-
Notifications
You must be signed in to change notification settings - Fork 0
/
index.qmd
677 lines (449 loc) · 22.7 KB
/
index.qmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
---
title: "Regressão Poisson e Binomial Negativa inflâcionada de **ZEROS!!!**"
author: "Thalis Rebouças e Robert Oliveira"
date: "19 Julho 2023"
format:
revealjs:
logo: "images/logo.png"
width: 1600
height: 900
self-contained: false
incremental: false
footer: "Slides por [Thalis e Robert](Thalisreboucas.com.br), feito em [Quarto](https://quarto.org/docs/presentations/revealjs/index.html). Código disponível [no GitHub](https://github.com/thalisreboucas/Regressao_poi_nb_infla_zeros)."
theme: ["custom.scss"]
slide-number: c/t
show-slide-number: all
hash-type: number
preview-links: false
---
## Sumário de aprendizagem
Vamos explicar um pouco sobre
⬜ O que é o Regressão Poisson?
⬜ O que é o Regressão Binomial Negativa?
⬜ O que é o que é ser inflâcionada por zeros?
⬜ Aplicação no R!
⬜ Referência
# Vamos lá!
## Distribuição Poisson
```{r}
library(ggplot2)
lambdas <- c(2, 5, 10, 15) # Valores diferentes de lambda
# Valores possíveis para o eixo x
x_values <- 0:30
# Cálculo das probabilidades para cada valor de lambda
poisson_probs <- sapply(lambdas, function(lambda) dpois(x_values, lambda))
# Criação do data frame para o gráfico
data <- data.frame(x = rep(x_values, length(lambdas)),
y = c(poisson_probs),
lambda = rep(lambdas, each = length(x_values)))
# Plot do gráfico
cores <- c("black", "lightblue", "gray10", "purple4")
ggplot(data, aes(x = as.factor(x), y = y, fill = as.factor(lambda))) +
geom_bar(stat = "identity", position = "dodge") +
labs(x = "Valores", y = "Probabilidades", fill = "Lambda") +
scale_fill_manual(values = cores) +
ggtitle("Distribuição Poisson com Diferentes Valores de Lambda") +
theme_minimal()
```
## Resumo sobre essa distribuição
Primeiro vamos da falar sobre distribuição poisson:
$$ f(x) = P(X=x) = \dfrac{e^{-\lambda}\lambda^x}{x!}I_{(0,\infty)}$$
- É utilizadas para dados que envolvem dados de contagem.
- É utilizada em dados discretos.
- Suporte de zero a infinito.
- A esperança é igual a variância ($\lambda$);Equidispersão.
- Soma $n$ v.a.s independetes de poisson lambda é igual a soma dos lambdas.
## Padrões em processos de contagem
- Equidisperssão (Var(Y) = E(Y)) *Padrão aleatório*
- Subdispersão (Var(Y) < E(Y)) *Padrão Uniforme*
- Superdispersão (Var(Y) > E(Y)) *Padrão agragado*
## Caso especiais da Poisson
- Temos uma distribuição binomial($n,\pi$) e caso o limite de n for para $\infty$ e $\pi$ tende a zero, com $\lambda = n\pi$ :
$$
\lim_{n \rightarrow \infty \ \ \pi \rightarrow 0} \left[ {n \choose k}
\left(\dfrac{\lambda}{n}\right)^k \left(1 - \dfrac{\lambda}{n}\right)^{n-k} \right] = \dfrac{e^\lambda\lambda^k}{k!}
$$
- Resultado do processo estocástico de Poisson, em que os eventos contados ocorrem
*aleatoriamente* ao longo do tempo, espaço ,etc.
# Regressão Poisson
## Definição
- Modelo de regressão Poisson ou Log linear de Poisson é comumente utilizado em análise de dados de contagem.
- As pressuposições desse modelo é inerente a distribuição Poisson.
