Caro Walmes, obrigado pelo retorno!<div><div><br></div><div>Na verdade eu estou analisando utilizando os modelos mistos. No entanto é um dos objetivos do trabalho comparar as duas abordagens e em ambas o gráfico dos resíduos apresentam outliers. Por isso enviei o modelo sem efeitos aleatórios, pois em ambos está ocorrendo esta situação e gostaria de saber uma opinião em como lido com isso.</div><div><br></div><div>Mas estou convencido que esses outliers se devem a forma como os dados foram coletados. Segundo a responsável pelo trabalho os dados foram coletados de maneira não controlada, em granjas de uma empresa (não era possível alterar a rotina da granja). O técnico da empresa (que coletou os dados) afirma que as pesagens eram feitas semanalmente (não tenho informações sobre a pesagem, qualidade da balança, etc), porém ela não soube me informar se esse "semanalmente" era igualmente espaçado ou não. Também não é possível saber se durante o período experimental houve algum evento que pode ter afetado a resposta e segundo a responsável o experimento foi um DIC, porém suponho que os frangos estavam em galpões diferentes (e não tenho como controlar/identificar). Resumindo há muita fonte de variação que não posso explicar!!!!!!</div><div><br></div><div><br></div><div>Mais uma vez agradeço a sua atenção</div><div><br></div><br><signature>=========================================<br>Fernando Souza<br>Celular: (31)99796-8781 (Vivo)<br><a href="https://n1.nylas.com/link/1db7dc2a7b386ced5ddb361c980b4799e450fe2d7fbe292d4d81840ebadb270e/0?redirect=mailto%3Ae-mail%253Anandodesouza%40gmail.com&recipient=r-br%40listas.c3sl.ufpr.br" target="_blank" style="background-color: rgb(255, 255, 255); outline: 0px; cursor: text;">E-mail:nandodesouza@gmail.com</a><br>==========================================</signature></div><img class="n1-open" width="0" height="0" style="border:0; width:0; height:0;" src="https://n1.nylas.com/open/1db7dc2a7b386ced5ddb361c980b4799e450fe2d7fbe292d4d81840ebadb270e?recipient=r-br%40listas.c3sl.ufpr.br">
<div class="gmail_quote nylas-quote nylas-quote-id-9909b75766a0a2615745d3ff5af8e3af8d2437a06545db031322e12f7937fe2a">
<br>
On Jan 16 2018, at 12:51 pm, Walmes Zeviani <walmeszeviani@gmail.com> wrote:
<br>
<blockquote class="gmail_quote"
style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex;">
<div dir="ltr"><div style="font-family:"trebuchet ms",sans-serif">Você tem que estabelecer um critério de parada porque você pode encontrar outliers se continuar o ciclo de buscar por eles.</div><div style="font-family:"trebuchet ms",sans-serif">A sua estratégia de remoção acaba sendo modelo dependente, ou seja, você ajusta, remove outliers, ajusta de novo, vê que o modelo mudou (e deveria mesmo), mas surgem outros outliers pois na presença dos dados restantes, novas observações se tornam vilãs (influentes). Se o seu modelo estiver mau especificado, os danos são ainda maiores porque os "outliers" (que não seriam) são apenas observações injustiçadas pela má especificação do modelo. Se você olhar a curva de cada indivíduo, vai concluir que as observações dentro dos indivíduos estão coesas, ou seja, desvios da curva imaginária (uso panel.smoother()) para me auxiliar com a curva imaginária).</div><div style="font-family:"trebuchet ms",sans-serif"><br /></div><div><div># Olhando para cada a curva de cada ID.</div><div>xyplot(PESO ~ SEMANA | ID,</div><div> data = DADOS,</div><div> strip = FALSE,</div><div> type = "o",</div><div> as.table = TRUE,</div><div> jitter.x = TRUE) +</div><div> layer(panel.smoother(..., col = 1))</div><div><br /></div><div># Olhando por tratamento.</div><div>xyplot(PESO ~ SEMANA | TRAT,</div><div> groups = ID,</div><div> data = DADOS,</div><div> type = "o",</div><div> jitter.x = TRUE) +</div><div> layer(panel.smoother(..., col = 1, lwd = 3))</div><div><br /></div><div>Acredito que o modelo mais apropriado para os seus dados seja um modelo de efeitos aleatórios, coisa que você não está fazendo. A variação entre ID você está estruturando já de início com função de variância e correlação entre observações. Acredito que primeiro deveria acomodar a variação do estrato superior (ID) para depois fazer um ajuste mais fino (com função de variância e correlação se forem necessários) especificando elementos para o estrato inferior (residual). Você está modelando a camada inferior sem dar a devida a atenção para o estrato de cima. Em muitos casos, a inclusão dos efeitos aleatórios vais dispensar modelagem da variância porque a variância marginal aumenta com as semanas mas não é porque ela cresce dentro dos ID mas sim entre ID. E a correlação pode desaparecer também, porque muitas vezes ela resulta de um modelo que apresenta falta de ajuste. Abaixo eu uso um polinômio de 4 grau, que é bem flexível, ou seja, o modelo "corre para os dados". Nos gráficos eu não fiquei convencido de que existem observações influentes.</div><div><br /></div><div><div style># Criando objeto de classe groupedData.</div><div style>da <- groupedData(PESO ~ SEMANA | ID,</div><div style> data = DADOS,</div><div style> order.groups = FALSE)</div><div style><br /></div><div style># Ajuste de um modelo suficientemente flexível.</div><div style>m0 <- lme(PESO ~ SEMANA + I(SEMANA^2) + I(SEMANA^3) + I(SEMANA^4),</div><div style> random = ~ 1 | ID,</div><div style> na.action = na.omit,</div><div style> data = da)</div><div style>summary(m0)</div><div style><br /></div><div style>plot(augPred(m0), strip = FALSE)</div><div style><br /></div><div style>plot(residuals(m0))</div><div style>plot(residuals(m0, type = "normalized"))</div><div style><br /></div><div style>xyplot(residuals(m0) ~ fitted(m0) | TRAT, data = da)</div><div style>qqmath(~residuals(m0) | TRAT, data = da)</div><div style>qqmath(~residuals(m0) | ID, data = da, strip = FALSE)</div><div style><br /></div><div style><div style="display:inline">À</div><div style="font-family:"trebuchet ms",sans-serif;display:inline"> disposição.</div></div></div></div><div><div style="font-family:"trebuchet ms",sans-serif;display:inline">Walmes.</div></div></div>
</blockquote>
</div>