Aplicação do modelo
5.1 Protective Action Decision Model (PADM)
OProtective Action Decision Model(PADM) é um modelo teórico de demografia e psi-cologia que tenta descrever a intenção de adoção de medidas protetivas contra catástrofes naturais (Lindell e Perry, 2012). Segundo o PADM, a intenção de adoção de uma medida protetiva específica está relacionada com duas variáveis latentes: a percepção individual de efetividade da medida (chamaremos de Effect) e a percepção individual de custo de oportunidade da medida (denotaremos por OpptCost).
Tais variáveis latentes podem ser medidas por determinados atributos relacionados com cada constructo. Para medir a Effect, os atributos são: efetividade na proteção do pa-trimônio (Efpt), efetividade na proteção das pessoas (Efpp), utilidade para outros propósitos (Uop). Para medir a OpptCost, os atributos utilizados são: Custo monetário (Cost), tempo empregado na implementação da medida (Time), habilidade necessária para implementar a medida (Hab), grau de cooperação com outras pessoas necessário para implementar a medida (Coop).
Em resumo, cada teste é exclusivo para uma medida protetiva, de modo que temos 6 testes para avaliar a efetividade (um para cada medida protetiva) e 6 testes para avaliar o custo de oportunidade.
Usaremos dados coletados no Brasil que seguem o PADM para o caso de enchentes. A pesquisa foi realizada no ano de 2016 em Governador Valadares, Minas Gerais. Os dados foram coletados como parte do projeto “Demografia da Exceção: Intenções Reprodutivas e Migração em um contexto de Zika Vírus e Desastres Socioambientais”, coordenado pelo professor Dr. Gilvan Guedes, financiado pela FAPEMIG (APQ-00244-12, CSA-PPM-00305-14, e CSA-APQ-01553-16), CNPq (4837/2012-7, 472252/2014-3, 431872/2016-3, e 314392/2018-1), e Rede Clima (FINEP/ Rede CLIMA 01.13.0353-00). O projeto foi aprovado pelo Comitê de Ética em Pesquisa da Universidade Federal de Minas Gerais (Protocolo
42
5 | APLICAÇÃO DO MODELO
CAAE 12650413.0.0000.5149). Os dados da pesquisa já foram analisados em outros contextos em (Araújoet al., 2020;Guedeset al., 2019), aonde é possível encontrar mais detalhes sobre os dados.
Cada indivíduo (𝑛 = 1147) respondeu o teste com os atributos de OpptCost e Effect para seis medidas protetivas distintas: Kit de emergência (Kit), seguro contra enchente (Insur), barreiras de proteção contra enchentes (Sandbag), lista com procedimentos de segurança (List), se organizar com parentes e amigos (Family) e, por fim, estudar ou buscar informação sobre o que fazer em casos de alagamentos (Info).
As respostas foram coletadas na escala Likert (indo de 1 à 5), sendo 1 o grau mais baixo relativo ao que o atributo procurava captar e o 5 o grau mais alto. Com objetivo de simplificar a modelagem e lidar apenas com modelos dicotômicos, foi necessário binarizar os itens, aplicando a seguinte transformação:
𝑈𝑖𝑗𝑡 = 𝐼 (𝑋𝑖𝑗𝑡 ≥ 4), 𝑖 = 1, … , 𝑛; 𝑗 = 1, … , 𝐽 ; 𝑡 = 1, … , 𝑇 ,
aonde𝑋𝑖𝑗𝑡 é a resposta na escalaLikertdo indivíduo𝑖para o item𝑗e teste (medida protetiva) 𝑡. Temos 6 testes, um para cada medida protetiva, com 3 itens para o caso da Effect, com uma estimativa de Effect para cada teste; 6 testes com 5 itens para o caso do OppoCost, com uma estimativa de percepção de custo de oportunidade para cada medida protetiva.
Ajustamos o modelo proposto (MULDM), o modelo multi-unidimensional com a distri-buiçãoa prioriLKJ para a matriz de correlação (que chamaremos MULKJ ou apenas LKJ) e o modelo em que a correlaçãoa priorientre as habilidades é considera nula a priori (MUInd), ou seja, Σ ∼ 𝑁𝑇(𝟎𝑇, 𝐈𝑇). Em todos os casos foram consideradas 3 cadeias de tamanho 4000 com um warm-up de tamanho 3000, com a amostra a posterior final contendo 3000 valores.
