<div dir="ltr">Walmes,<div><br></div><div>Apenas um observação: não seria mais interessante aproveitar mais a informação da dose se a tratássemos como variável contínua fazendo uma ANCOVA?</div><div><br></div><div>Minha interpretação apressada do seu código me faz crer que a dose virou fator também. . . </div><div><br></div><div>[]s</div><div>--</div><div>Cesar Rabak</div><div><br></div></div><div class="gmail_extra"><br><div class="gmail_quote">On Thu, Dec 22, 2016 at 9:46 AM, Walmes Zeviani <span dir="ltr"><<a href="mailto:walmeszeviani@gmail.com" target="_blank">walmeszeviani@gmail.com</a>></span> wrote:<br><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex"><div dir="ltr"><div class="gmail_default" style="font-family:trebuchet ms,sans-serif">Ajuste um modelo com as três espécies como se fosse um fatorial. Para obter as DLs é mais fácil usar a parametrização de "estimativas separadas por nível". Veja o código abaixo.<br><br><span style="font-family:monospace,monospace">rm(list = ls())<br>da <- data.frame(<br>    dose = rep(c(0, 0.15625, 0.3125, 0.625, 1.25, 2.5, 5, 10), each = 4),<br>    n = rep(10, 32),<br>    m1 = c(1, 3, 4, 0, 5, 2, 5, 5, 4, 4, 2, 2, 0, 3, 3, 5, 10,<br>           10, 7, 0, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10,<br>           10),<br>    m2 = c(0, 3, 4, 4, 1, 0, 4, 0, 0, 1, 0, 0, 3, 2, 0, 3, 3, 2,<br>           0, 3, 3, 3, 3, 6, 9, 4, 7, 2, 10, 10, 10, 10),<br>    m3 = c(4, 2, 2, 3, 4, 6, 8, 6, 4, 6, 6, 5, 5, 9, 5, 8, 10,<br>            8, 5, 5, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10,<br>            10))<br>da$Dose <- as.factor(da$dose)<br><br>da <- reshape2::melt(da,<br>                     id.vars = c("dose", "Dose", "n"),<br>                     <a href="http://variable.name" target="_blank">variable.name</a> = "esp",<br>                     <a href="http://value.name" target="_blank">value.name</a> = "mort")<br>str(da)<br><br>library(lattice)<br><br>bwplot(mort/n ~ Dose | esp,<br>       data = da,<br>       pch = "|",<br>       as.table = TRUE,<br>       layout = c(NA, 1))<br><br>xyplot(mort/n ~ Dose | esp,<br>       data = da,<br>       type = c("p", "a"),<br>       as.table = TRUE,<br>       layout = c(NA, 1))<br><br>m0 <- glm(cbind(mort, n - mort) ~ esp * dose,<br>          data = da,<br>          family = quasibinomial)<br><br>par(mfrow = c(2, 2))<br>plot(m0)<br>layout(1)<br><br>summary(m0)<br><br>anova(m0, test = "F")<br><br># Em um modelo binomial do tipo ~ \beta_0 + \beta_1 * x, a DL_{50} é<br># -\beta_0/\beta_1.<br><br># Ajuste do modelo com estimativas separadas para cada nível.<br>m1 <- glm(cbind(mort, n - mort) ~ 0 + esp/dose,<br>          data = da,<br>          family = quasibinomial)<br><br># Deviances iguais porque são modelos iguais.<br>deviance(m0)<br>deviance(m1)<br><br>summary(m1)<br><br>beta <- matrix(coef(m1), ncol = 2)<br>dl <- -beta[, 1]/beta[, 2]<br><br>pred <- with(da,<br>             expand.grid(esp = levels(esp),<br>                         dose = seq(min(dose), max(dose),<br>                              <wbr>      length.out = 30)))<br><br>pred$p <- predict(m1, newdata = pred, type = "response")<br><br>library(latticeExtra)<br><br>xyplot(mort/n ~ dose | esp,<br>       data = da,<br>       as.table = TRUE,<br>       layout = c(NA, 1)) +<br>    as.layer(xyplot(p ~ dose | esp,<br>                    data = pred,<br>                    type = "l",<br>                    col = 2,<br>                    lwd = 2)) +<br>    layer(panel.abline(v = dl[which.packet()],<br>                       h = 0.5,<br>                       lty = 2))<br></span><br>À disposição.<br></div><div class="gmail_default" style="font-family:trebuchet ms,sans-serif">Walmes.<br></div>​</div>
</blockquote></div><br></div>