<div dir="ltr"><div class="gmail_default" style="font-family:trebuchet ms,sans-serif">Em outras palavras, o que o Benilton quer dizer é que você está violando uma das prerrogativas básicas ao propor um modelo que para ser identificado (com parâmetros estimados) requer um número de parâmetros igual ou maior que o número de observações. Veja que o número de colunas na matriz do modelo é igual ao número de observações. O seu modelo linear  explica totalmente os dados e por isso que você tem soma de quadrados zero para o resíduo. Em modelo lineares como esse, sempre que você tiver uma matriz do modelo, X, com n colunas linearmente independentes (n = número de observações), ele se ajustará perfeitamente aos dados. <br>
</div><div class="gmail_default" style="font-family:trebuchet ms,sans-serif"><br>m <- model.matrix(modelo)<br>dim(m)<br><br>À disposição.<br></div><div class="gmail_default" style="font-family:trebuchet ms,sans-serif">
Walmes.<br></div></div>