```{r}
# Gerar dados simulados
x <- seq(1, 10, length.out = 100)
lambda <- exp(0.5 + 0.2 * x)
y <- rpois(length(x), lambda)
# Ajustar modelo de regressão Poisson
model <- glm(y ~ x, family = poisson())
# Prever valores ajustados
predicted <- predict(model, type = "response", se.fit = TRUE)
# Criar data frame com os valores
data <- data.frame(x = x, y = predicted$fit, ymin = predicted$fit - 1.96 * predicted$se.fit,
ymax = predicted$fit + 1.96 * predicted$se.fit)
# Obter os coeficientes estimados
intercept <- coef(model)[1]
slope <- coef(model)[2]
# Função para formatar a fórmula estimada da reta
format_formula <- function(intercept, slope) {
paste0("y = exp(", round(intercept, 2), " + ", round(slope, 2), "x)")
}
# Plot do gráfico
ggplot() +
geom_ribbon(data = data, aes(x = x, ymin = ymin, ymax = ymax), fill = "lightblue", alpha = 0.5) +
geom_line(data = data, aes(x = x, y = y), color = "lightblue3", size = 1) +
geom_point(data = data.frame(x, y), aes(x = x, y = y), color = "gray10", size = 2) +
geom_text(x = 1, y = max(predicted$fit), label = format_formula(intercept, slope), hjust = 0, vjust = 1) +
labs(x = "Variável X", y = "Contagem Y", title = "Regressão Poisson") +
theme_minimal()
```
## Especificação do modelo
- Seja $Y$ um variável aleatória independetes com covariáveis $x_i \ ,\ I_{i(1,..,n)}$
$$
f(y_i|x_i) = \dfrac{e^{-\mu_i}(\mu_i)^{y_i}}{y_i!} , I_{y(0,1,2,...,\infty)}
$$
- Sendo as cováriaveis do modelo :
$$
\ln(\mu_i) = x_i'\beta ,
$$
Em que $\beta$(beta) é o vetor de parâmetros do regressão.
## Propriedades
\
- $f(y_{i}|\boldsymbol{x_{i}})=\frac{e^{-\exp(\boldsymbol{x'_i\beta})}{\exp({\boldsymbol{x'_i\beta}})}^{y_i}}{y_i!}$
\
- $E\left [ y_{i}|\boldsymbol{x_{i}} \right ]= \mu_{i}=\exp\left ( \boldsymbol{x'_{i}\beta} \right )$
\
- $Var\left [ y_{i}|\mathbf{x_{i}} \right ]= \mu_{i}=\exp\left ( \boldsymbol{x'_{i}\beta} \right )$
## Estimação por Máxima Verossimilhança
- Log-verossimilhança: $l(\boldsymbol{\beta})=\sum_{i=1}^{n} \{ y_{i}\boldsymbol{x_{i}'\beta}-\exp{(\boldsymbol{x_{i}'\beta})}\}-\ln(y_{i}!));$
- Vetir escore: $\boldsymbol{S}(\boldsymbol{\beta})=\frac{\partial l(\boldsymbol{\beta};\boldsymbol{y})}{\partial \boldsymbol{\beta}}= \sum_{i=1}^{n}(y_{i}-\exp(\boldsymbol{x_{i}'\beta}))\boldsymbol{x_{i}};$
- Matriz Informação: $\boldsymbol{I({\beta})} = \sum_{i=1}^n \mu_i \boldsymbol{x_i x'_i} = \exp{(\boldsymbol{x'_i \beta})\boldsymbol{x_i x'_i}};$
- Distribuição assintótica: $\boldsymbol{\hat{\beta}} \overset{a}{\sim} N \left ( \boldsymbol{\beta}, \left [ \sum_{i=1}^n \mu_i \boldsymbol{x_i x'_i} \right ]^{-1} \right );$
## Modelo Linear Generalizado
A Regressão Poisson é um caso particular dos Modelos Lineares Generalizados (MLG). Algumas propriedades dessa classe de modelos:
- Os estimadores são consistentes ainda que a distribuição especificada seja incorreta, mas desde que a média condicional de $Y$ seja declarada corretamente;
- Os erros padrões, intervalos de confiança e testes de hipóteses, no entanto, ficam comprometidos;
## Modelo Linear Generalizado
O ajuste de um MLG requer apenas a especificação:
- Da esperança de $Y$ condicional às covariáveis, mediante especificação do preditor linear e da função de ligação;
- Da variância condicional, mediante especificação da função de variância $V(\mu)$, possível inclusão do parâmetro de dispersão $(\phi)$, ou sua estimação por métodos robustos (abordagem de Quase-Verossimilhança).
