Marco Reis:2010 ©
Modelação matemática de base estatística/empírica:
I. Características dos dados industriais II. Análise dos componentes principais (PCA) III. Controlo estatístico multivariado de processos
IV. Construção de modelos empíricos usando metodologias de regressão
Engenharia de Processos e Sistemas
III. Construção de modelos empíricos
usando metodologias de regressão
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 3
Objectivos:
• Identificar a componente estrutural/determinística e aleatória/estocástica do modelo de RL;
• Compreender o que é um modelo de RL e o seu âmbito de aplicação;
• Perceber como se estimam os parâmetros de um modelo de RL e saber quais os pressupostos subjacentes ao modelo estimado;
• Interpretar os IC para os coeficientes do modelo (parte estrutural); • Interpretar os IC para a resposta média e de previsão;
• Saber como validar um modelo de RL;
• Compreender a origem do problema da colinearidade e como o diagnosticar; • Saber os passos a seguir na construção de uma modelo de RL
• Distinguir os vários métodos de selecção de variáveis
• Compreender os vários métodos de selecção de dimensões (PCR e PLS): saber como os estimar, validar e interpretar os seus resultados.
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 4
Metodologias de Modelação
Processo Genérico
Variáveis associadas ao que entra no processo (x’s) Variáveis associadas ao que sai do processo (y’s) Variáveis ligadas a parâmetros do processo (x’s)Objectivo: construir um modelo que relacione as variáveis de entrada (x’s) com as de saída (y’s).
X’s “Inputs” Predictores Regressores Variáveis de entrada Variáveis independentes Y’s “Outputs” Respostas Variáveis de saída Variáveis dependentes
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 5 LC TC F0, T0, CA0 F, T, CA Fcj, Tcj,0 Fcj, Tcj LC TC F0, T0, CA0 F, T, CA Fcj, Tcj,0 Fcj, Tcj 0 dV F F dt= − / 0 0 0 E RT A A A A dVC F C FC k e C V dt − = − − / 0 0 0 ( ) E RT A cj p p dVT H UA F T FT k e C V T T dt ρC ρC − ∆ = − − − − ,0 , ( ) ( ) cj cj cj cj cj cj j p cj dV T UA F T T T T dt = − +ρC − ( ) 2 set c set F=F −K V −V ( ) , 1 cj cj set c set F=F −K T−T X Y x E(Y|x) X Y x E(Y|x) Modelos baseados em primeiros princípios
→ Estrutura completamente definida
“Knowledge intensive”
“Data intensive”
Modelos empíricos→ Algumas restrições quanto à estrutura do modelo
Modelos baseados em dados
→muito poucas hipóteses são colocadas quanto à estrutura do modelo
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 6
1D:
Com N pontos, consegue-se a seguinte taxa de
amostragem, numa linha de comprimento L:
1 2 3 … … N 0 L
N
TA
L
=
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 7
“The curse of dimensionality”
2D:
Com N pontos, consegue-se a seguinte taxa de
amostragem, num quadrado de lado L:
2
N
TA
L
=
Para garantir igual cobertura, ter-se-ia de usar N2pontos
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 8
“The curse of dimensionality”
3D:
Com N pontos, consegue-se a seguinte taxa de
amostragem, num cubo de lado L:
3
N
TA
L
=
Para garantir igual cobertura, ter-se-ia de usar N3pontos
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 9
“The curse of dimensionality”
m-D:
Com N pontos, consegue-se a seguinte taxa de
amostragem, num hipercubo de lado L:
m
N
TA
L
=
Para garantir igual cobertura, ter-se-ia de usar Nmpontos
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 10
Utilidade dos modelos:
Previsão de valores futuros de uma variável de
saída;
Medição do efeito associado a mudanças
processuais;
Controlo e/ou monitorização do processo;
Gestão e melhoria do processo;
Aumentar o conhecimento sobre o processo.
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 11
Regressão (Previsão):
As saídas do modelo são variáveis quantitativas;
Classificação:
As saídas do modelo são variáveis qualitativas
(classes ou categorias)
Qualidade do produto (Mau, Intermédio, Bom);
Reconhecimento de caracteres (padrões);
…
Regressão (Previsão) vs Classificação
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 12
Observ. X1 X2 X3 X4 1 0,165 0,11 0,075 0,053 2 0,178 0,14 0,105 0,077 3 0,102 0,089 0,068 0,048 4 0,191 0,107 0,06 0,046 5 0,239 0,146 0,094 0,067 6 0,178 0,115 0,078 0,056 7 0,193 0,089 0,041 0,03 8 0,164 0,113 0,078 0,056 9 0,129 0,098 0,074 0,057 10 0,193 0,134 0,093 0,066 11 0,154 0,071 0,03 0,016 12 0,065 0,053 0,036 0,025 13 0,144 0,078 0,043 0,028 14 0,138 0,118 0,093 0,063 15 0,219 0,145 0,101 0,07 Observ. Y 1 0,456 2 0,456 3 0,152 4 0,76 5 0,76 6 0,608 7 0,76 8 0,456 9 0,304 10 0,608 11 0,608 12 0,152 13 0,608 14 0,304 15 0,76
Regressão (Previsão)
Treino do modelo vs Teste do modelo
Modelo
(
β
0, β
1,…, β
m,σ
2)
X
Y
Observ. X1 X2 X3 X4 16 0,146 0,17 0,134 0,103 17 0,128 0,144 0,125 0,101 18 0,107 0,105 0,102 0,081 19 0,146 0,174 0,136 0,099 20 0,105 0,126 0,094 0,068 21 0,152 0,205 0,128 0,081 23 0,139 0,207 0,109 0,057 24 0,108 0,162 0,082 0,04 25 0,12 0,187 0,083 0,038 ^ ^ ^ ^ I. Treino/EstimaçãoX
new
(
β
^ ^ ^ ^ 0Modelo
, β
1,…, β
m,σ
2)
?