Na tabela 5.1 temos uma estimativa de𝜙 (medianaa posteriori), o desvio padrão e intervalo HPD de 95% para os conjuntos de testes relacionados com a Effect e OppoCost.
Nota-se que os valores não diferem muito, indicando uma estrutura geral de correlação não muito discrepante. Um valor de𝜙 = 2.37 leva uma uma esperança marginal para a correlação de valor 0.49, enquanto que para𝜙 = 2.91, temos uma esperança de valor 0.57.
Observando o correlograma na Figura5.5, vemos uma tendência de correlações um pouco maiores para o caso do OpptCost.
Test group Mediana Desvio padrão LI UI
Effect 2.37 0.56 1.30 3.46
OpptCost 2.91 0.67 1.74 4.30
Tabela 5.1:Mediana, desvio padrão e intervalo de credibilidade de 95% a posteriori para𝜙, dados do PADM.
Na Figura5.1temos o gráfico de densidade para a amostraa posterioride𝜙. Nota-se uma maior dispersão para o𝜙relacionado com o custo de oportunidade, com maior desvio padrão a posteriori e HDP mais largo. As distribuições não são muito distintas, mas o
5.1 | PROTECTIVE ACTION DECISION MODEL (PADM)
OpptCost aparenta ter um 𝜙 mais elevado, em que 𝑃 (𝜙OpptCost > 𝜙Effect ∣ 𝐱) tem valor estimado igual a 0.74.
Figura 5.1:Aproximação da densidade a posteriori de𝜙para os grupos de testes do PADM.
Na Tabela5.2temos as distâncias latentes estimadas para cada para de medidas pro-tetivas para os respectivos fatores do PADM. Nota-se que o padrão de distância entre as medidas protetivas não difere muito entre os fatores, indicando que a relação entre as medidas é consistente ao mudarmos o conceito que está sendo avaliado (Effect e OpptCost).
Isso é mais evidente ao olharmos diretamente para a matriz de distância na Figura5.4, com as medidas SandBag e Insur um pouco mais distantes das demais.
Medidas OpptCost Effect
CoopFF-Insur 2.38 (1.36, 3.44) 2.36 (1.42, 3.60) CoopFF-Sandbag 2.83 (1.62, 4.08) 2.95 (1.62, 4.31) Info-CoopFF 0.51 (0.27, 0.82) 0.53 (0.27, 0.83) Info-Insur 2.70 (1.55, 3.89) 2.41 (1.36, 3.57) Info-Plan 0.64 (0.34, 0.96) 0.53 (0.28, 0.82) Info-Sandbag 3.00 (1.67, 4.28) 2.65 (1.46, 3.88) Kit-CoopFF 1.33 (0.77, 1.96) 1.84 (1.03, 2.75) Kit-Info 1.20 (0.68, 1.83) 1.41 (0.79, 2.16) Kit-Insur 2.06 (1.15, 3.06) 2.10 (1.10, 3.14) Kit-Plan 0.94 (0.53, 1.41) 1.28 (0.68, 1.91) Kit-Sandbag 2.04 (1.18, 3.03) 1.42 (0.79, 2.17) Plan-CoopFF 0.44 (0.22, 0.67) 0.64 (0.35, 1.00) Plan-Insur 2.08 (1.15, 2.99) 1.90 (1.07, 2.81) Plan-Sandbag 2.44 (1.35, 3.50) 2.31 (1.27, 3.39) Sandbag-Insur 0.99 (0.55, 1.51) 1.76 (0.94, 2.63)
Tabela 5.2:Mediana a posteriori com HPD de 95% da distância latente entre as medidas protetivas para os fatores do PADM
44
5 | APLICAÇÃO DO MODELO
Analisando as coordenadas latentes de ambos os grupos de testes na Figura5.2, que foram colocados sobre a mesma escala usandoProcrustes matching2.8, vemos que a relação espacial entre as medidas protetivas são parecidas, como esperado, dado a configuração da matriz de distância. Nota-se que as medidas Info, Plan and CoopFF são bem próximas tanto nos conceitos de efetividade quanto no custo de oportunidade. O mesmo para o Sandbag e Insur, que aparecem um pouco mais distantes e próximos entre si. O Kit de emergência aparenta ser a única medida a mudar um pouco o comportamento, estando mais próximos das medidas mais baratas, quando avaliamos o OpptCost, mas um pouco mais distante do Info, Plan e CoopFF quando avaliamos a efetividade.
Figura 5.2:Coordenadas latentes dos testes para cada grupo de fatores do PADM.
