… y ajustar un modelo GLM

Introducción

Este post quiere ser un pequeño acordeon (chuleta) de ciertas funciones y paquetes en R para hacer análisis espaciales.

Si, he aceptado que hay un montón de cosas que valen la pena en R y este es mi intento de volverme a acercar a ese lenguaje que sigo considerado obscuro y sucio. Sin embargo, a la comunidad de estadística le gusta. Supongo que por razones históricas y la típica ley de potencia de Winners take all… Yo

Supuestos

• Datos extraidos de Biospytial y guardados en CSV en el backend de Redis.
  • > (Actualizado. el objeto en redis es un pickle de un DataFrame de Pandas. No he encontrado forma trivial de portar estos objetos en R. Se utiliza entonces un formato CSV (estandar) guardado con antelación)
• Command-line. No hay interfáz gráfica

Preparación

• Seleccionar un repositorio CRAN (alguno de los dos)

  chooseCRANmirror(graphics=FALSE)
  options(repos='http://cran.rstudio.com/')

• Cargar driver de Redis

  • library('rredis')

• Conectar a BD redis

• redisConnect(host='redis',password='biospytial.')

   
• Read data from CSV

  TDF = read.csv("/outputs/training_data_sample_puebla_p2_abies_pinophyta.csv")
  PDF = read.csv('/outputs/presence_only_models/predictors/dataset100x100-puebla-p2/0-pred.csv')

   

Definir el modelo

$$ Y(x) = Dist.Road + Pop.denst + vegtype$$ Se procederá a ajustar un modelo GLM con supuestos de independencia en los residuales (i.e. estandard GLM). formula = ‘Pinophyta ~ Dist.to.road_m + Population_m + tipos’ mod_sig = glm(formula, data=TDF, family=binomial()) summary(mod_sig) confint(mod_sig)