II. Teste/PrevisãoMSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 13 Observ. C 1 A 2 A 3 B 4 A 5 B 6 B 7 A 8 A 9 B 10 B 11 B 12 A 13 B 14 A 15 A Observ. X1 X2 X3 X4 1 0,165 0,11 0,075 0,053 2 0,178 0,14 0,105 0,077 3 0,102 0,089 0,068 0,048 4 0,191 0,107 0,06 0,046 5 0,239 0,146 0,094 0,067 6 0,178 0,115 0,078 0,056 7 0,193 0,089 0,041 0,03 8 0,164 0,113 0,078 0,056 9 0,129 0,098 0,074 0,057 10 0,193 0,134 0,093 0,066 11 0,154 0,071 0,03 0,016 12 0,065 0,053 0,036 0,025 13 0,144 0,078 0,043 0,028 14 0,138 0,118 0,093 0,063 15 0,219 0,145 0,101 0,07
Modelo
X
C
Observ. X1 X2 X3 X4 16 0,146 0,17 0,134 0,103 17 0,128 0,144 0,125 0,101 18 0,107 0,105 0,102 0,081 19 0,146 0,174 0,136 0,099 20 0,105 0,126 0,094 0,068 21 0,152 0,205 0,128 0,081 23 0,139 0,207 0,109 0,057 24 0,108 0,162 0,082 0,04 25 0,12 0,187 0,083 0,038 I. Treino/EstimaçãoX
new
Modelo
?
II. Teste/PrevisãoTreino do modelo vs Teste do modelo
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 14
Regressão Linear Múltipla
O modelo de regressão linear múltipla
Propriedades do termo ε
i(
pressupostos
):
variância dos resíduos é constante;
todos os resíduos são independentes;
seguem uma lei normal com média nula.
Pressuposto para fazer inferência estatística sobre o modelo
(IC, TH ao modelo ou seus parâmetros).
0 1 1 2 2
i i i m im i
Y
=
β
+
β
x
+
β
x
+
⋯
+
β
x
+
ε
Componente estrutural Componente estocástica
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 15
Regressão Linear Múltipla
β
0- Intercepção na origem (“intercept”,
“constant”);
β
i– Coeficientes de regressão parciais (“partial
regression coefficients”).
0 1 1 2 2
i i i m im i
Y
=
β
+
β
x
+
β
x
+
⋯
+
β
x
+
ε
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 16
Regressão Linear Múltipla
Pode ser usado para descrever relações
não-lineares, e.g:
Assume que os X’s
estão isentos
de qualquer erro.
2 2 0 1 1 2 2 11 1 22 2 12 1 2y
=
β
+
β
x
+
β
x
+
β
x
+
β
x
+
β
x x
+
ε
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 17
Notação matricial
1
11
1
0
1
1
1
1
m
n
n
nm
m
n
Y
x
x
Y
x
x
Y
XB
E
β
ε
β
ε
=
+
=
+
⋯
⋮
⋮
⋮
⋯
⋮
⋮
⋮
⋯
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 18
Estimação do modelo de regressão linear
múltipla:
Mínimos quadrados
(
)
(
) (
)
2 0 1 1 2 2 1ˆ
ˆ
. .,
n i i i m mi B i T BB
Min
Y
x
x
x
i e
B
Min Y
XB
Y
XB
β
β
β
β
==
−
−
−
−
−
=
−
−
∑
⋯
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 19
Regressão Linear Múltipla
Estimação de parâmetros em RLM
Minimizar a soma dos desvios quadráticos (verticais …)
3D Surface Plot Y=105,1527+0,2131*X1+0,4855*X2 195 190 185 180 175 170 165 160 155
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 20
Regressão Linear Múltipla
Métodos dos mínimos quadrados:
Solução: CN de optimalidade
Equações normais do método dos mínimos quadrados
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 21
Solução (notação matricial):
(
)
1
ˆ
T
−
T
=
B
X X
X Y
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 22
Estimativa da variância do termo estocástico do
modelo de regressão linear múltipla:
N – número de observações
m – número de variáveis
2 2 1ˆ
ˆ
1
1
N i iSSr
N
m
N
m
ε
σ
=
==
−
−
−
−
∑
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 23
Inferência em Regressão Linear
Múltipla
•Montegomery, D.C.; Peck, E.A. & Vining, G.G. (2006). Introduction to Linear Regression Analysis. Wiley. 4th ed.
•Montgomery, D.C.; G.C. Runger, 1999, Applied Statistics and Probability for Engineers, 2nd ed., Wiley, NY
•Draper, N.R.; H. Smith, 1998, Applied Regression Analysis, 3rd ed., Wiley, NY
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 24
Regressão Linear Múltipla
Inferência
Propriedades das estimativas dos parâmetros
Seguem uma distribuição normal multivariada:
(
)
(
1
)
2
ˆ ~
,
T
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 25
Inferência
Propriedades das estimativas dos parâmetros:
Matriz das variâncias-covariâncias das estimativas dos
parâmetros:
Dada por:
(
)
1 2ˆ
( )
TVar B
=
X X
−σ
( )
(
)
(
)
(
)
( )
(
)
(
)
(
)
( )
0 0 1 0 1 0 1 1 0 1ˆ
ˆ
,
ˆ
ˆ
,
ˆ
ˆ
,
ˆ
ˆ
ˆ
,
ˆ
ˆ
( )
ˆ
,
ˆ
ˆ
,
ˆ
ˆ
m m m m mVar
Cov
Cov
Cov
Var
Cov
Var B
Cov
Cov
Var
β
β β
β β
β β
β
β β
β β
β β
β
=
⋯
⋯
⋮
⋮
⋱
⋮
⋯
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 26
Inferência
A variância associada a cada parâmetro individual é
dada pelos elementos na diagonal principal da
matriz de variâncias-covariâncias.
A covariância entre parâmetros, é dada pelos
elementos não diagonais.
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 27
Regressão Linear Múltipla
Inferência
TH aos coeficientes individuais
Para analisar a significância de alguns parâmetros
em particular.
