On Jan 16 2018, at 8:06 pm, Fernando Antonio de souza <nandodesouza@gmail.com> wrote:
Caro Walmes, obrigado pelo retorno!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.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!!!!!!Mais uma vez agradeço a sua atenção
=========================================
Fernando Souza
Celular: (31)99796-8781 (Vivo)
E-mail:nandodesouza@gmail.com
==========================================![]()
On Jan 16 2018, at 12:51 pm, Walmes Zeviani <walmeszeviani@gmail.com> wrote:
Você tem que estabelecer um critério de parada porque você pode encontrar outliers se continuar o ciclo de buscar por eles.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).# Olhando para cada a curva de cada ID.xyplot(PESO ~ SEMANA | ID,data = DADOS,strip = FALSE,type = "o",as.table = TRUE,jitter.x = TRUE) +layer(panel.smoother(..., col = 1))# Olhando por tratamento.xyplot(PESO ~ SEMANA | TRAT,groups = ID,data = DADOS,type = "o",jitter.x = TRUE) +layer(panel.smoother(..., col = 1, lwd = 3))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.# Criando objeto de classe groupedData.da <- groupedData(PESO ~ SEMANA | ID,data = DADOS,order.groups = FALSE)# Ajuste de um modelo suficientemente flexível.m0 <- lme(PESO ~ SEMANA + I(SEMANA^2) + I(SEMANA^3) + I(SEMANA^4),random = ~ 1 | ID,na.action = na.omit,data = da)summary(m0)plot(augPred(m0), strip = FALSE)plot(residuals(m0))plot(residuals(m0, type = "normalized"))xyplot(residuals(m0) ~ fitted(m0) | TRAT, data = da)qqmath(~residuals(m0) | TRAT, data = da)qqmath(~residuals(m0) | ID, data = da, strip = FALSE)Àdisposição.Walmes.