# Vamos para agora para Distribuição binomial negativa
## Distribuição binomial negativa
- Distribuição de probabilidades:
$$
P(Y=k) = \left ( \begin{matrix}
r+k-1\\
r-1
\end{matrix} \right ) (1-p)^rp^k, \hspace{0,2cm} I_{k(0,1,2,...,\infty)}
$$
sendo $r=\alpha$ e $p=\lambda/(\lambda+\alpha),$ com $0<p<1$ e $r>0$.
- Modelagem do número de "sucessos" até o r-ésimo "fracasso" ($r = 1,2,3,...$), configurando uma generalização da distribuição geométrica (para $r=1$).
- Modelagem de alguns tipos de processos pontuais envolvendo contágio
## Outra forma da Binomial Negativa
- Função de probabilidades:
$$
P(Y=k)=\frac{\Gamma(\alpha+k)}{\Gamma(k+1)\Gamma(\alpha)}\left ( \frac{\lambda}{\lambda+\alpha} \right )^{k} \left( \frac{\alpha}{\lambda+\alpha} \right )^{\alpha}, k=0,1,2,...; \alpha > 0, \lambda>0
$$
$$
E(Y)=\lambda
$$
$$
Var(Y)= \lambda+ \alpha^{-1} \lambda^2
$$
- Assim, para qualquer $\alpha>0$, temos $Var(Y)>\lambda$.
- A distribuição binomial negativa tem como caso limite distribuição Poisson, quando $\alpha \rightarrow \infty$.
## Propriedade
- A principal propriedade para a distribuição binomial negativa é que em um processo de contagem heterogêneo, em que $Y \sim Poisson( \theta)$ e $\theta$ tem distribuição $Gama(\alpha, \beta):$
$$
g\left ( \theta;\alpha,\beta \right )=\frac{\beta^{\alpha}}{\Gamma\left ( \alpha \right )}\theta^{\alpha-1}e^{-\beta \theta},\quad \alpha, \beta, \nu>0,
$$
com $E(\theta)=\theta=\alpha /\beta$ e variância $Var(\theta)=\alpha /\beta^2.$
- Como resultado, temos uma mistura Poisson-Gamma, resultando, marginalmente (em relação a $\theta$), na distribuição binomial negativa.
## Comparação Binomial Negativa x Poisson
```{r}
# Parâmetros das distribuições
size <- 6 # Parâmetro "size" da distribuição binomial negativa
prob <- 0.5 # Parâmetro "prob" da distribuição binomial negativa
lambda <- 5 # Parâmetro "lambda" da distribuição Poisson
# Valores possíveis para o eixo x
x_values <- 0:30
# Função para calcular as probabilidades da distribuição binomial negativa
negative_binomial_probs <- function(x, size, prob) {
choose(x + size - 1, x) * prob^x * (1 - prob)^size
}
# Cálculo das probabilidades das distribuições binomial negativa e Poisson
negative_binomial_probs <- negative_binomial_probs(x_values, size, prob)
poisson_probs <- dpois(x_values, lambda)
# Criação do data frame para o gráfico
data <- data.frame(x = rep(x_values, 2),
y = c(negative_binomial_probs, poisson_probs),
distribuicao = rep(c("Binomial Negativa", "Poisson"), each = length(x_values)))
# Plot do gráfico
ggplot(data, aes(x = as.factor(x), y = y, fill = distribuicao)) +
geom_bar(stat = "identity", position = "dodge") +
labs(x = "Valores", y = "Probabilidades", fill = "Distribuição") +
scale_fill_manual(values = c("lightblue4", "gray10")) +
ggtitle("Comparação da Distribuição Binomial Negativa e Poisson") +
theme_minimal()
```
## Regressão binomial Negativa
- O modelo de regressão com resposta binomial negativa pode ser especificado fazendo $E(y|\boldsymbol{x})=\exp(\boldsymbol{x'\beta}).$
- Para valores fixados de $\alpha$, a distribuição binomial negativa fica expressa na forma da família exponencial linear, contemplada pela teoria de MLG.