Nas condições do modelo de regressão ser válido:
Os parâmetros seguem distribuições normais;
A sua média é centrada nos valores exactos e a sua
variância é dada pelos elementos diagonais da matriz de
variâncias-covariâncias.
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 28
Regressão Linear Múltipla
Inferência
TH (parâmetros individuais):
Rejeitar H
0se |t
0| > t
α/2,n-p-1.
Estatística de teste Elemento jj da matriz de variâncias-covarânciasMSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 29
Inferência
IC para os parâmetros do modelo de
regressão múltipla
IC(β
j,
(1-α)x100%):
2 2 2, 1 2, 1ˆ
ˆ
ˆ
ˆ
jt
α N pC
jj j jt
α N pC
jjβ
−
− −σ
≤
β
≤
β
+
− −σ
Elemento jj da matriz de variâncias-covarânciasMSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 30
Inferência
IC para a resposta média
Intervalo de previsão
(
)
(
)
0 0 0 1 1 2 2 | 2, 1 0 0 | | 2, 1 0 0 ˆ ˆ T T ˆ ˆ T T Y x tα N p x X X x Y x Y x tα N p x X X xµ
− − −σ
− ≤µ
≤µ
+ − −σ
−(
)
(
1)
(
(
)
1)
2 2 0 2, 1 0 0 0 0 2, 1 0 0ˆ
N pˆ
1
T Tˆ
N pˆ
1
T Ty
t
ασ
x
X X
x
y
y
t
ασ
x
X X
x
− − − − − −−
+
≤
≤
+
+
0 0 0ˆ
|ˆ
ˆ
Y xy
=
x
β
=
µ
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 31
Regressão Linear Univariada
Inferência em regressão linear
IC para a média e intervalo de previsão
Intervalo de previsão
Intervalo de confiança para a média
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 32
Regressão Linear Múltipla
Métricas de Qualidade do Modelo
Coeficiente de determinação (R
2)
Uma medida da qualidade do modelo (0≤ R
2≤1)
Definição geral (modelos univariados/multivariados)
(Fracção da variabilidade total que é explicada pelo modelo)
2
1
SSreg
SSr
R
SSt
SSt
=
= −
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 33
O coeficiente R
2permite aferir sobre a qualidade do ajuste,
aumentando sempre que se adiciona mais uma variável
Mesmo que uma variável não esteja relacionada com a
resposta, há sempre uma pequena parte da sua
variabilidade que aquela ajuda a explicar, por alinhamentos
aleatórios com Y.
Estas variáveis não trazem nada de novo para o modelo em
termos de previsões futuras, tendo pelo contrário uma acção
prejudicial e destabilizadora.
Para aferir sobre a qualidade do modelo é pois importante
penalizar a métrica de qualidade com o número de variáveis
utilizado.
Regressão Linear Múltipla
Métricas de Qualidade do Modelo
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 34
Métricas de Qualidade do Modelo
R
2ajustado
(R
2adj)
Penaliza a introdução de termos adicionais no modelo
Previne “overfitting” e a utilização de regressores com
pouco potencial explicativo da variabilidade da resposta
(
)
(
)
(
)
(
)
(
)
21
1
21
1
1
1
1
adjSSr N
p
N
R
R
SSt N
N
p
−
−
−
= −
= −
−
−
−
−
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 35
O Problema da Colinearidade
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 36
Regressão Linear Múltipla
Colinearidade
O problema da colinearidade dos regressores
Um exemplo ainda mais simples:
Construir um modelo para Y vs X1,X2
x
1x
2y
1
2
4
2
4
10
3
6
15
4
8
20
5
11
23
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 37 Colinearidade 1 2
1 10.3
2.5
y
= − +
x
−
x
Modelo ajustado:
Como interpretar o sinal e a magnitude dos coeficientes?
1 2 3 4 5 2 3 4 5 6 7 8 9 10 11 x1 x2 1 2 3 4 5 4 6 8 10 12 14 16 18 20 22 24 x1 y 0 5 10 15 4 6 8 10 12 14 16 18 20 22 24 x2 y x1 x1 x2 x2 y y
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 38
Colinearidade
Outro exemplo
Construir um modelo para Y vs X1,X2
Source: Sokal and Rohlf, Biometry, 3ed., Freeman: NY (1995). -3 4 5 -3 2 7 -1 2 1 -1 0 3 1 0 -3 1 -2 -1 3 -2 -7 3 -4 -5 X2 X1 Y
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 39
Regressão Linear Múltipla
Colinearidade 5 0 -5 2 0 -2 5 0 -5 5 0 -5 5 0 -5 2 0 -2 Y X1 X2 Matrix Plot of Y; X1; X2
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 40
Regressão Linear Múltipla
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 41 4 3 2 1 0 -1 -2 -3 -4 -5 8 6 4 2 0 -2 -4 -6 -8 X1 Y Scatterplot of Y vs X1 4 3 2 1 0 -1 -2 -3 -4 -5 8 6 4 2 0 -2 -4 -6 -8 X1 Y -3 -1 1 3 X2 Scatterplot of Y vs X1 Colinearidade
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 42
Colinearidade
Nota:
Os coeficientes de regressão parciais
representam a contribuição de um predictor na
variável de saída, quando os outros se mantêm
constantes;
A magnitude e sinal dos coeficientes de
regressão parciais, depende dos predictores
incorporados no modelo (sempre que estes
apresentam correlação entre si).
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 43
Regressão Linear Múltipla
Colinearidade
Por outro lado,…
Analisando a variância das estimativas
Simulação: Gerar aleatoriamente amostras com 10
observações
Dois níveis de correlação entre X1 e X2
Resultados para 1000 simulações
1 2 -10 -5 0 5 10 15 20 High correlation (ρ =0.95) E st im at es Variable 1 2 -10 -5 0 5 10 15 20 Low correlation (ρ =0) E st im at es Variable Valores exactos dos parâmetros
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 44
Regressão Linear Múltipla
Colinearidade
Ou seja:
Quando a correlação entre X1 e X2 é de 0.95
a variância na estimativa dos coeficientes
que afectam as variáveis X1 e X2 é cerca de
10 vezes superior àquela obtida quando não
há correlação entre X1 e X2.
