[R-br] fatorial com efeito aleatório

[walmes .]

Um fatorial 2x7x10 pode ser considerado sim, afinal é justificado pelo
desenho do experimento. No entanto, as hipóteses que você deseja avaliar
podem não ser aquelas representadas pelos efeitos em um fatorial 2x7x10,
mas quase que sempre serão funções desses efeitos, como médias marginais e
contrastes. Você não pode considerar tipo como aleatório porque os tipos,
até onde deduzi, não foram selecionados de um universo de possíveis tipos e
sim escolhidos pelo pesquisador, portanto é pouco justificável a suposição
de que exista uma distribuição para os efeitos se não existe população e um
processo aleatório de aquisição. No entanto, se o desejo de declarar como
aleatório é para poder ver o efeito dos demais termos na média de todos os
tipos, então você quer uma média marginal. Pelo ajuste que fiz, tem-se
interações o que, na minha opinião, contra indica o uso de médias marginais
porque aí você estaria olhando o efeito de um fator marginalizando para os
níveis dos demais fatores sendo que eles interagem. Um detalhe a mais é que
para declarar respostas binomiais você tem que passar uma matriz de duas
colunas (sucesso e fracasso) do lado esquerdo da fórmula (ou proporção
amostral e n como weights). Aqui cabe uma ressalva, quando se considera
binomial tá implicita a suposição de que os ensaios de Bernoulli (no caso
de 6 à 11) são todos independentes mas se os explantes foram mantidos
juntos, a contaminação por fungo de um pode elevar a chance de contaminação
dos outros, por exemplo, afinal, estão lado. Esse efeito contagioso ou essa
falta de independência provoca uma espécia de 8 ou 80 nos resultados, ou tá
todo mundo sadio ou quando tem doentes, eles são muitos. Comento isso
porque já tive exposição à dados assim, as medidas de ajuste de modelos e
gráficos de resíduos são ficam bons, a superdispersão aumenta e cai o poder
dos testes. Segue um CMR.

da <- read.table("/home/walmes/Downloads/explantes.txt",
                 header=TRUE, sep="\t")
str(da)

da <- transform(da, meio1=factor(meio1), tipo1=factor(tipo1),
                prop=n_oxidaram/n_explant)

## Delineamento regular, fatorial completo 2*7*10.
xtabs(~tipo1+meio1+genotipo, data=da)

require(latticeExtra)

xyplot(prop~tipo1|meio1, groups=genotipo, data=da)

## Muita casela com prop amostral zero. Pode ser um problema.

## Declaração do modelo fatorial completo, glm (quasi)binomial.
m0 <- glm(cbind(good=n_oxidaram, bad=n_explant-n_oxidaram)~
          genotipo*meio1*tipo1, data=da, family=quasibinomial)
summary(m0)
## Verifica-se presença de superdispersão (phi=3.09).

## Teste de modelos sequenciais.
anova(m0, test="F")
drop1(m0, test="F", scope=.~.)

## Modelo só com efeitos até segundo grau.
m1 <- update(m0, .~(genotipo+meio1+tipo1)^2)

## Modelo só com efeitos de primeiro grau.
m2 <- update(m0, .~genotipo+meio1+tipo1)

anova(m0, m2, test="F")
anova(m0, m1, test="F")

require(doBy)

## Médias marginais, embora, pelo fato de existir interação dupla e uma
## tripla de 4% não penso que seja adequado considerar efeitos marginais.
lsm <- LSmeans(m0, effect=c("meio1", "genotipo"))

## Na escala do preditor linear (-Inf,Inf).
eta <- lsm$coef[,"estimate"]

## Na escala da resposta, ou seja, probabilidade (0,1).
round(m0$family$linkinv(eta), 3)

À disposição.
Walmes.
​
-------------- Próxima Parte ----------
Um anexo em HTML foi limpo...
URL: <http://listas.inf.ufpr.br/pipermail/r-br/attachments/20140918/e1abbaec/attachment.html>