--- title: "Introduccion a GREENREG" output: rmarkdown::html_vignette vignette: > %\VignetteIndexEntry{Introduccion a GREENREG} %\VignetteEngine{knitr::rmarkdown} %\VignetteEncoding{UTF-8} --- ```{r, include = FALSE} knitr::opts_chunk$set( collapse = TRUE, comment = "#>", fig.width = 7, fig.height = 5 ) ``` ## Que es GREENREG **GREENREG** es un paquete pensado para facilitar el ajuste, la validacion de supuestos y la interpretacion de modelos estadisticos comunes en ciencias agropecuarias y ambientales, sin tener que escribir a mano las pruebas de diagnostico cada vez. Incluye funciones para: - Regresion Lineal Simple (`greenreg_rls()`) y Multiple (`greenreg_rlm()`) - Regresion Logistica (`greenreg_logistico()`) y de Poisson (`greenreg_reg_poisson()`) - Modelos de series de tiempo: AR, MA, ARMA y ARIMA (`greenreg_modelo_ar()`, `greenreg_modelo_ma()`, `greenreg_modelo_arma()`, `greenreg_modelo_arima()`) - `greenreg_analisis_datos()`, que sugiere que modelo usar segun el tipo de la variable respuesta ```{r setup} library(GREENREG) ``` ## Regresion Lineal Multiple El flujo tipico es: ajustar el modelo, imprimirlo (para leer coeficientes, VIF y el veredicto de los supuestos) y graficarlo (para inspeccionar los diagnosticos visualmente). ```{r} data(datos_rendimiento_maiz) modelo <- greenreg_rlm(rendimiento_maiz_ton_ha ~ ., data = datos_rendimiento_maiz) modelo ``` `print()` reporta, en orden: los coeficientes con sus intervalos de confianza, el Factor de Inflacion de la Varianza (VIF) para detectar multicolinealidad, y una bateria de pruebas de supuestos (normalidad, homocedasticidad, independencia y linealidad) traducidas a un veredicto accionable. ```{r, fig.alt = "Diagnosticos graficos del modelo de regresion lineal multiple"} plot(modelo) ``` `plot()` genera una secuencia de graficas de diagnostico: distribucion de variables, relacion Y vs. cada predictor, ajuste observado-vs-predicho, QQ-plot de normalidad, homocedasticidad, independencia, VIF, distancia de Cook y apalancamiento (leverage). ## Regresion Logistica ```{r} data(datos_roya_cafe) modelo_log <- greenreg_logistico( presencia_roya ~ humedad_relativa_pct + altitud_msnm + manejo_sombra, data = datos_roya_cafe ) modelo_log ``` El resultado incluye los momios (Odds Ratio), la pseudo-R2 de McFadden, la matriz de confusion y el area bajo la curva ROC (AUC). ## Series de tiempo ```{r} data(datos_anomalia_temperatura) modelo_ts <- greenreg_modelo_ar(datos_anomalia_temperatura$anomalia_c, p = 2) modelo_ts ``` `greenreg_modelo_ar()` (y sus analogos `greenreg_modelo_ma()`, `greenreg_modelo_arma()`, `greenreg_modelo_arima()`) reportan la estabilidad del modelo (raices inversas dentro del circulo unitario), y el diagnostico de residuos mediante la prueba de Ljung-Box (ruido blanco) y Shapiro-Wilk (normalidad). ## Que modelo debo usar Cuando no es evidente que tipo de modelo conviene, `greenreg_analisis_datos()` inspecciona la variable respuesta y sugiere una opcion: ```{r} greenreg_analisis_datos(datos_rendimiento_maiz, "rendimiento_maiz_ton_ha") ``` ## Para saber mas Consulta la documentacion de cada funcion (por ejemplo, `?greenreg_rlm`) para el detalle de cada estadistico reportado y las referencias metodologicas (Montgomery et al., 2021; Box & Jenkins, 1970) en las que se basa el paquete.