Teste de bondade de ajuste e plot de quantis

A função testar_bondade_ajuste() realiza o teste de bondade de ajsute dos modelos de função de detecção. Para dados contínuos de distância, são utilizados os testes de Kolmogorov-Smrinov a Cramer-von Mises. Quando os dados de distância estão categorizados o teste $X^2$ pode ser usado.

@usage testar_bondade_ajuste( dados, plot = TRUE, chisq = FALSE, nboot = 100, ks = FALSE, nc = NULL, intervalos_distancia = NULL )

Usage

testar_bondade_ajuste(
  dados,
  plot = FALSE,
  chisq = FALSE,
  nboot = 100,
  ks = FALSE,
  nc = NULL,
  intervalos_distancia = NULL
)

Arguments

dados

recebe uma lista nomeada gerada pela função gerar_lista_modelos_selecionados() contendo os modelos de função de detecção

plot

lógico, se TRUE retorna o plot de quantis teóricos x empíricos para cada modelo

chisq

lógico, se TRUE retorna a estatística $X^2$ mesmo para modelos que usam dados contínuos de distância. Para dados de distância categorizados a estatística $X^2$ é automaticamente utilizada

nboot

número de réplicas usados para calcular os p-valores no teste de ajuste de bondade de Kolmogorov_Smirnov

ks

lógico, se TRUE realiza o teste de Kolmogorov-Smirnov (como envolve o uso de bootstrap pode levar mais tempo). Por configuração, ks = FALSE realizando o teste de Cramer-von Mises

nc

número de classes de distâncias igualmente espaçadas para o teste de quiquadrado quando chisq = TRUE

intervalos_distancia

vetor de pontos de corte utilizado para categorização das distâncias

Value

retorna uma lista contendo objetos da classe dsmodel

Examples

if (FALSE) { # \dontrun{
# gerar dados filtrados para a uma espécie e uma UC e transformar para o
# formato para a análise no pacote Distance
dados_dasy_croc_tap_arap <- filtrar_dados(
  dados = monitora_aves_masto_florestal,
  nome_ucs = "resex_tapajos_arapiuns",
  nome_sps = "dasyprocta_croconota",
  validacao_obs = "especie"
) |>
  transformar_dados_formato_Distance()

# ajustar modelos com funções chave diferentes
# modelo Half-normal
modelo_hn <- dados_dasy_croc_tap_arap |>
  ajustar_modelos_Distance(
    funcao_chave = "hn",
    truncamento = 15
  )

# modelo Hazard-rate
modelo_hr <- dados_dasy_croc_tap_arap |>
  ajustar_modelos_Distance(
    funcao_chave = "hr",
    truncamento = 15
  )

# modelo Uniform
modelo_unif <- dados_dasy_croc_tap_arap |>
  ajustar_modelos_Distance(
    funcao_chave = "unif",
    truncamento = 15
  )

# gerar a tabela de seleção com o resumo comparativo dos modelos
modelos_selecionados <- selecionar_funcao_deteccao_termo_ajuste(
  modelo_hn$`Sem termo`,
  modelo_hn$Cosseno,
  modelo_hn$`Hermite polinomial`,
  modelo_hr$`Sem termo`,
  modelo_hr$Cosseno,
  modelo_hr$`Polinomial simples`,
  modelo_unif$Cosseno,
  modelo_unif$`Polinomial simples`
)

# gerar uma lista com os modelos selecionados ordenados do melhor para o pior modelo
lista_modelos_selecionados <- gerar_lista_modelos_selecionados(
modelo_hr$`Sem termo`,
modelo_hn$Cosseno,
modelo_unif$Cosseno,
modelo_unif$`Polinomial simples`,
modelo_hn$`Sem termo`,
nome_modelos_selecionados = selecao_funcao_deteccao_termo_ajuste
)

# teste de bondade de ajuste dos modelos e Q-Q plots
bondade_ajuste <- testar_bondade_ajuste(
  lista_modelos_selecionados,
  plot = TRUE,
  chisq = TRUE,
  intervalos_distancia =  NULL
)

bondade_ajuste
} # }