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.