Olá Felipe, Obrigado por responder a minha questão. Eu a ajustei REML=FALSE na função lmer{lmerTest}, não para a função lme{nlme}. Na função lmer isto foi recomendado pela função nas mensagens "warnings" e ao fazer o modelo converge perfeitamente. Mas não tenho costume em utilizar esta função e não estou seguro se este procedimento é correto. Além disto a fumção lmer não flexibiliza para trabalhar com dados heterocedastico por isso quero utilizar a lme{nlme} o qual estou acostumado. Sobre as suas soluções eu tenho interesse em avaliar se há efeito de interação entre Hidratação (HIDRAT) e Diluição (DILU) ao longo do tempo, por isso acho não ser possível excluir DILU do modelo. O que penso é que a parcela neste experimento, seria as unidades experimentais que receberam as combinações dos níveis dos fatores HIDRAT e DILU. A subparcela seria o tempo (TEMP). Eu tenho dúvidas se utilizo mesmo a abordagem do modelo misto. visto que neste experimento houve somente 1 aleatorização , já que o TEMPO não pode ser aleatorizado. Talvez algo assim seja mais apropridado. lme(GAS~HIDRAT*DILU,random=~1+as.numeric(TEMP)|BLOC,weights=varIdent(form=~1|T EMP),data=dados) Att ======================================================================= Fernando Souza Zootecnista, DSc. Produção e Alimentação Animal celular: (31)99796-8781 (Vivo) / (31)97358-4685 (Tim) e-mail:nandodesouza@gmail.com Lattes: http://lattes.cnpq.br/6519538815038307 blog: https://producaoanimalcomr.wordpress.com/ ======================================================================== On Mai 16 2016, at 4:00 pm, Felipe <felipe.e.barletta@gmail.com> wrote:
Fernando,
Por que você usa na função lmer o argumento _REML=FALSE_ se na função lme o _default _é exatamente a estimação _REML__ _? Você não está comparando coisas diferentes? ?lme method: a character string. If ‘"REML"’ the model is fit by maximizing the restricted log-likelihood. If ‘"ML"’ the log-likelihood is maximized. Defaults to ‘"REML"’. E os NA's produzidos não seriam devido você estar definindo tempo como efeito fixo e aleatório? modelo0 <\- lme(GAS~HIDRAT*DILU*TEMP,random=~1|TEMP,weights=varIdent(form=~ 1|TEMP),data=dados) Ao gerar um gráfico com seus dados notei uma diferença na inclinação da variável GAS ao longo do tempo: library(lattice) xyplot(GAS~TEMP|HIDRAT+DILU, groups = BLOC ,data=dados,type='b') Como sugestão eu ajustaria um modelo considerando o intercepto e a inclinação como efeito aleatório e sem o efeito fixo da variável DILU: # Intercepto modelo0 <\- lme(GAS~HIDRAT*as.numeric(TEMP),random=~1|BLOC, weights=varIdent(form=~1|TEMP), data=dados) # Inclinação modelo0.1 <\- lme(GAS~HIDRAT*as.numeric(TEMP),random=~as.numeric(TEMP)-1|BLOC, weights=varIdent(form=~1|TEMP), data=dados) # Intercepto e Inclinaçãp modelo0.2 <\- lme(GAS~HIDRAT*as.numeric(TEMP),random=~as.numeric(TEMP)|BLOC, weights=varIdent(form=~1|TEMP), data=dados) anova(modelo0,modelo0.1,modelo0.2) Model df AIC BIC logLik Test L.Ratio p-value modelo0 1 13 814.6697 854.2343 -394.3349 modelo0.1 2 13 782.5680 822.1325 -378.2840 modelo0.2 3 15 773.8100 819.4613 -371.9050 2 vs 3 12.75806 0.0017
--
Atenciosamente
Felipe E. Barletta Mendes
Estatístico(UFPR) - Conre3 9766-A
Mestrando em Bioestatística(UEM)
+55 (41)-92077191
+55 (41)-33287216