Medidas repetidas no tempo: aov, Anova, lme ou multcomp?
Colega, A dias que venho lendo a respeito de como realizar uma análise de medidas repetidas no tempo. Encontrei uma farta bibliografia e diversas sugestões de como fazer. Eis um dado mínimo: datafilename="http://dl.dropbox.com/u/34009642/Dados_Omissao.csv" data.min <- read.table(datafilename, header=T, sep="\t", dec=",") head(data.min) data.min <- within(data.min, { Clone <- factor(Clone) Tempo <- factor(Tempo) Trat <- factor(Trat) Planta <- factor(Planta) }) summary(data.min) A partir desses dados e do que eu li, tentei: dados_omissao_h.aov <- aov(h ~ Clone * Trat * Tempo + Error(Planta), data = data_min) # http://tinyurl.com/bjlas86 Esse http://pealco.net/2009/01/30/repeated-measures-anova-in-r.html dá outra abordagem. Eu também rodei o código abaixo. library(nlme) lme(h ~ Clone+Trat+Tempo,random=~1|Planta,data=data.min) # Ainda li os textos seguintes: http://egret.psychol.cam.ac.uk/statistics/R/anova.html#8.4 http://egret.psychol.cam.ac.uk/statistics/R/enteringdata.html#reshape http://www.psych.yorku.ca/cribbie/6130/ex14_rscript.R No entanto, sinceramente, não sei qual abordagem utilizar nos nossos dados. Desejamos verificar se há diferenças entre clones, entre tratamentos, a interação clone tratamento e a evolução ao longo do tempo das variáveis. Ainda, há plantas que morreram ao longo do experimento devido ao próprio tratamento. E ainda tem a dica do Wlames no ridiculas para dados binomial! Alguma sugestão? -- Marcelo Brasil (Brazil, for English Speakers) Linux user number 487797
*Marcelo,* * * *O Ivan, professor da UESC/BA, preparou o script anexo para as análises do experimento que informei anteriormente.* * * *E ele me autorizou a socializá-lo. Então, segue anexo, o script R que ele preparou. Se alguém utilizar, não se esqueçam de dar os créditos a ele.* * * *Aproveito para agradecer ao prof. Ivan, a autorização.* * * *Luiz Roberto* Luiz Roberto Martins Pinto Prof. Pleno/DCET/UESC luizroberto.uesc@gmail.com skype: lrmpinto http://lattes.cnpq.br/2732314327604831 Em 12 de março de 2013 11:32, Marcelo Laia <marcelolaia@gmail.com> escreveu:
Colega,
A dias que venho lendo a respeito de como realizar uma análise de medidas repetidas no tempo. Encontrei uma farta bibliografia e diversas sugestões de como fazer.
Eis um dado mínimo:
datafilename="http://dl.dropbox.com/u/34009642/Dados_Omissao.csv" data.min <- read.table(datafilename, header=T, sep="\t", dec=",") head(data.min) data.min <- within(data.min, { Clone <- factor(Clone) Tempo <- factor(Tempo) Trat <- factor(Trat) Planta <- factor(Planta) }) summary(data.min)
A partir desses dados e do que eu li, tentei:
dados_omissao_h.aov <- aov(h ~ Clone * Trat * Tempo + Error(Planta), data = data_min) # http://tinyurl.com/bjlas86
Esse http://pealco.net/2009/01/30/repeated-measures-anova-in-r.html dá outra abordagem.
Eu também rodei o código abaixo.
library(nlme) lme(h ~ Clone+Trat+Tempo,random=~1|Planta,data=data.min) #
Ainda li os textos seguintes:
http://egret.psychol.cam.ac.uk/statistics/R/anova.html#8.4
http://egret.psychol.cam.ac.uk/statistics/R/enteringdata.html#reshape
http://www.psych.yorku.ca/cribbie/6130/ex14_rscript.R
No entanto, sinceramente, não sei qual abordagem utilizar nos nossos dados. Desejamos verificar se há diferenças entre clones, entre tratamentos, a interação clone tratamento e a evolução ao longo do tempo das variáveis. Ainda, há plantas que morreram ao longo do experimento devido ao próprio tratamento. E ainda tem a dica do Wlames no ridiculas para dados binomial!
Alguma sugestão?
-- Marcelo Brasil (Brazil, for English Speakers) Linux user number 487797 _______________________________________________ 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.
Pessoal, Enviei um artigo e script para o Marcelo, tratando do assunto que ele mencionou. Enviei, também, para a lista, mas foi retida por problema de tamanho. Se alguém mais se interessar, favor entrar em contato direto. Luiz Roberto Luiz Roberto Martins Pinto Prof. Pleno/DCET/UESC luizroberto.uesc@gmail.com skype: lrmpinto http://lattes.cnpq.br/2732314327604831 Em 12 de março de 2013 11:32, Marcelo Laia <marcelolaia@gmail.com> escreveu:
Colega,
A dias que venho lendo a respeito de como realizar uma análise de medidas repetidas no tempo. Encontrei uma farta bibliografia e diversas sugestões de como fazer.