Ao agruparmos as medidas protetivas usando Ward como função de ligação, fica claro a mudança de comportamento do Kit. Para o OpptCost, o Kit ficou mais relacionado com as medidas um pouco mais baratas, mas ao analisarmos a efetividade, ficou mais próximo de medidas mais caras (Insur e SandBag).
Figura 5.3:Clusterização das medidas protetivas para cada grupo de fatores do PADM.
Comparando as correlações estimadas para os modelo proposto (MULDM) com a distribuiçãoa priorinão estruturada para a matriz de correlação (MULKJ) e modelo inde-pendente (MUInd), vemos que as estimativas sob o modelo Ind diferem bastante das dos modelo MULDM e LKJ, em que o primeiro caso apresenta correlações bem mais baixas. O modelo comprioriLKJ e MULDM tendem a concordar, com valores bem similares para as correlações, isso tanto para o OpptCost, quanto para a Effect.
5.1 | PROTECTIVE ACTION DECISION MODEL (PADM)
Figura 5.4:Mediana a posteriori da distância latente entre as medidas protetivas para cada grupo de fatores.
Medidas MUInd MULKJ MULDM
CoopFF-Insur 0.14 (0.10, 0.19) 0.37 (0.31, 0.44) 0.37 (0.31, 0.43) CoopFF-Sandbag 0.11 (0.07, 0.16) 0.32 (0.25, 0.39) 0.30 (0.25, 0.35) Info-CoopFF 0.35 (0.31, 0.39) 0.81 (0.76, 0.85) 0.80 (0.76, 0.85) Info-Insur 0.14 (0.10, 0.18) 0.34 (0.29, 0.41) 0.36 (0.31, 0.41) Info-Plan 0.36 (0.32, 0.40) 0.80 (0.75, 0.84) 0.80 (0.76, 0.84) Info-Sandbag 0.13 (0.09, 0.17) 0.35 (0.28, 0.41) 0.34 (0.29, 0.39) Kit-CoopFF 0.14 (0.09, 0.18) 0.39 (0.32, 0.46) 0.45 (0.41, 0.51) Kit-Info 0.23 (0.18, 0.27) 0.57 (0.50, 0.62) 0.55 (0.49, 0.61) Kit-Insur 0.16 (0.12, 0.20) 0.42 (0.36, 0.49) 0.42 (0.35, 0.48) Kit-Plan 0.25 (0.21, 0.29) 0.58 (0.53, 0.64) 0.58 (0.53, 0.63) Kit-Sandbag 0.23 (0.19, 0.27) 0.54 (0.48, 0.60) 0.55 (0.49, 0.61) Plan-CoopFF 0.32 (0.28, 0.36) 0.76 (0.71, 0.81) 0.76 (0.72, 0.81) Plan-Insur 0.18 (0.14, 0.22) 0.44 (0.38, 0.50) 0.45 (0.40, 0.50) Plan-Sandbag 0.16 (0.11, 0.20) 0.38 (0.31, 0.44) 0.38 (0.33, 0.43) Sandbag-Insur 0.18 (0.14, 0.22) 0.47 (0.41, 0.53) 0.48 (0.41, 0.54)
Tabela 5.3:Mediana a posteriori com HPD de 95% da correlação entre as medidas protetivas para os fatores de Effect do PADM
Visualmente fica mais claro a diferença entre do modelo MUInd com os demais (Figura 5.5), com correlações bem menores que as observadas pelos modelos que consideram alguma correlação a distribuiçãoa priori. O padrão para os grupos de testes tende a ser o mesmo, com algumas correlações maiores para o OpptCost.
