Rsampling - Estatística baseada em permutação no R
implementado em Shiny
A Galinha Esférica foi criada por Luisa Novara e pode ser utilizada sob a licença CC3-by.
Rsampling é uma pacote gratuito e de código aberto desenvolvido com o objetivo de ajudar no aprendizado de métodos estatísticos baseados em permutação. O pacote foi baseado no programa Resampling Stats.
Podemos pensar na lógica por trás de um teste de significância da seguinte forma:
- Escolha a sua estatística de interesse
- Determine qual é a sua hipótese nula
- Obtenha a distribuição da estatísica de interesse sob a hipótese nula
- Rejeite a hipótese nula se a probabilidade da estatística de interesse observada for menor do que um certo limiar
A ideia por trás deste pacote é auxiliar na compreensão desta lógica, com grande flexibilidade de estatísticas que podem ser calculadas.
Rsampling e sua interface gráfica foram escritos por Andre Chalom, Alexandre Adalardo, Ayana Martins e Paulo Prado.
Visite nossa página de projeto e a página da biblioteca Rsampling no github, para aprender mais sobre o projeto e enviar sugestões ou reportar bugs.
Rsampling e Rsampling-shiny têm os poderes da Galinha Esférica.
Versão do Rsampling
Você já tem a versão correta do Rsampling instalada :)
Sua versão da biblioteca Rsampling parece ser incompatível com esta versão da interface. Por favor baixe a versão mais recente da biblioteca aqui e então recarregue esta interface
Árvores de Mangue e estabilidade do solo
Pergunta
Árvores de manguezal em solos mais instáveis alocam mais biomassa para raízes de suporte?
Hipótese
Árvores localizadas em solos menos estáveis terão mais biomassa nas raízes
Estatística de Interesse
Diferença média entre tipos de solo
Cada vez que um novo conjunto de dados é gerado, a estatística de interesse é recalculada e adicionado ao histograma. A estatística calculada sobre os dados originais é mostrada como uma linha pontilhada vermelha. A hipótese nula deve ser rejeitada? Execute este exercício nas próximas abas para descobrir!
Sobre este conjunto de dados (rhyzophora)
Área coberta pelas raízes aéreas em arvores de mangue amostradas em dois tipos de solo
Aqui a coluna esquerda dos dados originais foi aleatorizada. A diferença média entre os tipos de solo foi calculada para este conjunto de dados aleatorizados e é mostrada no plot acima. Clique no botão para gerar um novo conjunto de dados
Fonte:
Prado, A. et al. 2013. Variações na morfologia de sustentação em
Rhizophora mangle
(Rizophoraceae) em diferentes condições de inundação do solo. Curso de campo Ecologia da Mata Atlântica (G. Machado, P.I. Prado & A.M.Z. Martini eds.). Universidade de São Paulo, São Paulo.
Download pdf!
Manguezais e torque
Pergunta
O torque causado pelo peso da copa resulta em Árvores de mangue com raízes
O que é o torque de novo? Reveja este conceito em WikipediaHipótese
Quanto maior o torque causado pela copa, mais raizes terá a árvore
Estatística de Interesse
Inclinação da regressão entre o número de raízes e a razão entre Área do copa e do tronco
Cada vez que um novo conjunto de dados é gerado, a estatística de interesse é recalculada e adicionado ao histograma. A estatística calculada sobre os dados originais é mostrada como uma linha pontilhada vermelha. A hipótese nula deve ser rejeitada? Execute este exercício nas próximas abas para descobrir!
Sobre este conjunto de dados (rhyzophora)
Proporção entre Área da copa e do tronco, ambas em metros quadrados, e número de raízes aéreas
Aqui a coluna esquerda dos dados originais foi aleatorizada. A diferença média entre os tipos de solo foi calculada para este conjunto de dados aleatorizados e é mostrada no plot acima. Clique no botão para gerar um novo conjunto de dados
Fonte:
Prado, A. et al. 2013. Variações na morfologia de sustentação em
Rhizophora mangle
(Rizophoraceae) em diferentes condições de inundação do solo. Curso de campo Ecologia da Mata Atlântica (G. Machado, P.I. Prado & A.M.Z. Martini eds.). Universidade de São Paulo, São Paulo.
Download pdf!
Formigas protetoras
Pergunta
Formigas respondem mais intensamente a dano em folhas mais jovens?
Hipótese
Dano nas folhas médias leva a menos formigas recrutadas quando comparado a dano nas folhas jovens
Estatística de Interesse
Diferença média entre tratamentos
Cada vez que um novo conjunto de dados é gerado, a estatística de interesse é recalculada e adicionado ao histograma. A estatística calculada sobre os dados originais é mostrada como uma linha pontilhada vermelha. A hipótese nula deve ser rejeitada? Execute este exercício nas próximas abas para descobrir!
