Caro Walmes,

Muito obrigado pelo retorno com estes comentários. 

Caso seja possível, tem alguns pontos que gostaria que esclarecesse nesta sua análise.

1. No modelo fatorial completo declarado (m0), você  utilizou  uma (quasi)binomial em lugar da binomial pelo fato de haver muitas caselas com proporções amostrais iguais a zero?

2. Foi verificada a  presença de superdispersão (phi=3.09) neste modelo pois este parâmetro (phi) deveria ser próximo a 1? Tem algum teste para isso?

3. A anova(m0) mostrou que as interações duplas e  a tripla foram significativas. Neste caso não se deve considerar os efeitos principais (marginais) e somente das interações. Está claro para mim que o anova(m0) faz uma análise de deviance, começando do modelo nulo até o modelo completo. Porém, o que os resultados do summary(m0) mostram nesta situação? Apenas o meio7 foi significativo.

4. O que o comando drop(m0, test="F", scope=.~.) faz? Observo em todos os casos que os resultados não foram significativos.

5. Você testou modelo m0 com dois modelos: um só com efeito de primeiro grau(m2) e outro só com efeitos até segundo grau(m1). Algum critério para a escolha destes dois modelos?

6. No cálculo das médias marginais porque você considerou apenas a interação entre genótipo e meio, uma vez que a interação tripla foi significativa?

Agradeço mais uma vez pela atenção.

Maurício

Em 18 de setembro de 2014 11:06, walmes . <walmeszeviani@gmail.com> escreveu:

Um fatorial 2x7x10 pode ser considerado sim, afinal é justificado pelo desenho do experimento. No entanto, as hipóteses que você deseja avaliar podem não ser aquelas representadas pelos efeitos em um fatorial 2x7x10, mas quase que sempre serão funções desses efeitos, como médias marginais e contrastes. Você não pode considerar tipo como aleatório porque os tipos, até onde deduzi, não foram selecionados de um universo de possíveis tipos e sim escolhidos pelo pesquisador, portanto é pouco justificável a suposição de que exista uma distribuição para os efeitos se não existe população e um processo aleatório de aquisição. No entanto, se o desejo de declarar como aleatório é para poder ver o efeito dos demais termos na média de todos os tipos, então você quer uma média marginal. Pelo ajuste que fiz, tem-se interações o que, na minha opinião, contra indica o uso de médias marginais porque aí você estaria olhando o efeito de um fator marginalizando para os níveis dos demais fatores sendo que eles interagem. Um detalhe a mais é que para declarar respostas binomiais você tem que passar uma matriz de duas colunas (sucesso e fracasso) do lado esquerdo da fórmula (ou proporção amostral e n como weights). Aqui cabe uma ressalva, quando se considera binomial tá implicita a suposição de que os ensaios de Bernoulli (no caso de 6 à 11) são todos independentes mas se os explantes foram mantidos juntos, a contaminação por fungo de um pode elevar a chance de contaminação dos outros, por exemplo, afinal, estão lado. Esse efeito contagioso ou essa falta de independência provoca uma espécia de 8 ou 80 nos resultados, ou tá todo mundo sadio ou quando tem doentes, eles são muitos. Comento isso porque já tive exposição à dados assim, as medidas de ajuste de modelos e gráficos de resíduos são ficam bons, a superdispersão aumenta e cai o poder dos testes. Segue um CMR.

da <- read.table("/home/walmes/Downloads/explantes.txt",
                 header=TRUE, sep="\t")
str(da)

da <- transform(da, meio1=factor(meio1), tipo1=factor(tipo1),
                prop=n_oxidaram/n_explant)

## Delineamento regular, fatorial completo 2*7*10.
xtabs(~tipo1+meio1+genotipo, data=da)

require(latticeExtra)

xyplot(prop~tipo1|meio1, groups=genotipo, data=da)

## Muita casela com prop amostral zero. Pode ser um problema.

## Declaração do modelo fatorial completo, glm (quasi)binomial.
m0 <- glm(cbind(good=n_oxidaram, bad=n_explant-n_oxidaram)~
          genotipo*meio1*tipo1, data=da, family=quasibinomial)
summary(m0)
## Verifica-se presença de superdispersão (phi=3.09).

## Teste de modelos sequenciais.
anova(m0, test="F")
drop1(m0, test="F", scope=.~.)

## Modelo só com efeitos até segundo grau.
m1 <- update(m0, .~(genotipo+meio1+tipo1)^2)

## Modelo só com efeitos de primeiro grau.
m2 <- update(m0, .~genotipo+meio1+tipo1)

anova(m0, m2, test="F")
anova(m0, m1, test="F")

require(doBy)

## Médias marginais, embora, pelo fato de existir interação dupla e uma
## tripla de 4% não penso que seja adequado considerar efeitos marginais.
lsm <- LSmeans(m0, effect=c("meio1", "genotipo"))

## Na escala do preditor linear (-Inf,Inf).
eta <- lsm$coef[,"estimate"]

## Na escala da resposta, ou seja, probabilidade (0,1).
round(m0$family$linkinv(eta), 3)

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.

_______________________________________________
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.