46
5 | APLICAÇÃO DO MODELO
Medidas MUInd MULKJ MULDM
CoopFF-Insur 0.17 (0.13, 0.22) 0.41 (0.36, 0.47) 0.44 (0.39, 0.49) CoopFF-Sandbag 0.14 (0.10, 0.19) 0.36 (0.30, 0.42) 0.37 (0.32, 0.42) Info-CoopFF 0.39 (0.35, 0.43) 0.83 (0.79, 0.87) 0.84 (0.80, 0.88) Info-Insur 0.19 (0.15, 0.24) 0.44 (0.39, 0.50) 0.40 (0.36, 0.45) Info-Plan 0.39 (0.35, 0.42) 0.81 (0.77, 0.85) 0.81 (0.77, 0.84) Info-Sandbag 0.08 (0.04, 0.13) 0.23 (0.17, 0.30) 0.34 (0.29, 0.38) Kit-CoopFF 0.31 (0.27, 0.35) 0.66 (0.61, 0.70) 0.64 (0.60, 0.69) Kit-Info 0.32 (0.28, 0.36) 0.67 (0.62, 0.71) 0.67 (0.62, 0.71) Kit-Insur 0.23 (0.19, 0.28) 0.51 (0.45, 0.56) 0.50 (0.45, 0.55) Kit-Plan 0.35 (0.31, 0.39) 0.73 (0.68, 0.77) 0.73 (0.69, 0.77) Kit-Sandbag 0.22 (0.17, 0.26) 0.50 (0.44, 0.55) 0.50 (0.45, 0.55) Plan-CoopFF 0.41 (0.37, 0.45) 0.86 (0.82, 0.89) 0.86 (0.82, 0.89) Plan-Insur 0.21 (0.17, 0.26) 0.49 (0.44, 0.55) 0.49 (0.44, 0.54) Plan-Sandbag 0.19 (0.15, 0.24) 0.47 (0.42, 0.54) 0.44 (0.38, 0.48) Sandbag-Insur 0.33 (0.28, 0.36) 0.70 (0.65, 0.75) 0.71 (0.66, 0.76)
Tabela 5.4:Mediana a posteriori com HPD de 95% da correlação entre as medidas protetivas para os fatores de OpptCost do PADM
Figura 5.5:Correlação entre as medidas protetivas para cada modelo e fator do PADM.
Comparando as estimativas pontuais (mediana) entre o modelo MULKJ e MULDM, como já dito, vemos pouco diferença, tendo apenas os valores mais baixos apresentando maior dissimilaridade em ambos os grupos de testes (Figura5.6).
5.1 | PROTECTIVE ACTION DECISION MODEL (PADM)
Figura 5.6:Correlações estimadas para o modelo proposto e com MULKJ para os fatores do PADM.
Por outro lado, quando analisamos os desvios padrão das estimativas para as correlações em cada modelo, nota-se que o modelo MULKJ tende a gerar maiores desvios, indicando que o modelo MULDM gera estimativas um pouco mais precisas (Figura5.7).
Figura 5.7:Desvios padrões estimados para as correlações para o modelo proposto e o com distribuição a priori LKJ para os fatores do PADM.
As estimativas das habilidades para os fatores de OppotCost em cada medida protetiva, tomada como a medianaa posteriori, para o modelo MULMD e MULKJ são muito próximas e podem ser vistas na Figura5.10. Agregando todas as habilidades, a correlação entre as estimativas foi de 0.99.
A comparação dos desvios padrõesa posterior dos traços latentes para cada medida protetiva para o fator OpptCost para os modelos MULKJ e MULDM também indica que valores bem próximos e estão na Figura5.9. A proporção de vezes que o modelo MULDM apresentou desvios maiores foi de 51%.
Comparando os traços latentes estimados pelo modelo proposto com o modelo inde-pendente, temos que o modelo independente apresentou menor variabilidade nos valores estimados, dado que a correlação entre os traços não é consideradaa priorina modelagem (Figura5.10). Os valores são chegam a ser muito distintos, com a correlação entre os traços nos dois modelos sendo 0.93, um pouco menor do que a dos traços do modelo MULDM e MULKJ.
Já os desvios padrõesa posteriori(Figura5.10) são claramente diferentes, com o modelo independente gerando valores bem maiores, indicando estimativas menos precisas para
48
5 | APLICAÇÃO DO MODELO
os traços latentes em todos os testes. Os desvio padrõesa posterioridos traços do modelo MULDM é maior 8% das vezes para esse caso.
Para a efetividade o padrão é bastante parecido, com o modelo MULDM apresentando correlação de 0.99 quando comparado ao modelo MULKJ (Figura5.12) e 0.93 para o modelo MUInd5.15). E os desvios padrõesa posterior são 49% das vezes maiores que o do modelo LKJ (Figura5.13) e 19% das vezes maiores que os desvios gerados pelo modelo MUInd (Figura5.14).
Comparando as discriminações geradas pelos modelos (Figura 5.16), temos que a medianaa posteriorigerada pelo modelo proposto é bem próxima ao do modelo MULKJ em ambos os grupos de testes, com correlação de 0.99 tanto para Effect, quanto para OpptCost.
Para o modelo o MUInd tem um certo descolamento para Effect, apresentando correlação de 0.80, enquanto a correlação para o caso do OpptCost é de 0.96.