(
)
1 2ˆ
( )
TMSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 45
Colinearidade
Efeitos da colinearidade na estimação de parâmetros
Estimated planes for an High collinearity data set (a) and a Low collinearity data set (b), in the initial situation (I) and when an additional data point was added (II), marked with a circle in the 3D scatter plots. The projection of the observations and contours in the Y=0 plane are also presented.
a) b)
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 46
Colinearidade
Conclusões:
Quando há colinearidade nos regressores:
É difícil interpretar o modelo (face aos gráficos
disponíveis)
As estimativas dos parâmetros são mais instáveis
(maior variância)
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 47
Regressão Linear Múltipla
Colinearidade
Nota:
A correlação entre variáveis é muito comum em
aplicações industriais:
Restrições processuais (balanços mássicos e de
energia);
Anéis de controlo, metodologias e protocolos de
actuação;
Instrumentação (instrumentação redundante,
espectrofotómetros, etc.).
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 48
Regressão Linear Múltipla
Colinearidade
Como detectar a presença de colinearidade?
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 49
Correlations (AS.vs.Bendtsen) Marked correlations are significant at p < ,05000 N=36 (Casew ise deletion of missing data)
Variable Ra_CD Rz_CD Rq_CD Rp_CD Rt_CD R Sm_CD R S_CD R Sk_CD R Ku_CD Rv_CD Rdq_CD Ra_MD Rz_MD Rq_MD Rp_MD Rt_MD R Sm_MD R S_MD R Sk_MD R Ku_MD Rv_MD Rdq_MD Ra_CD Rz_CD Rq_CD Rp_CD Rt_CD R Sm_CD R S_CD R Sk_CD R Ku_CD Rv_CD Rdq_CD Ra_MD Rz_MD Rq_MD Rp_MD Rt_MD R Sm_MD R S_MD R Sk_MD R Ku_MD Rv_MD Rdq_MD 1,00 0,99 1,00 0,94 0,96 0,89 0,89 0,46 -0,62 0,94 0,81 0,98 0,96 0,98 0,91 0,92 0,84 0,85 0,30 -0,63 0,89 0,68 0,99 1,00 0,99 0,95 0,98 0,86 0,88 0,46 -0,51 0,96 0,84 0,97 0,97 0,97 0,93 0,94 0,79 0,83 0,31 -0,53 0,90 0,73 1,00 0,99 1,00 0,94 0,97 0,89 0,89 0,46 -0,60 0,94 0,81 0,98 0,96 0,98 0,91 0,92 0,83 0,85 0,30 -0,61 0,89 0,68 0,94 0,95 0,94 1,00 0,94 0,83 0,84 0,71 -0,54 0,81 0,77 0,89 0,91 0,89 0,97 0,89 0,70 0,74 0,57 -0,51 0,75 0,69 0,96 0,98 0,97 0,94 1,00 0,88 0,91 0,48 -0,43 0,93 0,79 0,93 0,93 0,93 0,90 0,90 0,76 0,79 0,35 -0,51 0,85 0,68 0,89 0,86 0,89 0,83 0,88 1,00 0,95 0,45 -0,57 0,80 0,49 0,83 0,78 0,82 0,75 0,73 0,86 0,80 0,29 -0,61 0,71 0,36 0,89 0,88 0,89 0,84 0,91 0,95 1,00 0,38 -0,40 0,84 0,51 0,84 0,80 0,83 0,77 0,75 0,87 0,83 0,28 -0,52 0,73 0,37 0,46 0,46 0,46 0,71 0,48 0,45 0,38 1,00 -0,45 0,19 0,34 0,36 0,42 0,36 0,67 0,41 0,22 0,22 0,89 -0,31 0,13 0,37 -0,62 -0,51 -0,60 -0,54 -0,43 -0,57 -0,40 -0,45 1,00 -0,44 -0,47 -0,60 -0,54 -0,59 -0,52 -0,52 -0,58 -0,54 -0,28 0,74 -0,48 -0,35 0,94 0,96 0,94 0,81 0,93 0,80 0,84 0,19 -0,44 1,00 0,83 0,96 0,94 0,96 0,80 0,91 0,79 0,84 0,06 -0,50 0,95 0,69 0,81 0,84 0,81 0,77 0,79 0,49 0,51 0,34 -0,47 0,83 1,00 0,84 0,88 0,84 0,79 0,87 0,47 0,58 0,18 -0,40 0,85 0,93 0,98 0,97 0,98 0,89 0,93 0,83 0,84 0,36 -0,60 0,96 0,84 1,00 0,98 1,00 0,89 0,95 0,84 0,88 0,22 -0,60 0,94 0,71 0,96 0,97 0,96 0,91 0,93 0,78 0,80 0,42 -0,54 0,94 0,88 0,98 1,00 0,98 0,93 0,99 0,75 0,84 0,28 -0,49 0,94 0,79 0,98 0,97 0,98 0,89 0,93 0,82 0,83 0,36 -0,59 0,96 0,84 1,00 0,98 1,00 0,90 0,96 0,83 0,87 0,22 -0,58 0,95 0,72 0,91 0,93 0,91 0,97 0,90 0,75 0,77 0,67 -0,52 0,80 0,79 0,89 0,93 0,90 1,00 0,92 0,67 0,75 0,59 -0,48 0,76 0,73 0,92 0,94 0,92 0,89 0,90 0,73 0,75 0,41 -0,52 0,91 0,87 0,95 0,99 0,96 0,92 1,00 0,70 0,84 0,30 -0,43 0,93 0,80 0,84 0,79 0,83 0,70 0,76 0,86 0,87 0,22 -0,58 0,79 0,47 0,84 0,75 0,83 0,67 0,70 1,00 0,90 0,12 -0,63 0,73 0,24 0,85 0,83 0,85 0,74 0,79 0,80 0,83 0,22 -0,54 0,84 0,58 0,88 0,84 0,87 0,75 0,84 0,90 1,00 0,17 -0,50 0,83 0,37 0,30 0,31 0,30 0,57 0,35 0,29 0,28 0,89 -0,28 0,06 0,18 0,22 0,28 0,22 0,59 0,30 0,12 0,17 1,00 -0,29 -0,03 0,21 -0,63 -0,53 -0,61 -0,51 -0,51 -0,61 -0,52 -0,31 0,74 -0,50 -0,40 -0,60 -0,49 -0,58 -0,48 -0,43 -0,63 -0,50 -0,29 1,00 -0,44 -0,27 0,89 0,90 0,89 0,75 0,85 0,71 0,73 0,13 -0,48 0,95 0,85 0,94 0,94 0,95 0,76 0,93 0,73 0,83 -0,03 -0,44 1,00 0,75 0,68 0,73 0,68 0,69 0,68 0,36 0,37 0,37 -0,35 0,69 0,93 0,71 0,79 0,72 0,73 0,80 0,24 0,37 0,21 -0,27 0,75 1,00 Colinearidade
Detecção da presença de colinearidade
Matrizes de correlação e de gráficos de dispersão
Matrix of scatter plots
Ra_CD Rz_CD Rq_CD Rp_CD Rt_CD R Sm_CD R S_CD
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 50
Colinearidade
Detecção da presença de colinearidade
Conhecimento sobre o processo:
Verificar se alguns coeficientes têm sinal contrário ao
esperado;
Verificar se variáveis que se esperavam importantes,
não têm uma magnitude correspondente;
Verificar se a eliminação de uma linha ou coluna,
produz alterações muito significativas;
O teste F baseado em ANOVA é significante, mas os
coeficientes individuais não o são.
