Eu a ajustei REML=FALSE na função lmer{lmerTest}, não para a função lme{nlme}. Na função lmer isto foi recomendado pela função nas mensagens "warnings" e ao fazer o modelo converge perfeitamente. Mas não tenho costume em utilizar esta função e não estou seguro se este procedimento é correto. Além disto a fumção lmer não flexibiliza para trabalhar com dados heterocedastico por isso quero utilizar a lme{nlme} o qual estou acostumado.
Sobre as suas soluções eu tenho interesse em avaliar se há efeito de interação entre Hidratação (HIDRAT) e Diluição (DILU) ao longo do tempo, por isso acho não ser possível excluir DILU do modelo.
O que penso é que a parcela neste experimento, seria as unidades experimentais que receberam as combinações dos níveis dos fatores HIDRAT e DILU. A subparcela seria o tempo (TEMP).
Eu tenho dúvidas se utilizo mesmo a abordagem do modelo misto. visto que neste experimento houve somente 1 aleatorização , já que o TEMPO não pode ser aleatorizado. Talvez algo assim seja mais apropridado.
lme(GAS~HIDRAT*DILU,random=~1+as.numeric(TEMP)|BLOC,weights=varIdent(form=~1|TEMP),data=dados)
Att
=======================================================================
Fernando Souza
Zootecnista, DSc. Produção e Alimentação Animal
celular: (31)99796-8781 (Vivo) / (31)97358-4685 (Tim)
e-mail:nandodesouza@gmail.com
Lattes: http://lattes.cnpq.br/6519538815038307
blog: https://producaoanimalcomr.wordpress.com/
========================================================================
On Mai 16 2016, at 4:00 pm, Felipe <felipe.e.barletta@gmail.com> wrote:
Fernando,
Por que você usa na função lmer o argumento REML=FALSE se na
função lme o default é exatamente a estimação REML
?
Você não está comparando coisas diferentes?
?lme
method: a character string. If ‘"REML"’ the model is fit by
maximizing the restricted log-likelihood. If ‘"ML"’ the
log-likelihood is maximized. Defaults to ‘"REML"’.
E os NA's produzidos não seriam devido você estar definindo tempo
como efeito fixo e aleatório?
modelo0 <-
lme(GAS~HIDRAT*DILU*TEMP,random=~1|TEMP,weights=varIdent(form=~1|TEMP),data=dados)
Ao gerar um gráfico com seus dados notei uma diferença na inclinação
da variável GAS ao longo do tempo:
library(lattice)
xyplot(GAS~TEMP|HIDRAT+DILU, groups = BLOC ,data=dados,type='b')
Como sugestão eu ajustaria um modelo considerando o intercepto e a
inclinação como efeito aleatório e sem o efeito fixo da variável
DILU:
# Intercepto
modelo0 <- lme(GAS~HIDRAT*as.numeric(TEMP),random=~1|BLOC,
weights=varIdent(form=~1|TEMP), data=dados)
# Inclinação
modelo0.1 <-
lme(GAS~HIDRAT*as.numeric(TEMP),random=~as.numeric(TEMP)-1|BLOC,
weights=varIdent(form=~1|TEMP), data=dados)
# Intercepto e Inclinaçãp
modelo0.2 <-
lme(GAS~HIDRAT*as.numeric(TEMP),random=~as.numeric(TEMP)|BLOC,
weights=varIdent(form=~1|TEMP), data=dados)
anova(modelo0,modelo0.1,modelo0.2)
Model df AIC BIC
logLik Test L.Ratio p-value
modelo0 1 13 814.6697 854.2343
-394.3349
modelo0.1 2 13 782.5680 822.1325
-378.2840
modelo0.2 3 15 773.8100 819.4613 -371.9050 2
vs 3 12.75806 0.0017
--
Atenciosamente
Felipe E. Barletta Mendes
Estatístico(UFPR) - Conre3 9766-A
Mestrando em Bioestatística(UEM)
+55 (41)-92077191
+55 (41)-33287216