Aqui você vê as diferenças entre duas revisões dessa página.
Ambos lados da revisão anterior Revisão anterior Próxima revisão | Revisão anterior Próxima revisão Ambos lados da revisão seguinte | ||
cursos:planeco:roteiro:11-lmm_rcmdr [2022/04/27 10:00] adalardo u |
cursos:planeco:roteiro:11-lmm_rcmdr [2022/04/27 10:26] adalardo [Ajustando os dados de Aveia] |
||
---|---|---|---|
Linha 566: | Linha 566: | ||
Note que as estimativas do primeiro resultado (ou seja, da anova com reajuste para ML) e do segundo resultado (ou seja, sem reajuste para ML, usando ''refit = FALSE'') são diferentes. É importante saber que **no processo de simplificação da __estrutura aleatória__ do modelo** devemos ignorar os primeiros resultados, pois __não queremos que seja feito um reajuste para ML__, ou seja, **queremos que a comparação das estruturas aleatórias seja feita usando as estimativas por REML**. | Note que as estimativas do primeiro resultado (ou seja, da anova com reajuste para ML) e do segundo resultado (ou seja, sem reajuste para ML, usando ''refit = FALSE'') são diferentes. É importante saber que **no processo de simplificação da __estrutura aleatória__ do modelo** devemos ignorar os primeiros resultados, pois __não queremos que seja feito um reajuste para ML__, ou seja, **queremos que a comparação das estruturas aleatórias seja feita usando as estimativas por REML**. | ||
- | O "p-valor" observado nessa comparação é alto, indicando que os modelos não apresentam diferenças marcantes, sendo assim, devemos reter o modelo mais simples e seguimos simplificando. Como só há mais um termo na estrutura randômica modelando o intercepto, podemos finalizar a seleção da estrutura aleatória aqui. | + | O "p-valor" observado nessa comparação é alto, indicando que os modelos não apresentam diferenças marcantes, sendo assim, devemos reter o modelo mais simples e seguimos simplificando. Como só há mais um termo na estrutura aleatória modelando o intercepto, podemos finalizar a seleção da estrutura aleatória aqui. |
<WRAP center round info 80%> | <WRAP center round info 80%> | ||
- | Alguns autores ((inclusive o próprio Zuur do capítulo que indicamos nesse tutorial como leitura)) advogam que se nenhum termo da estrutura randômica for significativo, deve-se abandonar o modelo misto e partir para o modelo linear sem estrutura aleatória. De fato, isso facilitaria muito a interpretação e a apresentação dos resultados do modelo. Porém, outros autores que seguiremos aqui, indicam que devemos manter a coerência do delineamento experimental/amostral e portanto devemos contemplar a dependência das observações de uma mesma praia, utilizando o modelo com a variável randômica ''praia'' no intercepto. | + | Alguns autores ((inclusive o próprio Zuur do capítulo que indicamos nesse tutorial como leitura)) advogam que se nenhum termo da estrutura aleatória for significativo, deve-se abandonar o modelo misto e partir para o modelo linear sem estrutura aleatória. De fato, isso facilitaria muito a interpretação e a apresentação dos resultados do modelo. Porém, outros autores que seguiremos aqui, indicam que devemos manter a coerência do delineamento experimental/amostral e portanto devemos contemplar a dependência das observações de uma mesma praia, utilizando o modelo com a variável aleatória ''Beach'' no intercepto. |
</WRAP> | </WRAP> | ||
Linha 585: | Linha 585: | ||
*/ | */ | ||
- | Após simplificar a estrutura de efeito aleatório o resultado é que as praias diferem na riqueza média, mas essa variação das praias não está relacionada com o ''NAP''. | + | Após simplificar a estrutura de efeito aleatório o resultado é que as praias diferem na riqueza média, mas essa variação das praias não influencia a relação de ''Richness'' com o ''NAP''. |
Note que quando observamos o primeiro gráfico desse tutorial, parecia que a inclusão de diferentes inclinações para cada praia no modelo seria importante. Porém, o resultado desse teste acima nos indica que, apesar de algumas praias terem inclinações aparentemente diferentes, não ganhamos muita informação adicional relevante ao incluir inclinações diferentes para todas as nove praias. | Note que quando observamos o primeiro gráfico desse tutorial, parecia que a inclusão de diferentes inclinações para cada praia no modelo seria importante. Porém, o resultado desse teste acima nos indica que, apesar de algumas praias terem inclinações aparentemente diferentes, não ganhamos muita informação adicional relevante ao incluir inclinações diferentes para todas as nove praias. | ||
Linha 604: | Linha 604: | ||
</code> | </code> | ||
- | Caso esse modelo mais simples seja significativo, podemos continuar a simplificação com os modelos só com ''NAP'' ou só com ''fExposure'', comparando com o que contém ambos termos ''fExposure + NAP''. | + | Caso o modelo mais simples tenha um poder de explicação da variação dos dados similar ao mais complexo, devemos continuar a simplificação com os modelos só com ''NAP'' ou só com ''fExposure''. Nos dois casos iremos comparar com o modelo que contém ambos termos ''fExposure + NAP'', para que os modelos comparados sejam aninhados ((não é possível comparar o modelo só com ''NAP'' com o modelo só com ''fExposure''!)). |
