[R-br] fatorial com efeito aleatório

Quarta Setembro 24 20:27:26 BRT 2014

Respostas dentro da mensagem.

Walmes.

==========================================================================
Walmes Marques Zeviani
LEG (Laboratório de Estatística e Geoinformação, 25.450418 S, 49.231759 W)
Departamento de Estatística - Universidade Federal do Paraná
fone: (+55) 41 3361 3573
skype: walmeszeviani
homepage: http://www.leg.ufpr.br/~walmes
linux user number: 531218
==========================================================================

2014-09-24 16:44 GMT-03:00 Maurício Lordêlo <mslordelo em gmail.com>:

> Caro Walmes,
> Muito obrigado pelo retorno com estes comentários.
> Caso seja possível, tem alguns pontos que gostaria que esclarecesse nesta
> sua análise.
> 1. No modelo fatorial completo declarado (m0), você  utilizou  uma
> (quasi)binomial em lugar da binomial pelo fato de haver muitas caselas com
> proporções amostrais iguais a zero?
>
Na verdade eu sempre começo com o quasi(binomial|poisson) antes. Se houver
a dispersão ficar ao redor de 1 aí decido se retiro o quasi.

> 2. Foi verificada a  presença de superdispersão (phi=3.09) neste modelo
> pois este parâmetro (phi) deveria ser próximo a 1? Tem algum teste para
> isso?
>
Tem um teste chi-quadrado para isso. No caso, sabemos por análise prévia
que a superdispersão não é em si um excesso de dispersão mas sim uma falta
de capacidade do preditor explicar a elevada ocorrência de zeros.

> 3. A anova(m0) mostrou que as interações duplas e  a tripla foram
> significativas. Neste caso não se deve considerar os efeitos principais
> (marginais) e somente das interações. Está claro para mim que o anova(m0)
> faz uma análise de deviance, começando do modelo nulo até o modelo
> completo. Porém, o que os resultados do summary(m0) mostram nesta situação?
> Apenas o meio7 foi significativo.
>
Anova faz testes de deviance sequenciais, ou seja, testa a hipótese nula
de que os termos não comuns em dois modelos encaixados tem efeito nulo,
por exemplo, anova(lm(y~1), lm(y~bloc+trat)) tá testando se o efeito de
bloco e trat são simultaneamente e todos iguais a zero. Já o summary testa
termo a termo, um teste que é marginal aos demais termos presentes, e sua
interpretação depende da parametrização considerada.

> 4. O que o comando drop(m0, test="F", scope=.~.) faz? Observo em todos os
> casos que os resultados não foram significativos.
>
Faz um teste sobre o efeito de cada termo do modelo de forma marginal, ou
seja, assumindo que esse termo entrou por último, ou seja, é o que os
usuários de SAS conhecem como somas de quadrados tipo III (aqui no caso é
deviance), mas é no mesmo sentido.

> 5. Você testou modelo m0 com dois modelos: um só com efeito de primeiro
> grau(m2) e outro só com efeitos até segundo grau(m1). Algum critério para a
> escolha destes dois modelos?
>
O critério é que as hipóteses em questão comparando tais modelos fazem
sentido (pelo menos para mim). Eu tenho interesse de saber se o termo
abandonado tem efeito nulo ou não.

> 6. No cálculo das médias marginais porque você considerou apenas a
> interação entre genótipo e meio, uma vez que a interação tripla foi
> significativa?
>
Só fiz isso para mostrar como que faz, embora neste caso em particular não
faça nenhum sentido pois as interações foram significativas e por isso
teste para efeitos marginais é contra indicado.

Walmes.

> Agradeço mais uma vez pela atenção.
>
> Maurício
>
>
>
> Em 18 de setembro de 2014 11:06, walmes . <walmeszeviani em gmail.com>
> escreveu:
>
>> 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.
>> 
>>
>> _______________________________________________
>> R-br mailing list
>> R-br em listas.c3sl.ufpr.br
>> https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
>> Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça
>> código mínimo reproduzível.
>>
>
>
> _______________________________________________
> R-br mailing list
> R-br em listas.c3sl.ufpr.br
> https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
> Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça
> código mínimo reproduzível.
>
-------------- Próxima Parte ----------
Um anexo em HTML foi limpo...
URL: <http://listas.inf.ufpr.br/pipermail/r-br/attachments/20140924/9e2debd8/attachment.html>