A comparação dos desvios padrõesa posteriorida discriminação está apresentada na Figura5.17, mais uma vez há pouca diferença entre as estimativas do modelo proposto e do MULKJ, sendo os desvios do modelo MULDM maior em 60% dos casos. Para o modelo MUInd, vemos que o mesmo gera estimativas menos precisas, e o modelo proposto apresenta DP maiores apenas 38% das vezes.
Temos um comportamento muito parecido para a dificuldade (Figura5.18), em todos os casos as estimativas são próximas, com correlação de 0.99. Quanto aos desvios padrões (Figura5.19), o modelo proposto, para o OpptCost, foi maior que o MULKJ em 33% dos casos e maior que o modelo MUInd em 20%. Para a Effect, foi maior 16% das vezes que o MULKJ e 27% para o MUInd.
Figura 5.8:Comparação dos traços latentes estimados para os modelos MULDM e LKJ para o fator OpptCost.
5.1 | PROTECTIVE ACTION DECISION MODEL (PADM)
Figura 5.9:Comparação dos desvios padrões dos traços latentes estimados para os modelos MULDM e MULKJ para o fator OpptCost.
Figura 5.10:Comparação dos traços latentes estimados para os modelos MULDM e MUInd para o fator OpptCost.
50
5 | APLICAÇÃO DO MODELO
Figura 5.11:Comparação dos desvios padrões dos traços latentes estimados para os modelos MULDM e MUInd para o fator OpptCost.
Figura 5.12:Comparação dos traços latentes estimados para os modelos MULDM e MULKJ para o fator Effect.
5.1 | PROTECTIVE ACTION DECISION MODEL (PADM)
Figura 5.13:Comparação dos desvios padrões dos traços latentes estimados para os modelos MULDM e MUInd para o fator Effect.
Figura 5.14:Comparação dos traços latentes estimados para os modelos MULDM e MUInd para o fator Effect.
52
5 | APLICAÇÃO DO MODELO
Figura 5.15:Comparação dos desvios padrões dos traços latentes estimados para os modelos MULDM e MUInd para o fator Effect.
Figura 5.16:Comparação das discriminações estimadas pelo modelo MULDM variando o modelo concorrente e o fator.
5.1 | PROTECTIVE ACTION DECISION MODEL (PADM)
Figura 5.17:Comparação das variâncias das discriminações estimadas pelo modelo MULDM variando o modelo concorrente e o fator.
Figura 5.18:Comparação das dificuldades estimadas pelo modelo MULDM variando o modelo concor-rente e o fator.
54
5 | APLICAÇÃO DO MODELO
Figura 5.19:Comparação do desvio padrão das dificuldades estimadas pelo modelo MULDM variando o modelo concorrente e o grupo de traços latentes.
Metrica MULDM MULKJ MUInd
WAIC 17973.79 17965.61 18225.67 LOO 17167.14 17166.86 17304.98
Tabela 5.5:WAIC e LOO para o modelo proposto, MULKJ e independente para o fator Effect do PADM.
Computando as métricas de qualidade de ajuste para os testes relacionados com o custo de oportunidade, temos que o modelo proposto apresentou maior WAIC e LOO que o modelo MULKJ (Tabela5.6), mas com valores bem próximos do modelo MULKJ. O modelo MUInd em geral apresentou resultados piores nas duas métricas. Para o fator de efetividade o modelo proposto também apresentou maior WAIC e LOO (Tabela5.7) que o modelo MULKJ, mas com valores praticamente idênticos. Mais uma vez o modelo MUInd apresentou o pior comportamento.
Metrica MULDM MULKJ MUInd
WAIC 30036.75 29996.67 30950.63 LOO 29005.80 28971.37 29779.80
Tabela 5.6:WAIC e LOO para o modelo proposto, MULKJ e independente para o fator OpptCost do PADM.
Quanto a avaliação da convergência, temos que o 𝑅̂ e 𝑛eff/𝑁 para o parâmetro 𝜙 apresentaram valores bastante satisfatórios (Tabela5.7).
5.1 | PROTECTIVE ACTION DECISION MODEL (PADM)
Métrica OpptCost Effect
𝑅̂ 1.0013 1.0004
𝑛eff 0.4232 0.4078. .
Tabela 5.7:Estatística𝑅̂e𝑛eff/𝑁 para o parâmetro𝜙
O traço das cadeias para os 𝜙’s também não apresentam nenhum comportamento incomum que indique problemas de convergência e podem ser visualizados na Figura 5.20.
