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
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