02972nam a2200277 a 450000100080000000500110000800800410001910000190006024501500007926003530022952017480058265000180233065000190234865000270236765000220239465000250241665300350244165300380247665300410251465300390255565300130259470000220260770000220262970000170265170000260266820352942023-04-26       2015    bl uuuu     u00u1 u    #d1 aLUIZ, A. J. B.  aBusca de relações quando o número de variáveis é muito maior que o de observaçõesbo caso de dados hiperespectrais.h[electronic resource]  aIn: REUNIÃO ANUAL DA REGIÃO BRASILEIRA DA SOCIEDADE INTERNACIONAL DE BIOMETRIA, 60.; SIMPÓSIO DE ESTATÍSTICA APLICADA À EXPERIMENTAÇÃO AGRONÔMICA, 16., 2015, Presidente Prudente. A estatística e os novos desafios: tratamento e modelagem da informação: anais... Presidente Prudente: Sociedade Internacional de Biometria, 2015. 10 p.c2015  aResumo: Experimentos em que são coletadas muitas medidas em cada unidade experimental têm matrizes de dados nas quais o número de colunas (variáveis) é muito maior que o de linhas (observações). Dados hiperespectrais são habitualmente coletados por instrumentos que medem instantaneamente as reflectâncias de um alvo em milhares de comprimentos de onda e podemos considerar que cada uma delas constitui uma variável prognóstica num modelo de regressão. A facilidade na obtenção de cada vez maior número de variáveis simultâneas não se repete na obtenção das observações dessas variáveis. A análise de componentes principais (ACP) é indicada para tratar tal quantidade de variáveis e reduzir a dimensionalidade dos dados, mas sua aplicação ainda exige a obtenção de um grande número de medidas. Já a análise discriminante é usada na tentativa de classificar diferentes alvos, mas precisa ser precedida da seleção de um pequeno subconjunto de bandas, geralmente escolhidas com base em informações preexistentes e não nos próprios dados. A regressão linear permite empregar o método stepwise para selecionar um subconjunto de bandas, mas só é indicada para variáveis dependentes quantitativas. O presente trabalho propõe o uso da regressão logística politômica stepwise para selecionar um pequeno conjunto de bandas espectrais que discrimine alvos em k classes, quando a variável resposta de interesse é nominal. Apresentamos um exemplo no qual os dados espectrais são utilizados para construção de modelos logísticos com um pequeno número de preditores (bandas) para classificação de folhas verdes em classes correspondentes a três culturas agrícolas: soja perene, milho e braquiária.  aLinear models  aRemote sensing  aEstatística agrícola  aRegressão linear  aSensoriamento remoto  aPolytomous logistic regression  aRegressão logística politômica  aSeleção de variáveis explicativas  aSelection of explanatory variables  aStepwise1 aMAIA, A. de H. N.1 aSANCHES, I. D. A.1 aGÜRTLER, S.1 aSOUZA FILHO, C. R. de