- A estimação dos parâmetros do modelo se dá numericamente, segundo um algoritmo em duas etapas, em que $\alpha$ e $\boldsymbol{\beta}$ são estimados condicionalmente até convergência.
# Gráfico da regresão da binomial negativa
```{r}
require(ggplot2)
# Gerar dados simulados
x <- seq(1, 10, length.out = 100)
size <- exp(0.5 + 0.2 * x)
prob <- 0.3
y <- rnbinom(length(x), size = size, prob = prob)
# Ajustar modelo de regressão binomial negativa
model <- MASS::glm.nb(y ~ x)
# Prever valores ajustados
predicted <- predict(model, type = "response", se.fit = TRUE)
# Criar data frame com os valores
data <- data.frame(x = x, y = predicted$fit, ymin = predicted$fit - 1.96 * predicted$se.fit,
ymax = predicted$fit + 1.96 * predicted$se.fit)
# Obter os coeficientes estimados
intercept <- coef(model)[1]
slope <- coef(model)[2]
# Função para formatar a fórmula estimada da reta
format_formula <- function(intercept, slope) {
paste0("y = NegBin(", round(intercept, 2), " + ", round(slope, 2), "x)")
}
# Plot do gráfico
ggplot2::ggplot() +
geom_ribbon(data = data, aes(x = x, ymin = ymin, ymax = ymax), fill = "lightblue", alpha = 0.5) +
geom_line(data = data, aes(x = x, y = y), color = "lightblue3", size = 1) +
geom_point(data = data.frame(x, y), aes(x = x, y = y), color = "gray10", size = 2) +
geom_text(x = 1, y = max(predicted$fit), label = format_formula(intercept, slope), hjust = 0, vjust = 1) +
labs(x = "Variável X", y = "Contagem Y", title = "Regressão Binomial Negativa") +
theme_minimal()
```
# Estimativas
As estimativas para $\beta$ e $\phi$ podem ser obtidas pelo algoritmo de
mínimos quadrados ponderados:
$$
\beta^{(m+1)} = (X^T W^{(m)}X)^{-1}X^TW^{(m)}y^{*(m)} \\
\phi^{(m+1)}=\phi^{(m)}-\left( \dfrac{U_\phi^{(m)}}{L_\phi^{(m)}} \right)
$$
# Estimativas
Para m = 1,2,..., em que :
$$
y^{*} = X\beta+F^{-1}(y-\mu) \\
L_{\phi} = \sum_{i=1}^n\left(\psi'(\phi+y_i)+\dfrac{y_i-2\mu_i-\phi}{(\phi-\mu_i)^2}\right) + n\phi^{-1}(1-\phi\psi'(\phi))
$$
Onde o algoritmo de estimação para $\beta$ e $\phi$ são simultâneos,
onde :
$w_i = \dfrac{1}{(\mu_i+\mu_i^2\phi^{-1})}(\dfrac{d\mu_i}{dn_i})$ e
$f_i=\dfrac{d \mu_i}{dn_i}$
# O que é ser Inflacionda de *zeros* ?
## Excessos de zeros
- Casos em que a proporção de valores nulos na amostra é superior
àquela estimada por um modelo de contagem. No caso Poisson
$e^{-\lambda}$
- Geralmente contagens com um número excessivo de valores nulos
apresentam superdispersão (ocasionada pelo excesso de zeros).
