Usar covariate_average=TRUE não muda nada, pois afinal de contas, como Ivan mencionou, não tem covariável no modelo. Por outro lado, interaction_average=TRUE deve ser usado se você quer contrastar níveis de fator principal havendo interações envolvendo este no modelo, mesmo elas não sendo significativas. Declarar como FALSE está assumindo como 0 as estimativas e portanto desconsiderando o erro-padrão delas também. No caso da interação ser não significativa você pode abandonar o termo interação, ajustar modelo só com efeitos principais. O fato dos valores da anova (F) e do contraste (t) estarem um de cada lado do 0.05 é um dos problemas da inferência baseada em p-valor. Assim como um F pode apontar diferenças e um teste de comparações não apontar, o contrário também pode ocorrer. Na minha humilde opinião, olhar para o p-valor e dicotomizar em água > 0.05 e vinho < 0.05 deixa de ser estatística e vira matemática. Se for pra seguir a risca a filosofia procedural, você só vai para o teste após permissão da anova. Segue CMR para mostrar a função linear definida pelo interaction_average=TRUE e a análise após abandono de termos. ganho1 <- structure(list(Animal = c(25L, 38L, 42L, 50L, 53L, 18L, 22L, 34L, 41L, 44L, 48L, 2L, 12L, 14L, 39L, 46L, 4L, 5L, 21L, 26L, 49L, 3L, 32L, 37L, 43L, 47L, 8L, 15L, 30L, 40L, 1L, 17L, 23L, 28L, 7L, 9L, 19L, 35L), Gest = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L), .Label = c("0", "100", "130", "140"), class = "factor"), Manej = structure(c(1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L), .Label = c("1", "2"), class = "factor"), PVINICIAL = c(36.5, 37, 25.6, 30.3, 30.1, 27.3, 31, 25.1, 32.5, 29.6, 35, 40, 34.3, 33.8, 33.7, 31.4, 40, 32.3, 34.5, 29.5, 39.7, 38, 33.2, 34.5, 34.8, 31.3, 29.2, 32, 30.5, 27.5, 37, 32, 36.5, 40.6, 35.1, 29.8, 36.2, 28.6)), .Names = c("Animal", "Gest", "Manej", "PVINICIAL" ), class = "data.frame", row.names = c(NA, -38L)) names(ganho1) <- tolower(names(ganho1)) str(ganho1) library(multcomp) library(doBy) library(car) library(reshape) cast(manej~gest, data=ganho1, margins=TRUE) xyplot(pvinicial~manej, groups=gest, ganho1, type=c("p","a")) xyplot(pvinicial~gest, groups=manej, ganho1, type=c("p","a")) analise <- lm(pvinicial~manej*gest,data=ganho1) par(mfrow=c(2,2)); plot(analise); layout(1) anova(analise) Anova(analise, type="II") Anova(analise, type="III") drop1(analise, scope=.~., test="F") summary(analise) g <- glht(analise, linfct=mcp(manej="Tukey", interaction_average=TRUE, covariate_average=TRUE)) g$linfct # função linear definida pelos argumentos usados # é o contraste para efeito principal summary(g) X <- popMatrix(analise, effect="manej") X cbind(c(X[2,]-X[1,]), c(g$linfct)) # exatamente como se faz "na mão" summary(glht(analise, linfct=rbind(X[2,]-X[1,]))) ana <- update(analise, .~manej+gest) anova(ana) summary(ana) g <- glht(ana, linfct=mcp(manej="Tukey")) summary(g) À disposição. Walmes. ========================================================================== Walmes Marques Zeviani LEG (Laboratório de Estatística e Geoinformação, 25.450418 S, 49.231759 W) Departamento de Estatística - Universidade Federal do Paraná fone: (+55) 41 3361 3573 VoIP: (3361 3600) 1053 1173 e-mail: walmes@ufpr.br skype: walmeszeviani twitter: @walmeszeviani homepage: http://www.leg.ufpr.br/~walmes linux user number: 531218 ==========================================================================