[R-br] Heterocedasticidade e teste de média

[Luiz Henrique Leal]

Prezado César, toda ajuda é bem vinda pois estou com muita dificuldade em modelar esses dados por causa das violações. Endereçei aos outros colegas porque eles deram sugestões. O tratamento 0 é o controle e quero compará-lo com os outros tratamentos l. E ainda tem o problema da heteroscedasticidade. Todos os dados que trabalho tem essa característica.
Abs
Luiz

Conectado pela Motorola

Cesar Rabak <cesar.rabak em gmail.com> escreveu:

>Luiz,
>
>
>Malgrado você tenha endereçado  a pergunta, dou meu "pitaco" enquanto os outros colegas não se manifestam.
>
>
>Todas as regressões necessitam que em última análise os erros aleatórios possam ser modelados por um processo cuja melhor representação é a distribuição gaussiana com média zero e alguma dispersão em torno desse zero (que gera o "ruído" nas respostas versus a modelagem matemática da regressão).
>
>
>A grande contribuição dos modelos generalizados é identificação de diversas funções de ligação que permitem modelar processos com respostas diferentes da média pura (ligação == identidade) de tal forma que quando você analisa os resíduos eles "ficam" normais (gaussianos).
>
>
>No script que você enviou em anexo ao e-mail, você está aplicando testes com a suposição ("modelagem") de um processo que deveria ter uma relação "linear" entre x e y.
>
>
>Ora, você tem três amostras para todos os grupos "x" com exceção do grupo "0" que tem 14 casos, como você espera obter alguma coisa razoável em relação aos resíduos?
>
>
>Uma análise exploratória dos seus dados mostra algo interessante, veja no seu ambiente:
>
>
>> library(gplots)
>
>> plotmeans(y ~ x, data=dados)
>
>
>Uma outra instrutiva visualização dos seus dados é a seguinte:
>
>
>> dotchart(dados$y, groups=dados$x)
>
>
>HTH
>
>--
>
>Cesar Rabak
>
>
>
>2016-11-08 11:11 GMT-02:00 Luiz Leal via R-br <r-br em listas.c3sl.ufpr.br>:
>
>Prezados Walmes e Wagner
>
>Costumo trabalhar com conjuntos de dados em que todos os pressupostos são violados (os dados e os resíduos desviam muito da normalidade além de heterocedasticidade que conforme o Walmes mencionou a solução transformação Box-Cox não resolve). Além disso não posso excluir ou agrupar os tratamentos porque os mesmos representam resultados (medições) de laboratórios. Preciso compará-los com um tratamento (laboratório) considerado de "referência".
>
>O modelo gls() é capaz de abarcar esses problemas? 
>
>Desde já agradeço
>
>Luiz
>
>
>
>On Monday, November 7, 2016 10:34 PM, Mauro Sznelwar via R-br <r-br em listas.c3sl.ufpr.br> wrote:
>
>
>
>Ele não reconhece estes comandos 'mcglm','gof', tem alguma bibliotéca para isto?
>
> 
>
>Caros, 
>
>
>Alguém postou esse conjunto de dados com problema de pressupostos, principalmente heterocedasticidade. Agora a pouco veio outro e-mail com um problema similar. Fiz um exemplo um pouco mais detalhado de como isso pode
>
>ser facilmente resolvido e mostrando o efeito disso no modelo.
>
># Example 2 ------------------------------------------------------------
>Fenois = c(337.311, 344.874, 342.353, 325.546, 333.950, 330.588, 328.067, 
>           328.067, 318.824, 331.429, 333.950, 334.790, 336.471, 338.151, 
>           342.353, 259.160, 252.437, 268.403, 265.882, 266.723, 287.731, 
>           88.571, 88.571,  90.252,  41.513,  52.437,  49.076,  88.571,  
>           88.571,  90.252,  64.202,  60.000,  61.681)
>Cor = factor(c(rep("ambar",6), rep("ambar_claro",3), rep("ambar",6), 
>               rep("ambar_claro",6),rep("branco",6), 
>               rep("extra_ambar_claro",3),rep("branco",3)))
>
># Exploratory analysis
>boxplot(Fenois ~ Cor)
>tapply(Fenois, Cor, sd)
>dados <- data.frame(Fenois, Cor)
>dados$id <- 1
>
># Fitting 
>fit1 <- mcglm(c(Fenois ~ Cor), list(mc_id(dados)), data = dados)
>fit2 <- mcglm(c(Fenois ~ Cor), list(mc_dglm(~ Cor, id = "id", data = dados)),
>              covariance = "expm", data = dados)
># Goodness-of-fit 
>gof(fit1)
>gof(fit2)
>
># Comparing estimates and standard errors
>coef(fit1, type = "beta", std.error = TRUE)
>coef(fit2, type = "beta", std.error = TRUE)
>
>O interessante é que a estimativa pontual é exatamente a mesma, porém
>olha a enorme diferença nos erros padrões dos betas.
>
>
>-- 
>
>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)
>
>_______________________________________________
>
>
>_______________________________________________
>R-br mailing list
>R-br em 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 forne� c�igo m�imo reproduz�el.
>
>
>
>
>_______________________________________________
>R-br mailing list
>R-br em 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.
>
>
-------------- Próxima Parte ----------
Um anexo em HTML foi limpo...
URL: <http://listas.inf.ufpr.br/pipermail/r-br/attachments/20161109/b442ece5/attachment.html>