- Os modelos mais flexíveis abordados não capturam esse excesso de
zeros e não se ajustam adequadamente.
## Excessos de zeros
```{r}
psi <- 0.2 # Parâmetro "psi" da distribuição Zero-Inflated Poisson
# Valores possíveis para o eixo x
x_values <- 0:30
# Cálculo das probabilidades da Zero-Inflated Poisson
zip_probs <- ifelse(x_values == 0, psi + (1 - psi) * dpois(x_values, lambda), (1 - psi) * dpois(x_values, lambda))
# Criação do data frame para o gráfico
data <- data.frame(x = rep(x_values, 3),
y = zip_probs,
distribuicao = rep("Zero-Inflated Poisson"), each = length(x_values))
# Plot do gráfico
ggplot(data, aes(x = as.factor(x), y = y, fill = distribuicao)) +
geom_bar(stat = "identity", position = "dodge") +
labs(x = "Valores", y = "Probabilidades", fill = "Distribuição") +
scale_fill_manual(values = "lightblue4") +
ggtitle("Gráfico da Zero-Inflated Poisson") +
theme_minimal()
```
## Causas desses zeros
- Uma limitação das abordagens estudadas é que as contagens nulas e não nulas são provenientes do mesmo processo gerador dos dados.
- Para dados com excesso de zeros, é razoável a suposição da haver mais de um processo gerador atuando na geração dos dados.
- Assim a ocorrência de valores nulos podem ser caracterizada
como:
- *zeros amostrais*: Ocorrem segundo um processo gerador
de contagens (e.g Processo Poisson).
- *zeros estruturais*: Ausência de determinada característica da população.
*Exemplo*: Um estudo que visa avaliar a quantidade de produtos comprados em um mercado por uma família na última semana. A variável de interesse é o número de itens comprados.
- zeros estruturais: Se a família não foi ao mercado na última semana. Inevitavelmente o número de produtos será 0.
- zeros amostrais: A família foi ao mercado, porém não adquiriu nenhum produto.
# Como modelar esses zeros ?
## Modelagem para contagens com excesso de zeros
Como há dois processos que geram os valores da população, na modelagem
deve-se considerar ambos. As principais abordagens nestes casos são via:
- *Modelos de barreira* (Hurdle Models): que desconsidera os zeros amostrais e modela os zeros estruturais e as contagens positivas.
- *Modelos de mistura* (Zero Inflated Models): que modela os zeros (estruturais e amostrais) em conjunto com as contagens positivas .
# Modelo Zero Inflated
## O que é esse modelo ?
É um modelo que considera uma mistura de modelos,ou seja, seria um modelo sem restrições ou trucamentos e outros com restrições à direita do ponto $y$ igual a um.Além disso, os zeros são caracterizados em amostrais e estruturais.
### Definições
- Distribuição de Probabilidade
$$
Pr(Y=y) = \begin{cases} f_z(0) + 1(-f_z(0))f_c(Y=y) ,&\ se \ y =0 \\
(1-f_z(0))f_c(Y=y) ,& \ se \ y > \ 0 \end{cases}
$$
# Momentos
- Média
$$
E(Y) = 1-f_z(0)E(Y^*)
$$
- Variância
$$
Var(Y) = 1-f_z(0)E(Y^*) [E(Y^{*^2})-(1-f_z(0)E^2(Y^*))]
$$
# Distribuição zero Inflated
- Temos um modelo de mistura Y com duas funções($f_Z \ e \ f_c$)
- $f_z$ é um função de probabilidade com muitos valores no ponto zero, ou seja, degenerada no ponto y igual a zero.
- $f_c$ é uma função pde probabilidades para dados de contagem.
*obs:* Mesmo assim $f_c$ pode apresntar sub,superdispersão ou excesso de valores em outro ponto.
