Eder, não sei se você já viu esse trabalho sobre emissão de metano. COSTA, F. S. ; BAYER, Cimélio ; LIMA, Magda Aparecida de ; FRIGHETTO, Rosa T S ; MACEDO, Vera R M ; MARCOLIN, Elio . Variação diária da emissão de metano em solo cultivado com arroz irrigado no Sul do Brasil.. Ciência Rural, v. 38, p. 2049-2053, 2008. Estamos utilizando o mesmo esquema para o CO2 Atenciosamente De: r-br-bounces@listas.c3sl.ufpr.br [mailto:r-br-bounces@listas.c3sl.ufpr.br] Em nome de Eder David Borges da Silva Enviada em: quarta-feira, 14 de setembro de 2011 20:44 Para: R-br@listas.c3sl.ufpr.br Assunto: [R-br] Seleção Níveis Regressão linear Boa noite pessoal, Gostaria de discutir com vocês um experimento. Estamos planejando um experimento de medição de gases do solo via câmaras, em síntese colocar uma câmara sob o solo e a cada intervalo de tempo medi-se a concentração de gases (CO2, N2O, CH4) retirando uma amostra e fazendo cromatografia dela. nosso experimento visa otimizar os tempos para coleta destas amostra hoje se faz 0, 15, 30, 45 min. Vamos fazer um experimento com 13 tempos de 0 a 120 min. Nosso interesse neste experimento é determinar a inclinação da reta que da a taxa de emissão (ppm / min) Minha sugestão de analise: 1) Ajustar um modelo com os 13 tempos. sendo esta estimativa de inclinação a mais próxima da realidade. (M0) 2) ajustar modelos com tempos distintos por exemplo 0, 5, 10 , 20 (Mi) e comparar esta estimativas com o (M0) repetir o passo 2 varias vezes 3) computar os modelos que são "iguais" a M0, de todos os "iguais" o melhor é aquele que demore menos tempo. Em resumo se avaliar nos tempos 0,5,10,20 e igual a avaliar em 13 tempos de 0 a 120??? OBS: o tempo 0 sempre terá de ser medido Um Codigo possivel seria isso: require(MCMCpack) require(plyr) require(latticeExtra) dados <- expand.grid(local=c('Agri','Pastagem'),epoca=factor(c(-1,1,5,10,20)),camara= c('C1','C2','C3'),tempo=c(seq(0,45,by=5),60,90,120),bloco=factor(1:4)) dim(dados) dados$resp <- rnorm(nrow(dados),10,10) head(dados) m0 <- MCMCregress(resp~tempo,data=dados) summary(m0) plot(m0) ###Distribuiçao pretendida #### Simulação simu <- list(A=c(0,5,10,60), B=c(0,5,15,45), C=c(0,10,20,45), D=c(0,10,45,60))### colocar mais resS <- data.frame(V1='m0',V2=m0[,2]) for(i in 1:length(simu)){ m0 <- MCMCregress(resp~tempo,data=subset(dados,dados$tempo %in% simu[[i]]),burnin=1000,mcmc=5000) m0 <- as.matrix(m0) resS <- rbind(resS,data.frame(V1=names(simu)[i],V2=m0[,2])) } class(resS) ### Aproximaçao para Slope marginal.plot(resS$V2, data=resS,groups = resS$V1,auto.key=TRUE) ### Diferenças mS <- aov(V2~V1,resS) summary(mS) par(mfrow=c(2,2)) plot(mS) Creio que esta ANOVA no final não seja a coisa mais interessante de ser feita, diante disso gostaria de sugestões para o problema. Acho que problemas de heterogenidade de variancias vão surgir.... OBS1: As outras covariaveis dos dados estão sendo discutidas se serão feitas, por enquanto desconsiderar elas Atenciosamente