Passo 0: Aplicação do ajuste inicial |
Aplica Power ou
log transformação nos dados dos R24h
observados até que a distribuição dos dados esteja próxima
da normal. |
Ajusta os R24h observados para vieses não
individuais, como estações do ano, dias da semana e efeito
de amostragem. |
Ajusta os R24h observados para vieses não
individuais, como estações do ano, dias da semana e efeito
de amostragem. |
Estima a distribuição da probabilidade de
consumo de um dado dia, baseado na frequência relativa de
valores diferentes de zero nos R24h. |
Aplica transformação Box-Cox para obter uma
distribuição próxima da normal. |
Aplica transformação Box-Cox para obter uma
distribuição próxima da normal. |
|
Constrói uma transformação em dois estágios
para aproximar a distribuição dos R24h modificados de uma
distribuição normal. |
Aplica Power ou
log transformação nos dados dos R24h
observados até que a distribuição dos dados esteja próxima
da normal. |
Coloca de lado os zeros dos R24h e ajusta o
consumo para vieses não individuais, como estações do ano,
dias da semana e efeito de amostragem. |
|
|
|
|
|
Constrói uma transformação em dois estágios
para aproximar a distribuição dos R24h transformados de uma
distribuição normal. |
|
|
Passo 1: Descrição da relação entre R24h individuais
medidos e a ingestão individual usual |
Os dados do R24h estimam sem viés a ingestão
usual transformada (pressuposto A). |
Os dados dos R24h estimam sem viés a ingestão
usual na escala não transformada (pressuposto B). |
Os dados dos R24h estimam sem viés a ingestão
usual na escala não transformada (pressuposto B). |
A ingestão usual é a probabilidade de consumo
em um determinado dia multiplicado pela ingestão usual total
para um dia de consumo alimentar. |
Estima a probabilidade de consumo usando
regressão logística e a ingestão total diária usando
regressão linear. |
Monta um modelo polinomial fracionado para os
dados transformados. |
|
|
|
Um R24h mede o consumo exatamente igual a
zero. |
|
|
|
|
|
Os dados dos R24h com valores diferentes de
zero estimam sem viés a ingestão usual na escala não
transformada (pressuposto B). |
|
|
Passo 2: Separação da variação total das medidas do
R24h em variação intra e interindivíduos |
A variância intraindividual é a mesma para
todos os indivíduos. |
A variância intraindividual pode variar entre
os indivíduos. |
A variância intraindividual é a mesma para
todos os indivíduos. |
A variância intraindividual pode variar entre
os indivíduos. |
O resíduo transformado é utilizado para estimar
a variância inter e intraindividual, a qual é utilizada para
reduzir a média alimentar de um indivíduo a uma média
geral. |
Obtém uma estimativa polinomial fracionada de
efeito misto para separar a variabilidade intra da
interindivíduos em função da idade. |
Passo 3: Estimação da distribuição da ingestão usual
contabilizando a variância intraindividual |
Constrói um conjunto de valores intermediários
que retém a variância entre indivíduos dos dados
transformados do R24h. Transformação inversa: aplica a
função inversa da inicial para cada valor intermediário. A
distribuição empírica inversamente transformada é a
distribuição da ingestão usual. |
Constrói um conjunto de valores intermediários
que retém a variância entre indivíduos dos dados
transformados do R24h. Transformação inversa: aplica a
função inversa da transformação em dois estágios,
simultâneos a ajustes para viés, e ajusta cada valor
intermediário em escala normal para obter a escala original
em contrapartida. A distribuição empírica inversamente
transformada é a distribuição da ingestão usual. |
Constrói um conjunto de valores intermediários
que retém a variância entre indivíduos dos dados
transformados do R24h. Transformação inversa: usando a
função inversa da transformação inicial
Power ou log
simultaneamente com ajustes para viés, adequa cada valor
intermediário em escala normal para obter a escala original
em contrapartida. A distribuição empírica inversamente
transformada é a distribuição da ingestão usual. |
Transformação inversa: aplica a função inversa
da transformação em dois estágios; é simultâneo a ajustes
para viés; descreve matematicamente a distribuição em escala
original da ingestão usual do consumo diário.
Matematicamente, combina a distribuição do consumo diário
estimado com a distribuição estimada da probabilidade de
consumo para obter o conjunto de valores intermediários que
representam a ingestão usual, assumindo que a probabilidade
de ingestão usual e o consumo diário são estatisticamente
independentes. A distribuição empírica inversamente
transformada é a distribuição da ingestão usual. |
Transformação inversa: solução integral dos
valores inteiros não negativos dos parâmetros Box-Cox. A
estimativa da ingestão usual é obtida multiplicando a
probabilidade de consumo e a ingestão diária total estimada
por modelos de regressão. |
Identifica valores discrepantes pelo método
Grubbs. Testa a normalidade residual e a distribuição dos
dados por Kolmogorov-Smirnov usando o módulo estatístico
S-plus. Checa a distribuição de λ. Quando encontrados
valores discrepantes, estes são eliminados e os passos
anteriores são repetidos. Transformação inversa: aplica a
transformação inversa com uma função quadrática gaussiana
(Monte Carlo Simulations). |