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 51
Regressão Linear Múltipla
Colinearidade
Detecção da presença de colinearidade
Estatísticas de colinearidade:
onde Rj2é o R2para a regressão de Xj contra todos
os outros p – 1 regressores.
“Variance Inflation Factor” (VIF)
(
)
1 2ˆ
( )
TVar B
=
X X
−σ
(
2)
1
1
jj jC
R
=
−
Elemento j da diagonal de (XTX)-1( )
(
2)
1
ˆ
1
j jVIF
R
β
=
−
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 52
Regressão Linear Múltipla
Colinearidade
Análise do VIF:
Valores de referência:
VIF>10 → colinearidade é um problema;
VIF<5 → colinearidade não é um problema;
5<VIF<10 → “zona cinzenta” (colinearidade
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 53 Colinearidade
Número de Condição
T Tmaximum eigenvalue of X X
minimum eigenvalue of of X X
C
=
Referência:C <100 → não há problemas sérios de colinearidade; 100 < C < 1000 → colinearidade moderada a forte; C >1000 → colinearidade constitui um problema.
•Montegomery, D.C.; Peck, E.A. & Vining, G.G. (2006). Introduction to Linear Regression Analysis. Wiley. 4th ed..
•Chaterjee, S.; B. Price; 1998, Regression analysis by example, 2nd. ed., Wiley, NY
Outros: Critérios de Belsley (Draper & Smith, 1998)
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 54
Metodologia Geral de RLM
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 55
Regressão Linear Múltipla
Passo 1 Estudar estatísticas e gráficos Passo 2 Formular o modelo Passo 3 Estimar o modelo Passo 4 Validar o modelo Passo 5 Apresentar resultados. Usar modelo. Bom ajuste OK!Ajuste não satisfatório
Metodologia em RL
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 56
Regressão Linear Múltipla
1. Familiarização com os dados
Fazer uso extensivo de todas as ferramentas de estatística
descritiva que nos ajudem a familiarizar com os dados do nosso problema, por exemplo:
Examinar médias, desvios padrão, alguns percentis, mínimos,
máximos, para todas as variáveis de entrada e de saída;
Examinar a matriz de correlação (existe colinearidade entre os x’s?
qual/quais os x’s mais correlacionados linearmente com o y?);
Construir gráficos de dispersão para todas as combinações de x’s e
entre cada x e o y;
Se os dados foram recolhidos ao longo do tempo, analisar,
individualmente, o gráfico temporal para cada variável;
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 57
2. Formulação do modelo
Com base no conhecimento existente a priori e/ou com base nos
gráficos construídos em 1 para as relações entre y e os vários x’s, propor um modelo de regressão que relacione as variáveis de entrada com a variável de saída;
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 58
3. Estimar os parâmetros do modelo
Proceder ao ajuste do modelo aos dados recolhidos. Como
resultado, obtém-se as estimativas para os parâmetros do modelo definido em 2., bem como outras grandezas
relacionadas (por exemplo, parâmetros de qualidade, valores de prova para diversos testes estatísticos). Deve-se então:
Analisar os resultados em busca de variáveis eventualmente mais
importantes na explicação da variabilidade de y;
Avaliar a qualidade do ajuste;
Verificar se existe colinearidade entre as variáveis (calcular VIF para
cada variável existente no modelo), e se esta pode constituir um problema.
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 59
Regressão Linear Múltipla
4. Validação do modelo estimado
Construir os seguintes gráficos envolvendo os resíduos, para
verificar se algum/ns dos pressupostos subjacentes aos modelos de regressão linear está/ão a ser violado/s:
Resíduos vs. valores previstos (para verificar, por exemplo, se a
variância dos resíduos não depende do nível de y);
Resíduos vs. cada uma das variáveis de entrada (verificar que
não existe estrutura por explicar devido, por exemplo, a não considerar termos não-lineares envolvendo as variáveis de entrada);
Resíduos vs. tempo, ou sequência de observações (verificar a
independência dos resíduos ao longo das observações);
Gráficos de probabilidade normal para resíduos (verificar o
pressuposto de normalidade dos resíduos).
(Padrões não aleatórios são indicativo de um modelo não
adequado)
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 60
Regressão Linear Múltipla
5. Apresentar os resultados e usar o modelo
Nesta fase sintetizam-se os resultados para o modelo
desenvolvido (desde que este seja satisfatório). Os dados utilizados e pressupostos subjacentes devem ser também indicados. Usar então o modelo e criar uma metodologia que permita averiguar a sua validade ao longo do tempo, se o seu uso não se restringir à situação presente.
