|
| 1 | +#' Comparar múltiples modelos estadísticos (Selección de Modelos) |
| 2 | +#' |
| 3 | +#' Esta función compara múltiples modelos estadísticos (\code{easy_model}, \code{lm}, \code{glm}, \code{lmer}, \code{glmmTMB}) |
| 4 | +#' calculando criterios de información de Akaike (AIC, BIC), log-verosimilitud (LogLik), |
| 5 | +#' diferencias delta-AIC (\eqn{\Delta AIC}), pesos de Akaike (\eqn{w_i}) y coeficientes de determinación (\eqn{R^2}). |
| 6 | +#' |
| 7 | +#' @param ... Uno o más modelos ajustados (de clase \code{easy_model} o nativos), o una lista de modelos. |
| 8 | +#' @param nombres Vector opcional de caracteres con los nombres descriptivos para cada modelo. |
| 9 | +#' @param criterio Criterio principal de ordenamiento. Opciones: \code{"AIC"} (por defecto), \code{"BIC"} o \code{"R2"}. |
| 10 | +#' |
| 11 | +#' @return Un \code{data.frame} de clase \code{c("easy_comparacion", "data.frame")} ordenado según el mejor ajuste. |
| 12 | +#' @export |
| 13 | +#' |
| 14 | +#' @importFrom stats AIC BIC logLik |
| 15 | +#' @importFrom performance r2 |
| 16 | +#' @importFrom cli cli_h1 cli_alert_success cli_alert_info boxx |
| 17 | +#' |
| 18 | +#' @examples |
| 19 | +#' \dontrun{ |
| 20 | +#' m1 <- analizar_lm(iris, Sepal.Length ~ Species, diagnosticos = FALSE) |
| 21 | +#' m2 <- analizar_lm(iris, Sepal.Length ~ Species + Sepal.Width, diagnosticos = FALSE) |
| 22 | +#' m3 <- analizar_lm(iris, Sepal.Length ~ Species * Sepal.Width, diagnosticos = FALSE) |
| 23 | +#' comparar_modelos(m1, m2, m3, nombres = c("Simple", "Aditivo", "Interaccion")) |
| 24 | +#' } |
| 25 | +comparar_modelos <- function(..., nombres = NULL, criterio = c("AIC", "BIC", "R2")) { |
| 26 | + criterio <- match.arg(criterio) |
| 27 | + |
| 28 | + # Recoger modelos |
| 29 | + lista_mod <- list(...) |
| 30 | + if (length(lista_mod) == 1 && is.list(lista_mod[[1]]) && !inherits(lista_mod[[1]], c("easy_model", "lm", "merMod", "glmmTMB"))) { |
| 31 | + lista_mod <- lista_mod[[1]] |
| 32 | + } |
| 33 | + |
| 34 | + k <- length(lista_mod) |
| 35 | + if (k < 2) { |
| 36 | + stop("Debe proporcionar al menos 2 modelos para realizar la comparacion.", call. = FALSE) |
| 37 | + } |
| 38 | + |
| 39 | + if (is.null(nombres)) { |
| 40 | + llamadas <- as.character(match.call(expand.dots = FALSE)$...) |
| 41 | + if (length(llamadas) == k) { |
| 42 | + nombres <- llamadas |
| 43 | + } else { |
| 44 | + nombres <- paste0("Modelo_", seq_len(k)) |
| 45 | + } |
| 46 | + } |
| 47 | + |
| 48 | + tab_res <- data.frame( |
| 49 | + Modelo = nombres, |
| 50 | + Tipo = character(k), |
| 51 | + K = integer(k), |
| 52 | + LogLik = numeric(k), |
| 53 | + AIC = numeric(k), |
| 54 | + delta_AIC = numeric(k), |
| 55 | + Peso_AIC = numeric(k), |
| 56 | + BIC = numeric(k), |
| 57 | + R2_Marginal = numeric(k), |
| 58 | + R2_Condicional = numeric(k), |
| 59 | + stringsAsFactors = FALSE |
| 60 | + ) |
| 61 | + |
| 62 | + for (i in seq_len(k)) { |
