E8 — GLMM II: lme4, glmmTMB e a ponte bayesiana

Ajuste e diagnóstico de GLMM. Convergência. lme4 versus glmmTMB. O mesmo modelo reajustado em brms: priors, MCMC, pp_check() e relato BARG.

Quinta, 24 de setembro de 2026 · tarde · 4,5 h

Dois blocos. No primeiro, GLMM na prática, com todos os problemas reais. No segundo, o mesmo modelo, os mesmos dados, outro arcabouço.

Slides

Abrir slides

Conteúdo

Bloco 1 — frequentista (3 h)

  1. GLMM com resposta não normal: glmer() e glmmTMB().
  2. Quando usar glmmTMB em vez de lme4 — zeros inflados, dispersão modelada, famílias adicionais.
  3. Convergência — o que os avisos significam, e o que fazer: reescalar preditoras, simplificar a estrutura aleatória, trocar o otimizador.
  4. Diagnóstico com DHARMa em modelos mistos.
  5. \(R^2\) marginal e condicional (Nakagawa) e relato segundo Davis & Kay (2023).

Bloco 2 — a ponte bayesiana (1,5 h)

  1. A sintaxe do brms é a do lme4 — o custo de transferência é quase zero.
  2. Priors fracamente informativas — o que são, por que o padrão importa, análise de sensibilidade.
  3. Diagnóstico de MCMC — \(\hat{R}\), ESS, transições divergentes.
  4. pp_check() — checagem preditiva posterior, que é o análogo honesto do diagnóstico de resíduos.
  5. Intervalo de credibilidade versus intervalo de confiança — o que cada um permite dizer.
  6. Relato BARG (Kruschke 2021).
Aviso

Traga o brms já compilado. Os modelos desta aula estão em cache (file = "cache/..."), mas o seu primeiro brm() na máquina de vocês vai compilar do zero.

Prática

Os enunciados estão no fim do deck e pedem que você use os seus próprios dados. Para acompanhar em sala, o mesmo roteiro rodado nos dados do curso, com um take-home por item:

Dados

  • RIKZ.txt — o mesmo do E7, agora nos dois arcabouços.
  • Exemplo dos girinos de McElreath, via Kurz cap. 13.

Leituras

Obrigatória

  • Gelman, A.; Hill, J. & Vehtari, A. 2020. Regression and Other Stories. Cambridge University Press. — cap. 9, Prediction and Bayesian inference (p. 113): a 9.1 é a propagação de incerteza por simulações da posterior, e a 9.5 percorre prioris uniformes, fracamente informativas e informativas em regressão, que é a discussão de hoje. O cap. 22 fecha com modelos multiníveis na 22.5.
  • Bürkner, P.-C. 2017. brms: an R package for Bayesian multilevel models using Stan. Journal of Statistical Software 80(1). — o pacote do encontro inteiro.

Complementar

Recursos externos

  • Covariance structures with glmmTMB — AR(1), Toeplitz, simetria composta, Matérn e espaciais. A estrutura propto ajusta modelo misto filogenético por máxima verossimilhança, com exemplo completo nos carnívoros do carni70.
  • priorsense — análise de sensibilidade à prior por power-scaling, sem reajustar o modelo; veja a vinheta com brms.
  • brms — visão geral e a referência de brm(), onde estão as definições de iter, warmup e chains.

Volta para o índice do curso.