#------------------------------------------------------------# # Para rodar este programa deixe no objeto fit.model a # saída do ajuste do modelo de quase-verossimilhança. # Deixe os dados disponíveis através do comando # attach(...). Depois use o comando source(...) no S-Plus ou R # para executar o programa. A sequência de comandos é a # seguinte: # # > fit.model <- ajuste # > attach(dados) # > source("diag_quase") # # A saída terá dois gráficos: de pontos influentes e # de resíduo de Pearson. Para identificar os pontos # que mais se destacam usar o comando identify(...). # Se por exemplo se destacam três pontos no # plot(fitt(fit.model),h,...), após esse comando coloque # # > identify(fitted(fit.model),h,n=3) # # O mesmo pode ser feito no outro gráfico. No gráfico de # resíduos foram colocados os limites ylim=c(a-1,b+1), em que # a é o menor valor e b o maior valor para o resíduo. #------------------------------------------------------------# par(mfrow=c(1,2)) X <- model.matrix(fit.model) n <- nrow(X) p <- ncol(X) w <- fit.model$weights W <- diag(w) H <- solve(t(X)%*%W%*%X) H <- sqrt(W)%*%X%*%H%*%t(X)%*%sqrt(W) h <- diag(H) sigma2 <- summary(fit.model)$dispersion ts <- resid(fit.model,type="pearson")/sqrt(sigma2) di <- (h/((1-h)*2))*(ts^2) a <- min(td) b <- max(td) # plot(di,xlab="Indice", ylab="Distancia de Cook", pch=16) #identify(di, n=2) # plot(predict(fit.model), ts,xlab="Preditor Linear", ylab="Residuo de Pearson", ylim=c(a-1,b+1), pch=16) abline(2,0,lty=2) abline(-2,0,lty=2) #identify(fitted(fit.model), ts, n=1) #------------------------------------------------------------#