Mensagem de erro: "testes-F ANOVA sobre um ajuste essencialmente perfeito, são incertos"

Oi Andre, eu nao rodei o seu exemplo (mas obrigado pelo CMR)... mas comece por considerar o seguinte: - Vc tem 5 fatores - Cada fator tem 4 niveis - Conte qtos parametros para estimar (nao esqueca os termos de variance) - Vc tem 16 observacoes.... Em algum lugar, essa matematica nao vai fechar, certo? b Em 2 de setembro de 2014 16:35, <andrebvs@bol.com.br> escreveu:
Olá colegas,
Tentei realizar a ANOVA pelo *lm()* referente ao modelo a seguir, e obtive a seguinte mensagem de erro: "testes-F ANOVA sobre um ajuste essencialmente perfeito, são incertos", então, qual a justificativa pra isso? se o modelo é completamente ortogonal e tenho mais de uma observação?
*# CMR*
FATOR_1 <- factor(c(1,1,1,1,2,2,2,2,3,3,3,3,4,4,4,4)) FATOR_2 <- factor(c(1,2,3,4,1,2,3,4,1,2,3,4,1,2,3,4)) FATOR_3 <- factor(c("A","B","C","D","B","A","D","C","C","D","A","B","D","C","B","A")) FATOR_4 <- factor(c("a","b","c","d","d","c","b","a","b","a","d","c","c","d","a","b")) FATOR_5 <- factor(c("K","X","Y","Z","Y","Z","K","X","Z","Y","X","K","X","K","Z","Y")) resposta <- c(32,25,31,27,24,36,20,25,28,30,23,31,34,35,29,33)
modelo <- lm(resposta ~ FATOR_1 + FATOR_2 + FATOR_3 + FATOR_4 + FATOR_5) anova(modelo)
*# SAIDA DO R:*
Analysis of Variance Table
Response: resposta Df Sum Sq Mean Sq F value Pr(>F) FATOR_1 3 90.688 30.229 FATOR_2 3 68.187 22.729 FATOR_3 3 36.688 12.229 FATOR_4 3 101.188 33.729 FATOR_5 3 26.187 8.729 Residuals 0 0.000 Mensagens de aviso perdidas: In anova.lm(modelo) : testes-F ANOVA sobre um ajuste essencialmente perfeito, são incertos
*# =====================================================* Grato!
*Att.* *André*
_______________________________________________ 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.

Em outras palavras, o que o Benilton quer dizer é que você está violando uma das prerrogativas básicas ao propor um modelo que para ser identificado (com parâmetros estimados) requer um número de parâmetros igual ou maior que o número de observações. Veja que o número de colunas na matriz do modelo é igual ao número de observações. O seu modelo linear explica totalmente os dados e por isso que você tem soma de quadrados zero para o resíduo. Em modelo lineares como esse, sempre que você tiver uma matriz do modelo, X, com n colunas linearmente independentes (n = número de observações), ele se ajustará perfeitamente aos dados. m <- model.matrix(modelo) dim(m) À disposição. Walmes.
participantes (3)
-
andrebvs@bol.com.br
-
Benilton Carvalho
-
walmes .