tente rodar usando a abordagem generalisada implementada na função gls do pacote nlme. nela é possivel afrouxar o pressuposto de homocedasticidade exigido pela função lm,aov, através do argumento weights der uma olhada no manual Em sáb, 2 de mar de 2019 5:56 PM, Marcelo Laia <marcelolaia@gmail.com escreveu:
On 02/03/19 at 03:51, Fernando Souza wrote:
Seguindo a proposta do gilson, apos rodar o modelo utilizando aov ou lm veja a distribuição dos residuos graficamente através da função qqp do pacote CAR qqp(rstandard(modelo.lm),"norm")
Olá Fernando,
Eu não conhecia essa função do pacote car. Bem massa, pois ela mostra as linhas de confiança.
Com base no pacote bestNormalize, eu transformei os dados e observei os gráficos. Inclusive, com a função qqp todos ficam dentro dos 95%. Ou seja, a questão da normalidade foi resolvida. Mas, a homogeneidade ainda ficou esquisita quando incluo a interação:
Com a interação: Levene's Test for Homogeneity of Variance (center = median) Df F value Pr(>F) group 41 2.2615 0.0002938 *** 126
Sem interação: só Genotipo Levene's Test for Homogeneity of Variance (center = median) Df F value Pr(>F) group 1 3.1509 0.07772 . 166
Sem interação: só Isolado Levene's Test for Homogeneity of Variance (center = median) Df F value Pr(>F) group 20 1.5658 0.06859 . 147
Em anexo os gráficos após transformação.
Agradeço, imensamente, pela inestimável ajuda de ambos!
-- Marcelo