Função correta (espero!!) para cálculo do AIC em modelos com transformação logarítmitca:

# Computing the AIC for log-transformed models
log.AIC <- function(lmobj, k = 2)
{
#
# log.AIC = computes AIC for log-transformed linear model
#
#
	y.log = lmobj$model[,1]
	Y = exp( y.log )
	jacobian = 1/Y

	yhat = lmobj$fitted
	sigma = summary(lmobj)$sigma
	p = length( lmobj$coefficients ) + 1

	llik = log( dnorm( y.log, mean=yhat, sd=sigma) * jacobian )

	AIC = -2 * sum(llik) + k*p

	return(AIC)
}

Pessoal os primeiros conjuntos de dados: volume-arvores.RData

• Esse arquivo é carregado dentro do R com o comando load.
• Uma série de objetos (sensu R) serão criados na área de trabalho.
• O objeto “df.descrip” (data.frame, também) apresenta breve descrição dos conjuntos.
• Todos os demais objetos são data.frames com os conjuntos de dados (17 ao todo).

O primeiro conjunto de tarefas é ajustar os modelos de equação de volume (dupla entrada) a todos conjuntos de dados. utilizando a função lm; o Edgar será o “monitor”.

Códigos do R:

• Arquivo com o VIF: vif.R
• Script para análises: script-2009-12-02.R

Apostila de regressão linear applied-regression.pdf

Tarefas:

• re-organizar os dados num único diretório utilizando listas de modelos;
• construir função para “automatizar” o cálculo de: (1) máximo VIF e (2) maximum condition index;
• realizar as computações de AIC, máximo VIF e maximum condition index para todos modelos em todos conjuntos de dados.
• construir uma tabela com: conjunto de dados, modelos e os índices.

Conjuntos de dados:

• arvores.csv

• cubagem-tronco.csv

• biomassa.csv

• densidade.csv

Uso do “merge” e do “agregate”