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 61
Colinearidade
Regressando ao problema da colinearidade
… como lidar com a sua presença?
Métodos de selecção de variáveis
Métodos de projecção (selecção de dimensões)
Métodos de encolhimento
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 62
Colinearidade
Selecção de variáveis
Princípio:
Se há redundância entre os X’s, seleccionar aqueles
que mais explicam a variabilidade apresentada pela
resposta (Y), e retirar todas aquelas variáveis que não
acrescentem capacidade explicativa.
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 63
Regressão Linear Múltipla
Colinearidade
Metodologias mais comuns de selecção de
variáveis:
Forward addition
Backward elimination
Forward stepwise selection
“Best subset” regression
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 64
Regressão Linear Múltipla
Inferência
Nos métodos de selecção de variáveis analisa-se a significância
estatística associada à introdução de grupos de variáveis
adicionais:
“Partial F-test” (ou “Extra Sum of Squares method”)
Até agora só a analisámos a situação estática.
Temos um conjunto de variáveis de entrada com as quais
queremos construir um modelo para explicar a resposta.
E se quisermos incluir mais variáveis? – Situação dinâmica!
Pretendemos agora saber se, introduzindo um conjunto extra de
variáveis (# X’s ≥ 1), a capacidade de explicação da variabilidade de Y melhora significativamente.
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 65
Inferência
“Partial F-test”
Vamos considerar que dispomos um modelo com p variáveis e
pretendemos saber se um subconjunto destas variáveis (r) contribui, como um todo, significativamente para o modelo.
Ou seja, se particionarmos todos os coeficientes do modelo num
conjunto com r variáveis (β1) e noutro com as restantes (β2),
pretendemos testar as hipóteses:
H0:
β
1= 0 H1:β
1≠0MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 66
Inferência
Metodologia:
Calcular SSreg para o modelo completo:
(com
β1e
β2) → SSreg(β)
Para avaliar a contribuição de
β1para a regressão, estimar
um modelo assumindo válida
H0:β
1= 0 (modelo reduzido):
Y=X
2β
2+ε → SSreg(β
2)
Então, SSreg devido a
β1, assumindo que
β2já está no
modelo é:
SSreg(β
1|β
2) = SSreg(β) - SSreg(β
2)
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 67
Regressão Linear Múltipla
Inferência
ET:
Rejeitar se:
(
teste unilateral à direita)
(
1 2)
0 2|
/
ˆ
SSreg
r
F
σ
=
β β
Estimado com o modelo completo.
(
)
0
,
1,
F
>
F r N
−
p
−
α
Variabilidade adicional explicada pelo conjunto de variáveis em estudo
Variabilidade residual
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 68
Regressão Linear Múltipla
Selecção de Variáveis
Forward addition
Select the predictor having the highest correlation with y
Is variable significant? Are other predictors
available? No prediction possible with MLR Validate model No Yes Yes Select additional predictor No Examine final model Is selected predictor significant? Yes (Enter variable) No (Fail to enter) j in f >f fj<fin
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 69
Selecção de Variáveis
NOTA:
As variáveis são testadas sequencialmente, de
acordo com a magnitude da estatística do teste
F-parcial (partial F-test);
Se esta estatística for superior a “F to enter” (f
in), a
variável passa a integrar o modelo;
Caso contrário, o processo pára.
Variáveis seleccionadas não podem ser depois
removidas.
Não explora o efeito que a adição de uma variável
pode ter naquelas já adicionadas.
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 70
Selecção de Variáveis
Backward
elimination
Select all variables and include them in the model
Is its contribution significant ? Validate model No (Remove variable) Nota:
Variáveis eliminadas, não podem voltar a integrar o modelo numa fase posterior.
Select the variable that contributes the least to explaining the Y variability (when all others are in the model)
Yes
(Do not remove variable )
j out
f > f
j out
f < f
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 71
Regressão Linear Múltipla
Selecção de Variáveis
Forward stepwise selection
j in
f>f
Select the predictor having the highest correlation with y
Is variable significant? Are other predictors
available?
No prediction possible with MLR
Is variance explained by each variable in the
model significant? Validate model No Yes Yes Yes Select additional predictor No Examine final model No (Remove variables) Is selected predictor significant?
(Enter variable) Yes No (Fail to enter)
Nota:
Variáveis selecionadas podem vir a ser removidas posteriormente, caso se tornem redundantes quando outras forem adicionadas.
(normalmente ) in out in out f ≥f f =f j in f <f j out f <f
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 72
Regressão Linear Múltipla
Selecção de Variáveis
“Best subset” regression:
Para cada combinação distinta de k variáveis (k=
k
min: k
max):
Estimar o correspondente modelo MLR;
Calcular o valor do critério de
“qualidade de ajuste”
seleccionado;
Ordenar as combinações de variáveis de acordo com o valor
do critério a que elas conduziram;
Guardar os resultados para as melhores
N
combinações;
Apresentar os resultados para as melhores N combinações
obtidas em cada subconjunto de dimensão k considerado
(k=k
min: k
max).
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 73
Selecção de Variáveis
Critérios de qualidade de ajuste:
R
2R
2adj
Mallows-C
pUma medida do erro quadrático total do modelo de regressão
Se o modelo postulado for correcto, Cp dever ser próximo de k+1
(número de parâmetros)
Logo, escolher modelo para o qual o Cp é baixo e próximo de k+1.
( )
(
)
22
1
ˆ
pSSr k
C
n
k
σ
=
−
−
+
Estimado com o modelo completo.
Estimado com o modelo em estudo (k variáveis).
Gráfico Cp vs p
Também penaliza a adição de variáveis sem poder explicativo
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 74
Selecção de Variáveis
Critérios de qualidade de ajuste (cont.):
Mallows-Cp
É conveniente traçar um gráfico Cp vs. (k+1):
procurar qual o modelo com Cp mais baixo que está mais
próximo da recta Cp=k+1.