| 63 | + obj <- lista_mod[[i]] |
| 64 | + m_nat <- extraer_modelo(obj) |
| 65 | + |
| 66 | + # Tipo de modelo |
| 67 | + tipo <- if (inherits(obj, "easy_model")) obj$tipo_modelo else class(m_nat)[1] |
| 68 | + tab_res$Tipo[i] <- tipo |
| 69 | + |
| 70 | + # Parametros y LogLik |
| 71 | + ll <- tryCatch(as.numeric(stats::logLik(m_nat)), error = function(e) NA) |
| 72 | + df_p <- tryCatch(attr(stats::logLik(m_nat), "df"), error = function(e) NA) |
| 73 | + tab_res$LogLik[i] <- if (!is.na(ll)) round(ll, 2) else NA |
| 74 | + tab_res$K[i] <- if (!is.na(df_p)) as.integer(df_p) else NA |
| 75 | + |
| 76 | + # AIC y BIC |
| 77 | + aic_val <- tryCatch(as.numeric(stats::AIC(m_nat)), error = function(e) NA) |
| 78 | + bic_val <- tryCatch(as.numeric(stats::BIC(m_nat)), error = function(e) NA) |
| 79 | + tab_res$AIC[i] <- if (!is.na(aic_val)) round(aic_val, 2) else NA |
| 80 | + tab_res$BIC[i] <- if (!is.na(bic_val)) round(bic_val, 2) else NA |
| 81 | + |
| 82 | + # R2 |
| 83 | + r2_val <- tryCatch(suppressWarnings(performance::r2(m_nat)), error = function(e) NULL) |
| 84 | + r2_cond <- .safe_get(r2_val, "R2_conditional") |
| 85 | + r2_marg <- .safe_get(r2_val, "R2_marginal") |
| 86 | + r2_plain <- .safe_get(r2_val, "R2") |
| 87 | + |
| 88 | + if (!is.na(r2_cond)) { |
| 89 | + tab_res$R2_Condicional[i] <- round(r2_cond, 3) |
| 90 | + tab_res$R2_Marginal[i] <- round(r2_marg, 3) |
| 91 | + } else if (!is.na(r2_plain)) { |
| 92 | + tab_res$R2_Marginal[i] <- round(r2_plain, 3) |
| 93 | + tab_res$R2_Condicional[i] <- NA |
| 94 | + } else { |
| 95 | + tab_res$R2_Marginal[i] <- NA |
| 96 | + tab_res$R2_Condicional[i] <- NA |
| 97 | + } |
| 98 | + } |
| 99 | + |
| 100 | + # Calcular Delta AIC y Pesos de Akaike |
| 101 | + min_aic <- min(tab_res$AIC, na.rm = TRUE) |
| 102 | + tab_res$delta_AIC <- round(tab_res$AIC - min_aic, 2) |
| 103 | + |
| 104 | + raw_weights <- exp(-0.5 * tab_res$delta_AIC) |
| 105 | + tab_res$Peso_AIC <- round(raw_weights / sum(raw_weights, na.rm = TRUE), 3) |
| 106 | + |
| 107 | + # Ordenar según criterio |
| 108 | + if (criterio == "AIC") { |
| 109 | + tab_res <- tab_res[order(tab_res$AIC), ] |
| 110 | + } else if (criterio == "BIC") { |
| 111 | + tab_res <- tab_res[order(tab_res$BIC), ] |
| 112 | + } else if (criterio == "R2") { |
| 113 | + tab_res <- tab_res[order(tab_res$R2_Marginal, decreasing = TRUE), ] |
| 114 | + } |
| 115 | + rownames(tab_res) <- NULL |
| 116 | + |
| 117 | + # Reporte en CLI |
| 118 | + cli::cli_h1("Tabla de Comparación y Selección de Modelos (easyModels)") |
| 119 | + mejor_modelo <- tab_res$Modelo[1] |
| 120 | + cli::cli_alert_success("Mejor modelo según {criterio}: {.strong {mejor_modelo}} (AIC = {tab_res$AIC[1]}, \u0394AIC = 0.00, Peso = {tab_res$Peso_AIC[1]})") |
| 121 | + cat("\n") |
| 122 | + print(tab_res) |
| 123 | + cat("\n") |
| 124 | + |
| 125 | + class(tab_res) <- c("easy_comparacion", "data.frame") |
| 126 | + invisible(tab_res) |
| 127 | +} |
0 commit comments