---
title: "Introduccion a GREENREG"
output: rmarkdown::html_vignette
vignette: >
  %\VignetteIndexEntry{Introduccion a GREENREG}
  %\VignetteEngine{knitr::rmarkdown}
  %\VignetteEncoding{UTF-8}
---

```{r, include = FALSE}
knitr::opts_chunk$set(
  collapse = TRUE,
  comment = "#>",
  fig.width = 7,
  fig.height = 5
)
```

## Que es GREENREG

**GREENREG** es un paquete pensado para facilitar el ajuste, la validacion
de supuestos y la interpretacion de modelos estadisticos comunes en
ciencias agropecuarias y ambientales, sin tener que escribir a mano las
pruebas de diagnostico cada vez.

Incluye funciones para:

- Regresion Lineal Simple (`greenreg_rls()`) y Multiple (`greenreg_rlm()`)
- Regresion Logistica (`greenreg_logistico()`) y de Poisson (`greenreg_reg_poisson()`)
- Modelos de series de tiempo: AR, MA, ARMA y ARIMA
  (`greenreg_modelo_ar()`, `greenreg_modelo_ma()`, `greenreg_modelo_arma()`, `greenreg_modelo_arima()`)
- `greenreg_analisis_datos()`, que sugiere que modelo usar segun el tipo de la
  variable respuesta

```{r setup}
library(GREENREG)
```

## Regresion Lineal Multiple

El flujo tipico es: ajustar el modelo, imprimirlo (para leer coeficientes,
VIF y el veredicto de los supuestos) y graficarlo (para inspeccionar los
diagnosticos visualmente).

```{r}
data(datos_rendimiento_maiz)

modelo <- greenreg_rlm(rendimiento_maiz_ton_ha ~ ., data = datos_rendimiento_maiz)
modelo
```

`print()` reporta, en orden: los coeficientes con sus intervalos de
confianza, el Factor de Inflacion de la Varianza (VIF) para detectar
multicolinealidad, y una bateria de pruebas de supuestos (normalidad,
homocedasticidad, independencia y linealidad) traducidas a un veredicto
accionable.

```{r, fig.alt = "Diagnosticos graficos del modelo de regresion lineal multiple"}
plot(modelo)
```

`plot()` genera una secuencia de graficas de diagnostico: distribucion de
variables, relacion Y vs. cada predictor, ajuste observado-vs-predicho,
QQ-plot de normalidad, homocedasticidad, independencia, VIF, distancia de
Cook y apalancamiento (leverage).

## Regresion Logistica

```{r}
data(datos_roya_cafe)

modelo_log <- greenreg_logistico(
  presencia_roya ~ humedad_relativa_pct + altitud_msnm + manejo_sombra,
  data = datos_roya_cafe
)
modelo_log
```

El resultado incluye los momios (Odds Ratio), la pseudo-R2 de McFadden, la
matriz de confusion y el area bajo la curva ROC (AUC).

## Series de tiempo

```{r}
data(datos_anomalia_temperatura)

modelo_ts <- greenreg_modelo_ar(datos_anomalia_temperatura$anomalia_c, p = 2)
modelo_ts
```

`greenreg_modelo_ar()` (y sus analogos `greenreg_modelo_ma()`, `greenreg_modelo_arma()`,
`greenreg_modelo_arima()`) reportan la estabilidad del modelo (raices inversas
dentro del circulo unitario), y el diagnostico de residuos mediante la
prueba de Ljung-Box (ruido blanco) y Shapiro-Wilk (normalidad).

## Que modelo debo usar

Cuando no es evidente que tipo de modelo conviene, `greenreg_analisis_datos()`
inspecciona la variable respuesta y sugiere una opcion:

```{r}
greenreg_analisis_datos(datos_rendimiento_maiz, "rendimiento_maiz_ton_ha")
```

## Para saber mas

Consulta la documentacion de cada funcion (por ejemplo, `?greenreg_rlm`) para el
detalle de cada estadistico reportado y las referencias metodologicas
(Montgomery et al., 2021; Box & Jenkins, 1970) en las que se basa el
paquete.