1 - Se sua resposta for Gaussiana o residuo deve ser Gaussiano. Eu nao
tenho nenhuma experiencia com o pacote MCMCglmm, mas eu acho que vc esta
assumindo Gaussianidade pq vc nao especificou nenhuma distribuicao no
argumento family.
O envelope simulado que o Elias falou vai ajudar a interpretar o QQ-plot
que deve sim indicar que os residuos sao Gaussianos i.e. pontos dentro do
envelope.
Eu nao vi o qq-plot dos seus residuos talvez vc possa colocar aqui pra
gente ver.
 As vezes nas pontas fica meio estranho mesmo.

2 - Esses testes de normalidade esquece isso.

3 - Apesar da normalidade dos residuos ser importantes, muitas vezes isso
nao tem nenhum grande efeito na estimacao dos parametros que em geral e
bastante robusta. Eu estaria mais preocupado em verificar se existe um
relacionamento entre media e variancia, vc pode usar por exemplo um grafico
residuos versus preditos ou observados. Se vc identificar algum padrao e
sinal de problema no modelo.
Vc precisa de alguma forma padronizar esses residuos para vc ter uma ideia
do tamanho que eles sao. E identificar possiveis outliers ou pontos
influentes aberrantes...

4 - MCMCglmm e so um pacote que ajusta Generalized Linear Mixed Models
(GLMM) using MCMC methods. Vc pode ajustar GLMM usando diferentes
distribuicoes para a sua variavel resposta, como Gaussiana, Gamma, Normal
Inverse, T e outras.

5 - O pacote INLA e capaz de ajustar esse modelo filogenetico que vc quer.
Vc pode ajustar usando a Normal e tbm tem opcao skew Normal and Gamma. Vc
deve usar o modelo generic0 e passar a inversa da sua matriz filogenetica
parecido com o que vc passou pro MCMCglmm.
Ver http://www.math.ntnu.no/inla/r-inla.org/doc/latent/generic0.pdf.
Exemplo de aplicacao de INLA em animal models que e praticamente a mesma
coisa que o modelo filogetico neste paper.
http://www.g3journal.org/content/3/8/1241.full

6 - Meu pacote mcglm tbm e capaz de ajustar esse modelo, usando estimating
function uma abordagem diferente. No caso Gaussiano os modelos sao iguais a
menos do efeito da priori.
Vc pode baixar o meu paper aqui e ver se atende suas necessidades
https://www.researchgate.net/profile/Wagner_Bonat2

7 - Se vc tiver interesse em uma abordagem nao Bayesiana. Manda um e-mail e
conversamos.





Em 23 de novembro de 2015 15:34, Filipe Cristovão <filipe.cunha@uzh.ch>
escreveu:

> Olá,
>
> Muito obrigado pelas mensagens.
>
> Vou dar continuidade a discussão com alguns esclarecimentos e um pouco de
> código:
>
> 1- Elias pergunta como calculo os resíduos nesse modelo:
>
>
> >residuals_model<-(data$response_variable-predict(model))
>
> 2- Wagner, sua pergunta é, de alguma maneira, minha grande dúvida: "Se vc
> já sabe que sua variável resposta é gamma pq não ajusta um modelo gamma? Ou
> mesmo qq outro modelo para resposta contínua como a Gaussian Inverse?”.
> Contudo, qual tipo de análise que não MCMCglmm me permitiria controlar meus
> dados quanto à filogenia?
>
> 3. E finalmente sobre os motivos de se usar MCMCglmm: recaem novamente na
> não independência dos dados e na possibilidade de se controlar
> filogeneticamente.
>
> Mas, a mesma pergunta que foi feita, é parte da minha questão:
> "Por que assumindo distribuição de probabilidade aos  parâmetros, a
> interpretação dos resultados é baseada no fato de que  também se obtem
> distribuições de probabilidade à posteriori para interpretar?” Em outras
> palavras, por que os resíduos devem seguir uma distribuição normal mesmo se
> os dados não são normais? Ou essa última frase está equivocada?
>
> O modelo segue:
>
> #Phylo é minha árvore filogenética.
>
> >MCMC1<-MCMCglmm(Response_var~var1*var2*+var3,
> +            random = ~Phylo, family=“?”,
> +            ginverse=list(Phylo=inv.phylo$Ainv), prior = prior,
> +            nitt = 10000,
> +             burnin = 1000, thin = 500, data = mob,
> +            verbose = F )
>
> # Os resíduos estão acima. E para checar a normalidade dos resíduos usei:
>
> > qqnorm(residuals_model)
> > shapiro.test(residuals_model)
>
> Enfim, após as mensagens que me fizeram estudar novos artigos =) refaço as
> perguntas:
>
> A) Meus resíduos precisam ser normais quando uso um modelo MCMCglmm?
>
> B) Que outro pacote me permite controlar a filogenia em um modelo?
>
> Abraços,
>
>
>
> Filipe Cristovão R. da Cunha
> Anthropological Institute & Museum
> University of Zurich - Campus Irchel
> Winterthurerstrasse 190, CH-8057 Zürich
> Switzerland
> www.aim.uzh.ch/Research/birdfamilies/filipe.html
> * <http://www.flickr.com/photos/filipe_cristovao>*
> www.flickr.com/photos/filipe_cristovao
>
>
> _______________________________________________
> 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.
>



-- 
Wagner Hugo Bonat
----------------------------------------------------------------------------------------------
Department of Mathematics and Computer Science (IMADA)
University of Southern Denmark (SDU) and
Laboratório de Estatística e Geoinformação (LEG)
Universidade Federal do Paraná (UFPR)

Estou confuso agora se você quer fazer análise Bayesiana ou não... Primeiro: estou pensando em modelos hierárquicos enquanto deduzo que o Wagner está pensando em modelos marginais. Segundo: Resíduo (se houver esse tipo de coisa no modelo) segue distribuição Normal se você assumiu isso para comecar. Esse termo (resíduo) é comum em modelos do tipo Y = X beta + Z b + e X: covariáveis/desenho/features beta: coeficientes de regressão Z: matriz dos efeitos aleatórios b: efeitos aleatórios r: os tais resíduos, Matematicamente, coeficientes de regressão e efeitos aleatórios podem ser tratados juntos (basta juntar X e Z). Geralmente, temos que b ~ N(0, alguma.matriz), r ~ N(0, sigma^2 * I). Ou seja, aqui assume-se Normalidade para r. Neste modelo, ambos, r|y e b|y, também têm distribuição Normal. Se invés do modelo acima você tiver E(Y) = eta = X beta + Z b Y|eta ~ Distribuição.não.Gaussiana(...) Ou seja, não existe resíduos Normais. A distribuição Normal é (geralmente) ainda assumida para os efeitos aleatórios, mas, condicionado aos dados isso não é mais o caso, isto é, b|y não segue distribuição Normal. Este último modelo recai no anterior se Y|eta ~ N(0, sigma^2 * I). Assim, apenas quando a verossimilhança é Normal temos b|y e r|y com distribuição Normal. Exite a possibilidade de se adicionar um termo de "resíduo" considerando E(Y) = eta = X beta + Z b + r em situações em que y|eta pode ter uma variação adicional que não torne o modelo não-identificável. Nestes casos, mesmo que r ~ Normal(0, sigma^2 * I), r|y não é Normal. Elias