PRESS
“Leverage” da observação i
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 75
Regressão Linear Múltipla
Selecção de Variáveis
Statistica
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 76
Regressão Linear Multivariada
Tópicos sobre métodos de projecção
(
selecção de dimensões ou de direcções
)
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 77
Metodologias de Projecção
Na abordagem ao problema da colinearidade vimos
que as técnicas de selecção de variáveis
contornavam o problema deixando de lado variáveis
“redundantes”.
As metodologias de projecção, pelo contrário, não
excluem qualquer variável:
O facto de haver redundância, significa que a verdadeira
dimensão dos dados (X’s) é inferior ao número de
variáveis presentes;
Importa pois estimar este subespaço (de dimensão mais
reduzida) e usar as variáveis X’s nele projectadas, para
prever Y.
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 78
Principal Components Regression
PCR (Principal Component Regression)
O subespaço de X a usar é o gerado pelos
componentes principais
Proporcionam uma boa descrição da variabilidade
encontrada em X;
As variáveis (PC1, PC2, …) não são correlacionadas;
Deixando de lado as dimensões menos relevantes, …
… contorna-se o problema da colinearidade!
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 79
PCR
Principal Components Regression
Usar como regressores os scores dos PCs selecionados
Vector com os coeficientes do modelo:
(
)
(
)
1 11 12 1 11 12 1 1 2 1 2ˆ
onde
(PCA)
,
T T PCR p p n n np m m mpb
T T
T y
T
XP
t
t
t
p
p
p
T
P
t
t
t
p
p
p
p
m
−=
=
=
=
≤
⋯
⋯
⋮
⋮
⋯
⋮
⋮
⋮
⋯
⋮
⋯
⋯
Nota:Fórmula válida para o caso de X e Y serem centrados (e eventualmente escalonados). Se não estiverem centrados, deve-se adicionar uma coluna de 1’s para contemplar a estimação da ordenada na origem.
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 80
PCR
Principal Components Regression
NOTA:
PCR pode ser usado quando existem
mais
variáveis que observações
;
Existem técnicas para acomodar dados em falha
nos X’s;
O método é
sensível à escala das variáveis
;
Quando o número de dimensões seleccionadas é
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 81
Partial Least Squares
Em PCR o subespaço utilizado é o que mais explica
a variabilidade presente nos X’s;
No entanto, este não é necessariamente o mais
relevante do ponto de vista de explicar a
variabilidade em Y;
Em PLS procura-se estimar o subespaço que
melhor explica a variabilidade em Y, descrevendo
também a variabilidade em X …
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 82
Partial Least Squares
PLS (Partial Least Squares):
O subespaço é aquele que apresenta “maior covariância”
com Y:
Procedimento:
Procurar direcções no espaço dos X’s que apresentem maior
covariância com os Y’s.
No caso de um Y:
Qual é a combinação linear de X’s com maior covariância com
Y? Resposta: T1;
Qual é a combinação linear de X’s, ortogonal à anterior, com
maior covariância com Y? Resposta:T2;
…
•Wold, S.; Sjöström, M.; Eriksson, L. (2001), PLS-regression: a basic tool of chemometrics. Chemometrics and Intelligent Laboratory Systems, p. 109-130.
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 83
PLS
Partial Least Squares
PLS
Motivação geométrica
X2 X3 X1 t1 y t1 T=XW* X=TPT+EMSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 84
PLS
Partial Least Squares
X
Y
1 2 3 … m … M 1 2 . . . i . . . N 1 … K Variáveis O b se rv aç õe sT
U
t1 t2 t3 u1 u2 u3W
T
P
T
C
T
Nomenclatura: T –scores de X U –scores de Y P –loadings de XW -weights de X (baseados nos resíduos)
W* -weights de X (baseados nas variáveis originais)
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 85
Partial Least Squares
PLS
Scores de X
(NxM): T
(NxA)
T=X•W*
(As colunas de W*
(MxA)contêm informação
sobre as variáveis X que têm mais peso na previsão
de Y);
X=T•P
T+E
(T•P
Té uma boa aproximação de X; P
é a matriz de Loadings, P
(MxA)e E é a matriz de
resíduos
(NxM));
Se houver vários Y’s: Y=U•C
T+G (U•C
Té uma boa
aproximação de Y; C é a matriz de weights de Y,
e G é uma matriz de resíduos de Y
(NxK));
Nota:
N – Número de observações; M – Número de variáveis K
-A – Número de dimensões (variáveis latentes)
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 86
PLS
Os scores de X são utilizados para prever Y:
Y=
T
C
T+F
(F é a matriz de resíduos de previsão de Y)
Y=
X•W*
•
C
T+F=X•B+F
Ou seja, o vector de coeficientes de regressão
segundo PLS é dado por:
B=
W*
•
C
T=
W• (P
T•W)
-1•
C
T Partial Least SquaresMSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 87
Interpretação do modelo PLS
Analisar importância relativa das variáveis X na
previsão de Y:
Por dimensão
: analisar colunas de W* (ou W, ~=)
Variáveis importantes têm pesos de magnitude elevada;
Variáveis com coeficientes semelhantes têm importância
aproximadamente igual;
Global
:
Analisar magnitude dos coeficientes B (importância na
previsão de Y);
VIP’s (Variable Importance in Projection)
Leva em conta a importância da variável na reconstrução
de X e previsão Y.
PLS
Partial Least Squares
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 88
Interpretação do modelo PLS
Analisar o que não é explicado pelo modelo
(resíduos)
Resíduos em Y
Analisar magnitudes (resíduos normalizados);
Gráficos de probabilidade: outliers?
Resíduos em X
(parte de X não usada para estimar Y)
Permite ver se uma observação é adequadamente descrita
pelo modelo PLS, antes de se efectuar a estimativa de Y (se os resíduos de X para a observação forem elevados, então ela está afastada das condições em que o modelo PLS for construído, e não há garantias que as previsões sejam boas).
