
Boa noite! Estou tentando analisar um conjunto de dados de germinação, utilizando o pacote glmmADMB, o meu conjunto de dados é como o que se segue: dose dias Rep germ Incrustrado 0 1 1 0 Sim 0 2 1 0 Sim 0 3 1 0 Sim 0 4 1 0 Sim 0 5 1 12 Sim 0 6 1 13 Sim 0 7 1 0 Sim 0 8 1 4 Sim 0 9 1 0 Sim 0 10 1 1 Sim 0 11 1 3 Sim 0 12 1 0 Sim 0 1 2 0 Sim (...) (...) (...) (...) 0 12 6 0 Sim (...) (...) (...) (...) 16 6 6 2 Sim 16 7 6 0 Sim 16 11 6 0 Sim 16 12 6 0 Sim 0 1 1 8 Não 0 2 1 23 Não (...) (...) (...) (...) 0 11 6 0 Não 0 12 6 0 Não (...) (...) (...) (...) (...) 8 12 4 0 Não 16 10 6 0 Não 16 11 6 0 Não 16 12 6 0 Não Em que Dose= são 6 diferentes doses (0,1,2,4,8,16) de composto para acelerar a germinação Rep= 6 repetições (gerbox com 50 sementes cada) Germ= quantidade de sementes germinadas no dia Dias= dias em que foi feita a contagem Incrustrado= Informação se era incrustrada ou não A cada dia, durante 12 dias era observado a quantidade de sementes germinadas. Os dados são inflacionados de zeros. Então estou tentando analisar usando uma distribuição binomial negativa com inflação de zeros. Com o seguinte código para ajustar, porém estou com dúvida quanto se essa seria a especificação correta do modelo, pois obtive umas estimativas negativas que não fazem sentido. Se alguém tiver mais familiaridade nesse tipo de análise qualquer ajuda seria bem vinda. M1<-glmmadmb(germ~(dose+dias)*incrustrado,random=~(1|rep),data=da,family="nbinom1",zeroInflation=TRUE) Desde já agradeço a atenção, Fabiana

No meu jeito de entender o problema, como já analisei dados semelhantes, o mais adequado é análise de sobrevivência e não binomial. Binomial é assim: você diz que vai observar um evento no tempo t1, t2, t3, etc que pode ter desfecho de 0 (fracasso) ou 1 (sucesso). Com sobrevivência assim: você fica observando até ocorrer o desfecho e registra quando ele ocorreu (tempo para ocorrência). O experimento, se for como os que já trabalhei, coloca 50 sementes para germinar e periodicamente conta quantas germinaram. O número de sementes germinadas no tempo é uma função escada que não decai. Ou seja, se em t1 tem x=3 sementes, em t2 tem-se que x>=3. Dessa forma, o n da binomial no t2 não é mais 50 e sim 47 (sementes que restaram). Isso tem que ser levado em consideração. Considerar n fixo em 50 não considero adequando e tão pouco assumir independência entre os x observados com n=50. Se o n for decaindo conforme os sucessos aumentam, tem uma coisa aí de independência condicional, não sei ao certo. Chega um ponto também, que por razões naturais, mesmo que o tempo vá para infinito, algumas sementes não germinam, ou seja, você não observa germinação das 50. Isso porque existem sementes com potencial para germinar e existem aquelas (uma fração) que não vão germinar (proporção de curados ou fração de zeros) que sofreram impacto mecânico danoso ou ataque de insetos, etc. Com modelo de sobrevivência o raciocínio é assim: cada semente (das 50 por gerbox) é um indivíduo para o qual eu meço o tempo para germinar. No caso, é uma censura intervalar de 1 dia. As caixas de gerbox são as unidades experimentais, as sementes são as amostrais. Você declararia um modelo de sobrevivência com efeito aleatório de gerbox. Pode declarar fração de cura para estimar a fração de sementes sem potencial de germinação. Estão seria estimado a curva de sobrevivência das sementes que relaciona probabilidade de germinação (esse é o desfecho) e tempo. No binomial você também teria probabilidade e tempo associados. A diferença é quem a variável aleatória do problema: o desfecho observado no tempo ou o tempo observado para o desfecho. À disposição. Walmes.

Obrigada Walmes, a sua explicação me ajudou a entender a necessidade da utilização do modelo de fração de cura para a análise com dados de germinação. Procurarei aplicar a metodologia aos dados. Por acaso o pacote utilizado por você foi o gfcure? É que estou tendo dificuldades para instalá-lo. Att * Fabiana * Em 13 de novembro de 2015 20:34, Walmes Zeviani <walmeszeviani@gmail.com> escreveu:
No meu jeito de entender o problema, como já analisei dados semelhantes, o mais adequado é análise de sobrevivência e não binomial. Binomial é assim: você diz que vai observar um evento no tempo t1, t2, t3, etc que pode ter desfecho de 0 (fracasso) ou 1 (sucesso). Com sobrevivência assim: você fica observando até ocorrer o desfecho e registra quando ele ocorreu (tempo para ocorrência).
O experimento, se for como os que já trabalhei, coloca 50 sementes para germinar e periodicamente conta quantas germinaram. O número de sementes germinadas no tempo é uma função escada que não decai. Ou seja, se em t1 tem x=3 sementes, em t2 tem-se que x>=3. Dessa forma, o n da binomial no t2 não é mais 50 e sim 47 (sementes que restaram). Isso tem que ser levado em consideração. Considerar n fixo em 50 não considero adequando e tão pouco assumir independência entre os x observados com n=50. Se o n for decaindo conforme os sucessos aumentam, tem uma coisa aí de independência condicional, não sei ao certo.
Chega um ponto também, que por razões naturais, mesmo que o tempo vá para infinito, algumas sementes não germinam, ou seja, você não observa germinação das 50. Isso porque existem sementes com potencial para germinar e existem aquelas (uma fração) que não vão germinar (proporção de curados ou fração de zeros) que sofreram impacto mecânico danoso ou ataque de insetos, etc.
Com modelo de sobrevivência o raciocínio é assim: cada semente (das 50 por gerbox) é um indivíduo para o qual eu meço o tempo para germinar. No caso, é uma censura intervalar de 1 dia. As caixas de gerbox são as unidades experimentais, as sementes são as amostrais. Você declararia um modelo de sobrevivência com efeito aleatório de gerbox. Pode declarar fração de cura para estimar a fração de sementes sem potencial de germinação. Estão seria estimado a curva de sobrevivência das sementes que relaciona probabilidade de germinação (esse é o desfecho) e tempo. No binomial você também teria probabilidade e tempo associados. A diferença é quem a variável aleatória do problema: o desfecho observado no tempo ou o tempo observado para o desfecho.
À disposição. Walmes.
_______________________________________________ R-br mailing list R-br@listas.c3sl.ufpr.br https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código mínimo reproduzível.

Na realidade eu não cheguei a instalar nenhum modelo. Fiz umas implementações teste apenas em dados simulados bem simples. W.

Caros, Não sou da área, mas o texto do Walmes sobre esse assunto chamou minha atenção. Acho que a questão envolve modelar a probabilidade acumulada, P_t, ou a probabilidade em cada tempo, p_t. P_t é sempre não decrescente e converge para um valor (1 ou próximo a 1). p_t, pelo que entendi, é uma função que cresce e depois decresce. Considerando os dados, se atualizamos o N a cada t, podemos estimar p_t. Caso contrário, P_t. Elias
participantes (3)
-
Elias Teixeira Krainski
-
Iábita Fabiana
-
Walmes Zeviani