tr_models_waller_duncan(modelo, tratamento = "", k = 100L)

Arguments

objeto 'tr_models_emm'.

Teste de Waller-Duncan (razão K).

Description

Wilcoxon-Mann-Whitney para duas amostras independentes.

Usage

tr_models_wilcoxon(dados, resposta = "", grupo = "", alternativa = "bilateral")

Arguments

Value

objeto 'tr_models_test'.

Description

Carrega DEPOIS de 'trama.data' e 'trama.view': as portas usam 'data/table' e 'view/plot', e o registro recusa porta com tipo desconhecido.

Usage

trama_collection()

Details

Os ids de categoria têm prefixo ('modelo_*') porque o registro de categorias é GLOBAL: uma categoria 'testes' aqui sobrescreveria em silêncio a de outra coleção que usasse o mesmo id.