PLS
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 89
NOTA:
PLS pode ser usado quando existem mais variáveis que
observações;
Acomoda dados em falha;
Pode ser usado com vários Y’s
Adequado se estes apresentarem correlação entre si
Caso contrário construir modelos independentes para cada Y
O método é sensível à escala das variáveis.
Quando o número de dimensões seleccionadas é igual ao
número de variáveis, PLS=PCR=RLM
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 90
PLS dispõe de várias ferramentas de diagnóstico:
“Variable importance in projection” (VIP) – sumário da
importância das variáveis X’s, do ponto de vista da
explicação da variabilidade em X e Y (VIP > 1 => variáveis
influentes);
Diagnóstico de observações: distância das observações
(X’s e Y) aos modelos dos espaços X’s e Y:
Detecção de outliers;
Verificar se uma dada previsão é fiável, com base na distância de
Xnew ao modelo para os X’s e no conjunto de dados usado para desenvolver o modelo.
Diagnóstico de variáveis:
Variabilidade explicada para cada variável (X’s);
Selecção de componentes usando critérios de variabilidade
explicada (R2(Y)=1-SSR/SST) e variabilidade prevista (Q2
(Y)=1-PRESS/SST).
Notas
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 91
Validação Cruzada
Particionar os dados de treino em K grupos
Deixar um grupo de lado, e estimar o modelo com os restantes (K-1)
grupos
Prever as respostas do grupo eliminado, e calcular os respectivos
erros de previsão
Repetir o processo para todos os grupos (todas as amostras ficam
de fora uma vez).
Calcular o erro quadrático médio de previsão, usando todos os erros
de previsão obtidos para os diferentes grupos (RMSECV)
PCR, PLS
Selecção do número de dimensões (variáveis latentes)
Exemplo para 5 grupos (K=5)
Test
Train Train Train Train
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 92
Antes de usar o modelo, este deve ser validado.
Conjunto de teste
Usar um novo conjunto de dados para verificar se as previsões
efectuadas pelo modelo são adequadas ao fim a que este se
destina, e se estão dentro do que é esperado no seu
desenvolvimento.
Validação Cruzada
Nem sempre temos a possibilidade de ter um novo conjunto de
dados:
Usar validação cruzada (5-10 grupos);
Usar técnicas de re-amostragem (resampling, por exemplo: bootstrap).
PCR, PLS
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 93
NOTA:
Tanto PLS como PCR estimam um modelo linear
multivariável do tipo:
No entanto, estes métodos estimam os parâmetros do
modelo de forma distinta ao métodos dos mínimos
quadrados, tirando partido daquilo que para este método é
uma fraqueza: a presença de variáveis X colineares. Eles
incorporam a correlação existente entre estas variáveis na
estimação dos subespaços, com base nos quais estimam
os parâmetros do modelo.
A sua utilização prática, após estimados os parâmetros, é
no entanto idêntica.
PLS
0 1 1 2 2
i i i m im i
Y
=
β
+
β
x
+
β
x
+
⋯
+
β
x
+
ε
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 94
Exemplo: SFCM process (Wise at al., 2003*)
O “Slurry-Fed Ceramic Melter” é um sistema contínuo onde se
processam resíduos nucleares, combinando-os com materiais vítreos, num forno a altas temperaturas, o SFCM.
O resultado é um produto vitrificado, estável, para deposição a
longo prazo, num local apropriado.
Os dados recolhidos consistem das temperaturas no forno em 20
localizações diferentes, dispostos segundo duas linhas verticais com 10 sensores cada,…
X1-base →X10-topo; X11-base →X20-topo
… e o nível da massa fundida no forno, (y).
Pretende-se construir um modelo que relacione as
temperaturas medidas, com o nível de vidro fundido no SFCM.
* in PLS_Toolbox for use in MATLABTM, Eigenvector Research Inc., 2003.
y X10 X9 X8 X7 X6 X5 X4 X3 X2 X1 X20 X19 X18 X17 X16 X15 X14 X13 X12 X11
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 95
Exemplo
0 50 100 150 200 250 300 200 300 400 500 600 700 800 900 1000 1100 1200 Sample number T em pe ra tu re X variables 0 50 100 150 200 250 300 19.8 20 20.2 20.4 20.6 20.8 21 21.2 Sample number Le ve l y variableMSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPF 96
PCR: Selecção do número de componentes usando validação cruzada.
Detalhes: •Validação cruzada: 10 blocos contíguos; •Variáveis centradas. 2 4 6 8 10 12 14 16 18 20 0.109 0.11 0.111 0.112 0.113 0.114 0.115 0.116 0.117
Principal Component Number
R M S E C V L ev el
Exemplo
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 97 2 4 6 8 10 12 14 16 18 20 0.109 0.11 0.111 0.112 0.113 0.114 0.115 0.116 0.117
Latent Variable Number
R M S E C V L ev el
PLS: Selecção do número de componentes usando validação cruzada.
Detalhes:
•Validação cruzada: 10 blocos contíguos; •Variáveis centradas.
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 98
Coeficientes de regressão obtidos por RLM, PCR e PLS
0 2 4 6 8 10 12 14 16 18 20 -0.01 -0.005 0 0.005 0.01 0.015 Variable Number R eg re ss io n C oe ff ic ie nt MLR PCR PLS
MSR 2010 © Engenharia de Processos e Sistemas GEPSI/CIEPQPFDEQ-FCTUC 99
Regressão Linear Multivariada
Comparação de Metodologias
Exemplo: SFCM (Wise at al., 2003)
c c PRESS RMSECV n =
(
)
2 1 ˆ * n i i i y y RMSEC n = − =∑
(
)
2 1 ˆ test n i i i test y y RMSEP n = − =∑
RMSE of Calibration* RMSE of Cross-Validation RMSE of Prediction in a new test set (200 new observations) 0.1471 0.1396 0.1366 0.1496 RMSEP 0.1122 0.1098 0.1108 0.1122 RMSECV 0.0996 0.1034 0.1059 0.0991 RMSEC RR PLS PCR MLR