<div dir="ltr"><div class="gmail_default" style="font-family:trebuchet ms,sans-serif">Basicamente não existe segredo para reproduzir a mesma análise. O modo mais direto é declarar o modelo para estimar os parâmetros separados para cada nível do fator, depois montar as matrizes correspondentes às funções lineares e submetê-las à glht() ou qualquer outra função que permita inferências para funções lineares de parâmetros. O pacote car, contrast e gmodels têm funções equivalentes à glht(), minha preferida.<br>
<br><span style="font-family:courier new,monospace">##-----------------------------------------------------------------------------<br><br>m0 <- lm(Y~0+estudo/X, DATA)<br>summary(m0)<br><br>m0$assign<br>tapply(coef(m0), m0$assign, mean)<br>
<br>## Matriz de pesos.<br>m <- rbind(rep(1, nlevels(DATA$estudo))/nlevels(DATA$estudo))<br><br>require(multcomp)<br><br>## Intercepto médio.<br>X <- cbind(m, 0*m)<br>summary(glht(m0, linfct=X), test=adjusted(type="none"))<br>
<br>## Inclinação média.<br>X <- cbind(0*m, m)<br>summary(glht(m0, linfct=X), test=adjusted(type="none"))<br><br>## As inclinações para cada nível saem no próprio summary() do modelo<br>## quando se declara o modelo na forma ~0+fator/numérica. Para<br>
## conhecimento, pode ser feito assim.<br><br>M <- diag(nlevels(DATA$estudo))<br>X <- cbind(M, 0*M)<br>summary(glht(m0, linfct=X), test=adjusted(type="fdr"))<br><br>X <- cbind(0*M, M)<br>summary(glht(m0, linfct=X), test=adjusted(type="fdr"))<br>
<br>##-----------------------------------------------------------------------------<br><br></span>À disposição.<br></div><div class="gmail_default" style="font-family:trebuchet ms,sans-serif">Walmes.<br></div>​</div>