# Comparação da Poisson,binomial e Zero Inflated
```{r}
# Função para calcular as probabilidades da distribuição binomial negativa
negative_binomial_probs <- function(x, size, prob) {
choose(x + size - 1, x) * prob^x * (1 - prob)^size
}
# Parâmetros das distribuições
size <- 6 # Parâmetro "size" da distribuição binomial negativa
prob <- 0.5 # Parâmetro "prob" da distribuição binomial negativa
lambda <- 5 # Parâmetro "lambda" da distribuição Poisson
psi <- 0.2 # Parâmetro "psi" da distribuição Zero-Inflated Poisson
# Valores possíveis para o eixo x
x_values <- 0:30
# Cálculo das probabilidades das distribuições binomial negativa, Poisson e Zero-Inflated Poisson
negative_binomial_probs <- negative_binomial_probs(x_values, size, prob)
poisson_probs <- dpois(x_values, lambda)
zip_probs <- ifelse(x_values == 0, psi + (1 - psi) * dpois(x_values, lambda), (1 - psi) * dpois(x_values, lambda))
# Criação do data frame para o gráfico
data <- data.frame(x = rep(x_values, 3),
y = c(negative_binomial_probs, poisson_probs, zip_probs),
distribuicao = rep(c("Binomial Negativa", "Poisson", "Zero-Inflated Poisson"), each = length(x_values)))
# Plot do gráfico
ggplot(data, aes(x = as.factor(x), y = y, fill = distribuicao)) +
geom_bar(stat = "identity", position = "dodge") +
labs(x = "Valores", y = "Probabilidades", fill = "Distribuição") +
scale_fill_manual(values = c("purple4" , "black","lightblue4")) +
ggtitle("Comparação de Distribuições Binomial Negativa, Poisson e Zero-Inflated Poisson") +
theme_minimal()
```
# Modelo Zero Inflated
Consideram uma mistura de modelos;
- Os zeros agora são caracterizados em amostrais e estruturais;
- Há contribuição para estimação da probabilidade em zero de duas funções de probabilidade;
- São chamados de modelos de mistura ou inflacionados de zero (Z I);
- Esta abordagem “mistura“ um modelo de contagem sem restrição e um modelo censurado à
direita no ponto y = 1.
# Modelo Zero Inflated
Distribuição de Probabilidade:
$$
Pr(Y = y) =
\begin{cases}
f_z(0) + (1-f_z(0))f_c(Y=y) & \text{se } y = 0,\\
(1 - f_z(0)) f_c(Y = y) & \text{se } y = 1, 2, \dots
\end{cases}
$$
Média e Variância :
$$
\begin{cases}
E(Y) = (1-f_z(0)E(Y^*)\\
V(Y) = (1-f_z(0)E(Y^*)[ E({Y^*}^2) - (1- f_z(0)E^2(Y^*)]
\end{cases}
$$
# Misturas mais comuns
Pode-se propor diferentes distribuições para $f_z$ e $f_c$. Uma
escolha natural para $f_z$ é a Bernoulli e para $f_c$ a Poisson. Assim
$$
\begin{align}
&f_z \sim Bernoulli(\pi) \\
&f_c \sim Poisson(\lambda)
\end{align}
$$
Sendo ,
$$
P(Y = y) = \begin{cases}
(1 - \pi) + \pi e^{-\lambda} & \text{se } y = 0,\\
\pi \left ( \frac{e^{-\lambda} \lambda^y}{y!} \right ) &
\text{se } y = 1, 2, \dots
\end{cases}
$$
Embora essa escolha de modelo seja o que tem o maior suporte
computacional, ressalta-se que outras distribuições podem ser escolhidas
para ambas as partes $f_z$ e $f_c$.
# Fazendo Regressões com essa misturas.
- Incorporando covariáveis em $f_z$ e $f_c$ na forma $h(Z\gamma)$ e $g(X\beta)$, respectivamente.