Eis um dado mínimo:
datafilename="http://dl.dropbox.com/u/34009642/Dados_Omissao.csv" data.min <- read.table(datafilename, header=T, sep="\t", dec=",") head(data.min) data.min <- within(data.min, { Clone <- factor(Clone) Tempo <- factor(Tempo) Trat <- factor(Trat) Planta <- factor(Planta) }) summary(data.min)
A partir desses dados e do que eu li, tentei:
dados_omissao_h.aov <- aov(h ~ Clone * Trat * Tempo + Error(Planta), data = data_min) # http://tinyurl.com/bjlas86
Esse http://pealco.net/2009/01/30/repeated-measures-anova-in-r.html dá outra abordagem.
Eu também rodei o código abaixo.
library(nlme) lme(h ~ Clone+Trat+Tempo,random=~1|Planta,data=data.min) #
Ainda li os textos seguintes:
http://egret.psychol.cam.ac.uk/statistics/R/anova.html#8.4
http://egret.psychol.cam.ac.uk/statistics/R/enteringdata.html#reshape
http://www.psych.yorku.ca/cribbie/6130/ex14_rscript.R
No entanto, sinceramente, não sei qual abordagem utilizar nos nossos dados. Desejamos verificar se há diferenças entre clones, entre tratamentos, a interação clone tratamento e a evolução ao longo do tempo das variáveis. Ainda, há plantas que morreram ao longo do experimento devido ao próprio tratamento. E ainda tem a dica do Wlames no ridiculas para dados binomial!
Alguma sugestão?
-- Marcelo Brasil (Brazil, for English Speakers) Linux user number 487797 _______________________________________________ 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.
Após algumas idas e vindas, comecei a analisar os dados que tenho aqui. Brincar com eles. Tudo ia bem até que fui tentar fazer um grafico das interações utilizando a função cld() do pacote multcomp. Para os dados analisados sem intereção ela funciona perfeitamente. O problema está quando faço o gráfico da interação. Por favor, poderia rodar o código abaixo para visualizar o problema? datafilename="http://dl.dropbox.com/u/34009642/Dados_Omissao.csv" data.min <- read.table(datafilename, header=T, sep="\t", dec=",") head(data.min) data.min <- within(data.min, { Clone <- factor(Clone) Dia <- factor(Dia) Trat <- factor(Trat) Planta <- factor(Planta) }) summary(data.min) library(nlme) anova.lme.repetida <- lme(d ~ Clone * Trat * Dia, random = ~1|Planta/Dia, method = "ML", data = data.min) anova(anova.lme.repetida) library(multcomp) Trat.h.Tukey <- glht(anova.lme.repetida, linfct=mcp(Trat="Tukey")) letras <- cld(Trat.h.Tukey) plot(letras) ##################### # ATÉ AQUI O GRÁFICO ESTÁ OK ##################### data.min$CloneTrat <- interaction(data.min$Clone, data.min$Trat) head(data.min) anova.lme.repetida.CloneTrat <- lme(h ~ CloneTrat, random = ~1|Planta/Dia, method = "ML", data = data.min) anova(anova.lme.repetida.CloneTrat) CloneTrat.Tukey <- glht(anova.lme.repetida.CloneTrat, linfct=mcp(CloneTrat="Tukey")) summary(CloneTrat.Tukey) letras <- cld(CloneTrat.Tukey) #par(cex=0.6) opar <- par(mai=c(1,1,2.5,1)) plot(letras) par(opar) ####################### Aqui ele gera um gráfico diferente. Veja que no eixo y ele não coloca o linear predictor, mas, sim, escreve os valores clone 144 e 224. Os boxplots estão esquisitos. Como posso corrigir esse gráfico e seguir com essa brincadeira? Obrigado -- Marcelo Brasil (Brazil, for English Speakers) Linux user number 487797
Pessoal, bom dia! Gostaria de fazer com meus dados um gráfico como na figura 2 desse artigo: http://www.scielo.br/scielo.php?pid=S0100-06832004000100014&script=sci_artte... na verdade, o segundo grafico dessa figura, traça em relação as 2 primeiras componentes principais, elipses de confiança para os grupos. Fuçando no pacote SensoMineR, o primeiro grafico sai sem problema pelo comando 'pca', ou seja, fazendo uma análise de componentes principais. O segundo é que ainda não consegui obter... Nesse mesmo pacote, encontrei o seguinte comando: require(SensoMineR) data(perfume_fcp) res <- fcp(perfume_fcp, group = c(12,7,7,7,6,8)) Mas confesso que não entendi a logica para gerar essas elipses...talvez nem sirva para o meu caso. Alguem pode dar alguma luz? abraços Simone
Como você disse essas elipses identificam os grupos, elas têm um centróide e uma matriz de covariância associada. Pode estar armazenado nos objetos que contem informações do ajuste, etc. A partir dessas quantidades você pode desenhar usando a função ellipse::ellipse(). Pelo que vi, o SensoMinerR traz isso, veja http://rgm3.lab.nig.ac.jp/RGM/r_function?p=SensoMineR&f=simulation À disposição. Walmes. ========================================================================== Walmes Marques Zeviani LEG (Laboratório de Estatística e Geoinformação, 25.450418 S, 49.231759 W) Departamento de Estatística - Universidade Federal do Paraná fone: (+55) 41 3361 3573 VoIP: (3361 3600) 1053 1173 e-mail: walmes@ufpr.br skype: walmeszeviani twitter: @walmeszeviani homepage: http://www.leg.ufpr.br/~walmes linux user number: 531218 ==========================================================================
participantes (4)
-
Luiz Roberto Martins Pinto -
Marcelo Laia -
Simone D. Sartorio -
Walmes Zeviani