O fato de não serem significativos não é problema. Tem que ter em mente que parametrização você usou e as hipóteses decorrentes. Nessa parametrização de estimativas por cela (~trat-1), quando um trat tem estimativa 0, significa que a prob de mobilidade é 0.5. Então esse teste de hipótese, apesar de feito e retornado, não traz nada de interessante na maioria dos casos. Eu considero que os interesses sejam sobre as diferenças entre trat e não se eles tem ou não prob=0.5. Vamos agora aos potenciais problemas. Os níveis A, B, B-12 e B-24 tem probabilidades amostrais nas bordas, ou seja, 0 e 1. Na binomial, o espaço de p é (0, 1), ou seja, não os incluem. No glm, tais valores são obtidos no limite, quando \eta = X\beta vai para -\infty ou \infty, o p aproxima de 0 ou 1. Aplique o inverso da função de ligação em -23 e verá que isso é zero. Pelo sufixo que usou nos tratamentos, isso tem cara avaliação no tempo, com algumas testemunhas (sem sufixo), como é de costume em muitos experimentos. Uma solução, seria ajustar a curva para usando de T-0 à T-12. As testemunhas ficam de fora. Obtenha para elas o IC por perfil de verossimilhança, pois, embora o limite inferir e estimativa sejam 0, o limite superior será algo >0 (inverta o raciocínio para a outra borda). ## Estimativa zero implica em prob=0.5. glm_out$family$linkinv(0) glm_out$family$linkinv(-23) sub_data$tem <- as.numeric(gsub(x=sub_data$tratamento, "\\D", "")) db <- subset(sub_data, !is.na(tem)) xyplot(imoveis/(moveis+imoveis)~sqrt(tem), data=db, jitter.x=TRUE) m0 <- glm(cbind(imoveis, moveis) ~ sqrt(tem), family=binomial, data=db) summary(m0) pred <- data.frame(tem=seq(0, 24, length.out=30)) pred$p <- predict(m0, newdata=pred, type="response") xyplot(imoveis/(moveis+imoveis)~sqrt(tem), data=db, jitter.x=TRUE, ylim=c(0, NA))+ as.layer(xyplot(p~sqrt(tem), data=pred, type="l")) À disposição. Walmes.