Figura 5.20:trace plot para o parâmetro𝜙para o fator Effect e OpptCost.
A autocorrelação das cadeias de 𝜙 para cada caso estão na Figura5.21. Vemos que os valores não são muito altos, com um decaimento acentuado emlagspequenos, mas ainda assim os primeiros passos ainda apresentaram valores fora da faixa do intervalo de confiança.
Figura 5.21:Autocorrelação para o parâmetro𝜙para o fator Effect e OpptCost.
56
5 | APLICAÇÃO DO MODELO
Quanto à estatística 𝑅̂ para os outros parâmetros do modelo de TRI, na Tabela 5.8, temos alguns resumos. Temos que o modelo proposto apresentou o menor valor máximo de 𝑅, com o modelo MUInd apresentamos valores maiores no caso do fator Effect, e o modelô MULKJ para os traços relacionados ao OpptCost. Na Figura5.22apresentamosboxplots para o𝑅̂, nele podemos ver que o modelo proposto apresentando menor variabilidade e menosoutliersque o modelo MULKJ.
Fator Modelo Min 𝑝25% Mediana 𝑝75% Max
Effect MUInd 0.9990 0.9995 0.9998 1.0003 1.0165 Effect MULKJ 0.9990 0.9997 1.0001 1.0007 1.0139 Effect MULDM 0.9990 0.9994 0.9996 1.0000 1.0077 OpptCost MUInd 0.9990 0.9994 0.9997 1.0000 1.0079 OpptCost MULKJ 0.9990 0.9996 1.0001 1.0007 1.0103 OpptCost MULDM 0.9990 0.9995 0.9998 1.0002 1.0085
Tabela 5.8:Resumo com mínimo (Min), máximo (Max), mediana, primeiro quartil (𝑝25%) e terceiro quartil (𝑝25%) da estatística𝑅̂para todas os traços latentes, discriminações e dificuldades dos modelos ajustados.
Figura 5.22:Distribuição de𝑅̂para os traços latentes, discriminações e dificuldades para o fator Effect e OpptCost.
Quanto à razão do tamanho efetivo da amostra, os três modelos apresentam bons resultados, com poucos valores pequenos. O modelo proposto não obteve nenhum valor abaixo de 0.1, além de apresentar os maiores valores. Na Figura (5.23) fica evidente que a distribuição dos valores efetivos é maior para o modelo proposto e o MUInd, enquanto o MULKJ apresenta valores menores.
5.1 | PROTECTIVE ACTION DECISION MODEL (PADM)
Fator Modelo Min 𝑝25% Mediana 𝑝75% Max
Effect MUInd 0.0519 0.9549 1.0645 1.1763 1.7857 Effect MULKJ 0.0652 0.6994 0.8162 0.9083 1.2797 Effect MULDM 0.1398 1.2053 1.3409 1.4821 2.2493 OpptCost MUInd 0.1756 1.1979 1.3052 1.4236 1.9686 OpptCost MULKJ 0.1143 0.7211 0.8696 0.9845 1.3994 OpptCost MULDM 0.1677 1.0860 1.2704 1.4584 2.4120
Tabela 5.9:Resumo com mínimo (Min), máximo (Max), mediana, primeiro quartil (𝑝25%) e terceiro quartil (𝑝25%) da estatística𝑛effpara todas os traços latentes, discriminações e dificuldades dos modelos ajustados.
Figura 5.23:Distribuição de𝑛effpara os traços latentes, discriminações e dificuldades para o fator Effect e OpptCost.
Para o gráfico comparando a distribuição marginal da energia e da transição da energia, temos que para o fator OpptCost (Figura5.24) o modelo MUInd e MULDM apresentaram distribuições mais próximas, com maior sobreposição, para esse caso o modelo MULKJ apresentou distribuições um pouco distintas, indicando menor eficiência na exploração dos parâmetros.
58
5 | APLICAÇÃO DO MODELO
Figura 5.24:Distribuição da energia e primeira diferença da energia para cada cadeia e modelo ajustado para o fator OpptCost.
O mesmo gráfico para o fator Effect pode ser visto na Figura5.25, com resultados bem parecidos ao do fator OpptCost. Mais uma vez o modelo MULDM apresentou distri-buições bem sobrepostas, assim como MUInd. Apenas o modelo MULKJ não foi muito concordante.
.
Figura 5.25:Distribuição da energia e primeira diferença da energia para cada cadeia e modelo ajustado para o fator Effect