- As funções $h(.)$ e $g(.)$, são as funções de ligação escolhidas conforme modelos $f_z$ e $f_c$.
- O modelo de regressão {\it Hurdle} terá, portanto, os vetores de parâmetros $\beta$, $\gamma$ e potencialmente $\phi$ (caso um modelo com parâmetro de dispersão for considerado)
- Como agora são modelos misturados a comparação entre $\beta$ e $\gamma$ não tem a mesma interpretabilidade.
- Para comparação de modelos tradicionais contra os modelos de mistura, o teste de Vuong para modelos não aninhados pode ser aplicado.
# Funções de Verossimilhaça para Zero Inflated
## Função de verossimilhança
$$
\begin{align*}
L(\underline{\theta}; &\underline{y}) =
\prod_{i=1}^n \textbf{1}^* \left ( (1-f_{z_i}(0)) f_{c_i}(y_i)
\right ) \cdot \\
&\prod_{i=1}^n (1-\textbf{1}^*) \left ( f_{z_i}(0) +
(1-f_{z_i}(0))f_{c_i}(0)
\right )
\end{align*}
$$
Sendo $\textbf{1}^*$ a função indicadora que assume o valor 1 se $y > 0$ e
0 se $y = 0$ e $\underline{\theta}$ o vetor de parâmetros do modelo (
$\beta$, $\gamma$ e $\phi$, se houver).
## Função de log-verossimilhança
$$
\begin{align*}
l(\underline{\theta}; &\underline{y}) = \sum_{i = 1}^n
\textbf{1}^* \left ( \log( 1-f_{z_i}(0)) + \log(f_{c_i})
\right ) + \\
&\sum_{i = 1}^n (1-\textbf{1}^*) \left ( \log(f_{z_i}(0) +
(1-f_{z_i}(0))f_{c_i}(0)) \right )
\end{align*}
$$
Sendo $\textbf{1}^*$ a função indicadora que assume o valor 1 se $y > 0$ e
0 se $y = 0$ e $\underline{\theta}$ o vetor de parâmetros do modelo (
$\beta$, $\gamma$ e $\phi$, se houver).
# No R!
# Modelos Zero Inflated no R
Temos o pacote pscl (Political Science Computational Laboratory, Stanford University) e o pacote VGAM(Vector Generalized Linear and Additive Models).
```{}
library(pscl)
zeroinfl(y ~ fc_preditor | fz_preditor, dist = "poisson", link = "logit")
zeroinfl(y ~ fc_preditor | fz_preditor, dist = "negbin", link = "logit")
```
# Exemplo no R!
Temos a base *bioChemists* que temos uma amostra de 915 bioquímicos graduados.
```{r}
dados <- pscl::bioChemists
```
Sendo:
- art: O número de artigos producidos nos últimos 3 anos de Doutorado
- fem: Gênero do estudande
- mar: Estado cívil
- kid5: Se tem filhos até 5 anos
- phd: prestígio do departamento de doutoramento
- ment: Artigos produzidos por orientador de doutorado nos últimos 3 anos
# Outros Modelos
- Modelos de Barreira Hurdle
- Modelo Poisson-Generalizada
- Modelo COM-Poisson
- Modelo Gamma-count
- Modelos de Efeito Aleatório
# Referências
- Paula, G. A. (2013). Modelos de regressão com apoio computacional. IME-USP, São Paulo.
- Winkelmann, R. (2008). Econometric analysis of count data (5th Ed.). Springer Science & Business Media.
- CONSUL, P. C
Generalized Poisson Distributions: Properties and Applications. Statistics: Textbooks and Monographs,
New York: Marcel Dekker Inc. 1989.
- Long, J. Scott. 1990. The origins of sex differences in science. Social Forces. 68(3):1297-1316.
- Long, J. Scott. 1997. Regression Models for Categorical and Limited Dependent Variables. Thousand Oaks, California: Sage.
# Agora vamos para o R.