Siga a simplificação até chegar ao modelo mínimo adequado para esse conjunto de dados. | Siga a simplificação até chegar ao modelo mínimo adequado para esse conjunto de dados. | ||
Linha 693: | Linha 693: | ||
===== Modelos Mistos Exemplos ===== | ===== Modelos Mistos Exemplos ===== | ||
- | Vamos treinar um pouco os modelos mistos olhando outros exemplos, buscando sempre entender o conceito de variáveis fixas e aleatórias e treinando a interpretação do resultado dos modelos | + | Vamos nos debruçar um pouco mais nos modelos mistos olhando outros exemplos, buscando sempre entender o conceito de variáveis fixas e aleatórias e treinando a interpretação do resultado dos modelos |
==== Crescimento de Árvores ==== | ==== Crescimento de Árvores ==== | ||
- | O interesse deste estudo foi entender se a **deciduidade** (perda de folha síncrona) de árvores está relacionada ao crescimento do indivíduo. Os pesquisadores não estavam interessados se espécies distintas tem crescimentos diferentes, entretanto a perda de folha síncrona é característica da espécie e eles precisaram incluir essa variavel no desenho experimental. | + | O interesse deste estudo foi entender se a **deciduidade** (perda de folha síncrona) de árvores está relacionada ao crescimento do indivíduo. Os pesquisadores não estavam interessados se espécies distintas tem crescimentos diferentes, entretanto a perda de folha síncrona é característica da espécie e eles precisaram incluir essa variável no desenho experimental. |
- | No estudo em questão amostraram ''5'' espécies decíduas e outras ''5'' perenes (não perdem as folhas no mesmo período do ano) e, para cada espécie, anotaram o crescimento de '''10'' árvores. Como indivíduos de uma mesma espécie são mais parecidos entre sí do que indivíduos de outras espécies, essa observações não são independentes e precisam ser contempladas no modelo. Um outro complicador é que árvores de diferentes tamanhos ou idades tem crescimentos diferentes. Por isso inclui-se no estudo o tamanho da árvore como uma preditora fixa e com isso os pesquisadores condicionaram o crescimento a variável tamanho. | + | No estudo em questão amostraram ''5'' espécies decíduas e outras ''5'' perenes (não perdem as folhas no mesmo período do ano) e, para cada espécie, anotaram o crescimento de '''10'' árvores. Como indivíduos de uma mesma espécie são mais parecidos entre sí do que indivíduos de outras espécies, essa observações não são independentes e precisam ser contempladas no modelo. Um outro complicador é que árvores de diferentes tamanhos ou idades tem crescimentos diferentes. Por isso inclui-se no estudo o tamanho da árvore como uma preditora fixa e com isso os pesquisadores condicionaram o crescimento à variável tamanho. Assista ao vídeo abaixo que mostra esse exemplo. |
<WRAP center round box 80%> | <WRAP center round box 80%> | ||
Linha 739: | Linha 739: | ||
- | Para entender os dados utilize o menu ''Help'' > ''Help on active data set (if available)''. Leia da documentação que irá se abrir onde há uma descrição dos dados: | + | Para entender os dados utilize o menu ''Help'' > ''Help on active data set (if available)'' e leia a documentação que irá se abrir onde há uma descrição das variáveis: |
<WRAP center round box 80%> | <WRAP center round box 80%> | ||
Linha 776: | Linha 776: | ||
==== Atividade ==== | ==== Atividade ==== | ||
- | * Construa um modelo cheio tendo como variável resposta o rendimento de cultivo (''Y'') e como preditoras as variáveis fixas variedade (''V''), adubação nitrogenada (''N'') e a interação entre as duas. Como estrutura aleatória utilize o fator aleatório plot (''P'') aninhado dentro de bloco (''B'')((a sintaxe aqui é ''(1|B/P)'')). Note que como não temos variáveis fixas contínuas, apenas categóricas, não precisamos modelar a inclinação do modelo, apenas o intercepto. | + | * Construa um modelo cheio tendo como variável resposta o rendimento de cultivo ('' Y '') e como preditoras as variáveis fixas variedade ('' V ''), adubação nitrogenada ('' N '') e a interação entre as duas. Como estrutura aleatória utilize o fator aleatório plot ('' P '') aninhado dentro de bloco ('' B ''), com a sintaxe ''(1|B/P)''. Note que, como não temos variáveis fixas contínuas, apenas categóricas, não há como modelar a inclinação do modelo, apenas o intercepto. |
* Faça a simplificação da estrutura fixa das preditoras e chegue ao modelo mínimo adequado. | * Faça a simplificação da estrutura fixa das preditoras e chegue ao modelo mínimo adequado. | ||
* Faça a interpretação biológica do resultado baseado nos coeficientes fixos e da variação associada aos fatores aleatórios. | * Faça a interpretação biológica do resultado baseado nos coeficientes fixos e da variação associada aos fatores aleatórios. |