Muito obrigado Walmes pelo script enviado. Aos demais também pelos comentários e sugestões.
Gostaria de fazer somente mais alguns questionamentos:
1. No gráfico gerado pela função "bwplot", como modificar na barra superior onde aparece o nome das espécies (m1, m2 e m3)
para que estes nomes fiquem em itálico? 
bwplot(
       100*(mort/n) ~ Dose | esp,
       data = da,
       pch = "|",
       as.table = TRUE,layout = c(NA, 1),
       ylab = "percentual de mortos",
       xlab=expression(paste("Concentração","(",~mu,"l","/ml"," ",")"))
      )
2. Os pesquisadores da área de Agronomia e afins tem uma certa "idolatria" pelo R2.
Acredito que não há necessidade deste coeficiente no caso do ajuste de um MLG. Como explicar isso para eles?

3. No caso de um ajuste usando a função "aov" ou "lm", a tabela da ANOVA é exposta da maneira como os pesquisadores da área de 
Agronomia conseguem entender. No caso do MLG há uma forma de saída destes resultados semelhante a isso?

Maurício

Em 28 de dezembro de 2016 17:53, Cesar Rabak via R-br <r-br@listas.c3sl.ufpr.br> escreveu:
Marcelo,

Primeiro a sua observação mais "preocupante": os pacotes da Task View terem sido criticados pelos membros da banca. . .

Como não tenho ideia de que pacote nem qual crítica, fico apenas ressabiado que essas críticas não sejam mais divulgadas, nem que seja para a gente não recair no(s) erro(s) que eles possam ter descoberto...

Como o Walmes explicou (inclusive em post posterior a minha observação) o código teria que ser outro, apropriado para a ANCOVA, que do ponto de vista de sintaxe é similar ao da ANOVA desde que a variável contínua seja mantida dessa forma no dataframe.

HTH
--
Cesar Rabak


2016-12-22 18:23 GMT-02:00 Marcelo Laia <marcelolaia@gmail.com>:
Prezado Cesar,

Neste caso, ANCOVA, como ficaria o código que o Walmes gentilmente publicizou?
Tenho trabalhado com dose resposta e os pacotes do Task View foram criticados
por membros de bancas. Achei a solução do Walmes muito interessante. Por isso,
gostaria de testar a sua abordagem, também!

Marcelo

On 22/12/16 at 01:21, Cesar Rabak via R-br wrote:
> Walmes,
>
> Apenas um observação: não seria mais interessante aproveitar mais a
> informação da dose se a tratássemos como variável contínua fazendo uma
> ANCOVA?
>
> Minha interpretação apressada do seu código me faz crer que a dose virou
> fator também. . .
>
> []s
> --
> Cesar Rabak
>
>
> On Thu, Dec 22, 2016 at 9:46 AM, Walmes Zeviani <walmeszeviani@gmail.com>
> wrote:
>
> > Ajuste um modelo com as três espécies como se fosse um fatorial. Para
> > obter as DLs é mais fácil usar a parametrização de "estimativas separadas
> > por nível". Veja o código abaixo.
> >
> > rm(list = ls())
> > da <- data.frame(
> >     dose = rep(c(0, 0.15625, 0.3125, 0.625, 1.25, 2.5, 5, 10), each = 4),
> >     n = rep(10, 32),
> >     m1 = c(1, 3, 4, 0, 5, 2, 5, 5, 4, 4, 2, 2, 0, 3, 3, 5, 10,
> >            10, 7, 0, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10,
> >            10),
> >     m2 = c(0, 3, 4, 4, 1, 0, 4, 0, 0, 1, 0, 0, 3, 2, 0, 3, 3, 2,
> >            0, 3, 3, 3, 3, 6, 9, 4, 7, 2, 10, 10, 10, 10),
> >     m3 = c(4, 2, 2, 3, 4, 6, 8, 6, 4, 6, 6, 5, 5, 9, 5, 8, 10,
> >             8, 5, 5, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10,
> >             10))
> > da$Dose <- as.factor(da$dose)
> >
> > da <- reshape2::melt(da,
> >                      id.vars = c("dose", "Dose", "n"),
> >                      variable.name = "esp",
> >                      value.name = "mort")
> > str(da)
> >
> > library(lattice)
> >
> > bwplot(mort/n ~ Dose | esp,
> >        data = da,
> >        pch = "|",
> >        as.table = TRUE,
> >        layout = c(NA, 1))
> >
> > xyplot(mort/n ~ Dose | esp,
> >        data = da,
> >        type = c("p", "a"),
> >        as.table = TRUE,
> >        layout = c(NA, 1))
> >
> > m0 <- glm(cbind(mort, n - mort) ~ esp * dose,
> >           data = da,
> >           family = quasibinomial)
> >
> > par(mfrow = c(2, 2))
> > plot(m0)
> > layout(1)
> >
> > summary(m0)
> >
> > anova(m0, test = "F")
> >
> > # Em um modelo binomial do tipo ~ \beta_0 + \beta_1 * x, a DL_{50} é
> > # -\beta_0/\beta_1.
> >
> > # Ajuste do modelo com estimativas separadas para cada nível.
> > m1 <- glm(cbind(mort, n - mort) ~ 0 + esp/dose,
> >           data = da,
> >           family = quasibinomial)
> >
> > # Deviances iguais porque são modelos iguais.
> > deviance(m0)
> > deviance(m1)
> >
> > summary(m1)
> >
> > beta <- matrix(coef(m1), ncol = 2)
> > dl <- -beta[, 1]/beta[, 2]
> >
> > pred <- with(da,
> >              expand.grid(esp = levels(esp),
> >                          dose = seq(min(dose), max(dose),
> >                                     length.out = 30)))
> >
> > pred$p <- predict(m1, newdata = pred, type = "response")
> >
> > library(latticeExtra)
> >
> > xyplot(mort/n ~ dose | esp,
> >        data = da,
> >        as.table = TRUE,
> >        layout = c(NA, 1)) +
> >     as.layer(xyplot(p ~ dose | esp,
> >                     data = pred,
> >                     type = "l",
> >                     col = 2,
> >                     lwd = 2)) +
> >     layer(panel.abline(v = dl[which.packet()],
> >                        h = 0.5,
> >                        lty = 2))
> >
> > 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 forne?a c?digo m?nimo reproduz?vel.



--
Marcelo


_______________________________________________
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.