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