Sobre este conjunto de dados (azteca)
As colônias de formigas vivem no tronco oco de Cecropia e podem detectar e expelir insetos comedores de folhas. Para testar se esta resposta é mais intensa em folhas jovens, gotas de extrato de folhas jovens e velhas esmagadas foram colocadas em duas folhas vizinhas da mesma planta. Após 7 minutos, o número de formigas Azteca recrutadas em cada folha foram registradas.
Aqui a segunda e terceira coluna dos dados originais foram aleatorizada dentro de cada linha. A diferença média entre os tratamentos é calculada e mostrada no plot acima. Clique no botão para gerar um novo conjunto de dados randomizados
Fonte:
Kondrat, H. 2012. Estímulos químicos de folhas novas promovem recrutamento eficiente de formigas associadas à embaúba Cecropia glaziovi (Urticaceae). Curso de campo Ecologia da Mata Atlântica (G. Machado; P.I. Prado & A.M.Z. Martini, eds.). Universidade de São Paulo, São Paulo
Download pdf!
Use esta aba para selecionar os dados de entrada para sua análise. As primeiras opções são conjuntos de dados incluídos na biblioteca, selecione a opção 'upload file' para enviar seu próprio arquivo.
Assegure-se de que os dados sejam interpretados corretamente na tabela abaixo
Depois, nós precisamos determinar qual é a função (isto é, a estatística) que será aplicada aos dados. Use uma das estatísticas preselecionadas ou escreva a sua própria
Você pode escrever a função em R que você quiser para calcular qualquer estatística sobre seus dados! Os dados vão ser passados para esta função com o (desinteressante) nome de 'dataframe'. A última linha no seu código precisa retornar um único número, representando a estatística de interesse. Alguns exemplos do que você pode fazer:
Soma da coluna 1:
sum(dataframe[, 1])
Média da linha 3:
mean(dataframe[3, ])
Coeficiente de correlação entre as colunas 1 e 2:
cor(dataframe[,1], dataframe[,2])
Soma dos resíduos quadrados de um modelo linear:
my.lm <- lm(dataframe[,5] ~ dataframe[,4])
my.r <- residuals(my.lm)
sum(my.r^2)
Diferenças na inclinação das regressões lineares aplicadas a diferentes níveis de um fator:
m1 <- lm(n.roots ~ canopy.trunk, data=dataframe, subset=soil.instability=="medium")
m2 <- lm(n.roots ~ canopy.trunk, data=dataframe, subset=soil.instability=="high")
coef(m1)[[2]] - coef(m2)[[2]]
Esta função calcula o intercepto de uma análise de correlação linear entre duas colunas, y~ax+b. Aqui x é a variável independente, e y é a variável dependente
Esta função calcula a inclinação de uma análise de correlação linear entr duas colunas, y ~x+b. Aqui Y é a variável independente e x é a variável dependente
Esta função calcula o coeficiente de correlação entre duas colunas
Esta função calcula calcula a média de uma única coluna de dados
Esta função calcula o desvio padrão de uma única coluna de dados
Esta função calcula a soma de todos os valores em uma linha, e então calcula a média destes valores.
Esta função calcula a soma de todos os valores em uma coluna, e então calcula a média destes valores.
Esta função divide os dados de acordo com uma variável categórica. Então ela calcula a média para cada grupo, e subtrai um do outro. Note que isto é projetado para funcionar com somente
DUAS
categorias!
A função de razão de variância divide os dados de acordo com uma variável categórica. Então ela calcula a razão entre as variâncias entre-grupos e dentro-de-grupos (F). Grandes diferenças entre as médias de pelo menos dois grupos levam a valores maiores de F
Esta função calcula a diferença par a par entre duas colunas em seu conjunto de dados(isto é, antes e depois de um tratamento ser aplicado). Ela então tira a média das duas diferenças
Essa função divide o conjunto de dados em dois grupos, de acordo com a Variável Categórica. Então ela ajusta um modelo linear diferente para cada grupo, e retorna a diferença entre as inclinações de cada modelo.
Essa função ajusta dois modelos lineares sobre o conjunto de dados, com a mesma inclinação mas permitindo diferentes interceptos para cada grupo (conforme indicado pela Variável Categórica). Ela retorna a diferença entre esses interceptos
O gráfico acima mostra a distribuição de sua estatística selecionada após randomização repetida a partir dos seus dados. As colunas em laranja do histograma (se houver alguma) representam aquelas simulações nas quais a estatística tinha um valor que era
igual a ou mais extremo que
a estatística calculada para seus dados originais (representada pela linha pontilhada vermelha). A área cinza delimita os valores da estatísticasob os quais a hipótese nula deve ser aceita com 5% de chance de erro. A proporção de simulações com estatísticas mais extremas que o observado (valor de p) é