<div dir="ltr"><div class="gmail_default"><span style="font-family:trebuchet ms,sans-serif">Pessoal,<br><br></span></div><div class="gmail_default"><span style="font-family:trebuchet ms,sans-serif">Estes dados apresentam um padrão peculiar onde a solução transformação Box-Cox não resolve. O Wagner mostrou um ajuste que modela a variância com uma função. Aqui estou repetindo o que ele fez, usando funções do pacote nlme, para fazer teste de razão de verossimilhança. Como a relação média variância nos dados não é exatamente uma função monótona, o ajuste com função Exp para a variância não resultou em melhoria. Então eu modelei a variância em função de grupos. Pro caso de comparar os tratamentos com a testemunha, reordene os níveis do fator para a testemunha ser o primeiro nível. Assim, o summary vai exibir estes contrastes.<br></span></div><div class="gmail_default" style="font-family:trebuchet ms,sans-serif"><span style="font-family:monospace,monospace"><br>Fenois <- c(337.311, 344.874, 342.353, 325.546, 333.950, 330.588, 328.067,<br>            328.067, 318.824, 331.429, 333.950, 334.790, 336.471, 338.151,<br>            342.353, 259.160, 252.437, 268.403, 265.882, 266.723, 287.731,<br>            88.571, 88.571,  90.252,  41.513,  52.437,  49.076,  88.571,<br>            88.571,  90.252,  64.202,  60.000,  61.681)<br>Cor <- factor(c(rep("ambar",6), rep("ambar_claro",3), rep("ambar",6),<br>                rep("ambar_claro",6),rep("branco",6),<br>                rep("extra_ambar_claro",3),rep("branco",3)))<br><br>dados <- data.frame(Fenois, Cor)<br><br>xtabs(~Cor, data = dados)<br><br>library(lattice)<br>library(latticeExtra)<br><br>xyplot(Fenois ~ Cor, data = dados)<br><br># ATENÇÃO. O padrão a relação média variância não é uma função<br># monótona, ou seja, pelo gráfico, a variância não aumenta com a média<br># pois o trat 3 tem mesma média do 4 mas com variância bem maior o trat<br># 1 que é o de maior média tem variância baixa.<br><br>mv <- aggregate(Fenois ~ Cor,<br>                data = dados,<br>                FUN = function(y) {<br>                    cbind(m = mean(y), v = var(y))<br>                })<br>str(mv)<br><br>xyplot(Fenois[, 2] ~ Fenois[, 1],<br>       data = mv,<br>       xlab = "Média", ylab = "Variância",<br>       type = c("p", "r")) +<br>    layer(panel.text(x = x, y = y, labels = mv$Cor, pos = 3))<br><br>m0 <- lm(Fenois ~ Cor, data = dados)<br><br>par(mfrow = c(2, 2))<br>plot(m0)<br>layout(1)<br><br>MASS::boxcox(m0)<br><br># A Box-Cox sugere transformação quando existe relação média variância<br># por função monótona ou problema de simetria. Esse padrão ela corrige.<br><br>library(nlme)<br><br>m1 <- gls(Fenois ~ Cor, data = dados, weights = varExp(), method = "ML")<br><br>logLik(m0)<br>logLik(m1)<br><br>anova(m1, m0)<br><br># Razão entre modelos aponta que a função de variância exponencial (que<br># é monótona) não difere do modelo nulo para a variância.<br><br>anova(m1)<br><br># Criar um fator que represente tratamento com a mesma variância. Nesse<br># caso serão formados dois grupos.<br><br>dput(levels(dados$Cor))<br>dados$grupo <- factor(ifelse(dados$Cor %in% c("ambar_claro", "branco"),<br>                             "alta", "baixa"))<br><br>xyplot(Fenois ~ Cor, data = dados, groups = grupo, auto.key = TRUE)<br><br>m2 <- gls(Fenois ~ Cor, data = dados,<br>          weights = varIdent(form = ~1 | grupo),<br>          method = "ML")<br><br>anova(m2, m0)<br>anova(m2)<br><br>summary(m2)<br></span><br></div>​À<div style="font-family:trebuchet ms,sans-serif;display:inline" class="gmail_default">​ disposição<br></div><div style="font-family:trebuchet ms,sans-serif;display:inline" class="gmail_default">Walmes.​</div></div>