---
title: "GWPR"
author: "Elizabeth Salinas"
date: "10 de octubre de 2016"
output: html_document
---

1. Importe para o R o shape, nomei-o, informe a classe deste objeto, e obtenha, no R, um plot e, usando o comando 'summary(nome do objeto@data)', apresente, para cada variável do banco, seu resumo estatístico.

```{r}
library(rgdal)

setwd("F:/Doutorado/Disciplinas/Analise Espacial de Dados Usando o Programa R/Trabalho final")

# lendo o shape 'Pctes 2014_cv_censo_coberturas_distancias
pscv <- readOGR(".","Pctes 2014 e cv completa_recortada") ## não colocar ".shp"
class(pscv)
plot(pscv)
names(pscv@data)
summary(pscv@data)

```

2. Informe quais variáveis explanatórias serão considerada na modelagem e quais seriam desconsideradas, por colinearidade, na modelagem. Usando os VIFs (Variation Inflate Factors) e considerando um ponto de corte igual a 3, elimine a colinearidade.

```{r}
#modelo poisson
attach(pscv@data)
modpoisson_dis <- glm(HTA ~ M.Dist_Dis, family=poisson, offset = log(pscv@data$HTA_esp_in))
summary(modpoisson_dis)

modpoisson_prof <- glm(HTA ~ X.Profesion, family=poisson, offset = log(pscv@data$HTA_esp_in))
summary(modpoisson_prof)

modpoisson_viv <- glm(HTA ~ X.Viv_inad, family=poisson, offset = log(pscv@data$HTA_esp_in))
summary(modpoisson_viv)

modpoisson_65 <- glm(HTA ~ X_65., family=poisson, offset = log(pscv@data$HTA_esp_in))
summary(modpoisson_65)

modpoisson_insc <- glm(HTA ~ X.insc2, family=poisson, offset = log(pscv@data$HTA_esp_in))
summary(modpoisson_insc)

modpoisson2 <- glm(HTA ~ X.Viv_inad+X.Profesion+M.Dist_Dis+X.insc2+X_65., family=poisson, offset = log(HTA_esp_in))
summary(modpoisson2)

#Cálculo VIF
library(car)
(vifs <- round(sort(vif(modpoisson2), d = T), 2))

```

3. Obtenha uma matriz de vizinhança que você considere adequada e obtenha o valor do I de Moran Global dos resíduos e seu respectivo valor de p. Avalie se haverá  necessidade de considerar um modelo de regressão espacial.

```{r}
#criando matriz queen
library(spdep)
pscv_queen<-poly2nb (pscv, queen=TRUE) # Aceita vizinho mesmo com só um ponto em comum 
print(pscv_queen)
str(pscv_queen)
coords.pol<-coordinates(pscv) # coord dos centroides
plot(pscv)
plot(pscv_queen, coords.pol, add=TRUE) # Graficas as relações de vizinhança na matriz queen

# matriz de pesos
# style = "W" - soma dos pesos por linha = 1
# zero.policy=T - permite soma zero - algumas feições sem vizinhos
mapa.nbw <- nb2listw(pscv_queen, style="W", zero.policy = T) # matriz de pesos;
summary(mapa.nbw,zero.policy=T)

# Calc do I de Moran dos resíduos do modelo
lm.morantest(modpoisson2, mapa.nbw, zero.policy = T)
# resíduos com dep espacial I = 0.17, p = 2.2e-16 # Vamos considerar mod de regress espacial

```
4. Geographically weighted Poisson regression - GWPR - Indica se está ocorrendo não estacionariedade - locais onde os coeficientes de regressão ponderados localmente se distânciam dos seus valores globais.

```{r}
#modelo GWR
library(lctools)
bw <- gw.glm.bw(HTA ~ X.Viv_inad+X.Profesion+M.Dist_Dis+X.insc2+X_65.+ offset(log(HTA_esp_in)), "poisson", pscv@data, coords.pol, kernel = 'adaptive', algorithm="exhaustive",optim.method="Nelder-Mead",b.min = 890, b.max=1000)

gwpr <- gw.glm(HTA ~ X.Viv_inad +X.insc2+ X.Profesion + M.Dist_Dis + X_65.+ offset(log(HTA_esp_in)), "poisson", pscv@data, 890, kernel = 'adaptive', coords.pol)

summary(gwpr$GGLM_LEst)
summary(gwpr$GGLM_LPvalues)
summary(gwpr$GGLM_GofFit)

#Exportando os resultados
write.table(gwpr$GGLM_LEst, file = "gwpr.Lest.txt", sep = ",", col.names = NA, qmethod = "double")

write.table(gwpr$GGLM_LPvalues, file = "gwpr.LPvalues.txt", sep = ",", col.names = NA, qmethod = "double")

write.table(gwpr$GGLM_GofFit, file = "gwpr.GofFit.txt", sep = ",", col.names = NA, qmethod = "double")

```