Coleção modelos
ANOVA · parcela subdividida
Análise de variância de parcelas subdivididas em blocos, com os erros (a) e (b).
O que o bloco faz
models/anova_split_plot Ajusta parcelas subdivididas com erros separados por estrato. A saída é models/fit.
Antes de continuar
Termos que esta página usa, em poucas palavras. As definições completas estão no glossário.
- Graus de liberdade
- Quantas informações independentes sobram para estimar uma variabilidade depois de estimados os outros parâmetros. Definem qual distribuição t, F ou qui-quadrado se usa no teste; com poucos graus de liberdade a inferência fica mais incerta.
- Variância
- A média dos quadrados das distâncias de cada valor à média: mede o quanto os dados se espalham. O desvio padrão é a raiz quadrada da variância e fica na mesma unidade dos dados.
- Resíduo
- A diferença entre o valor observado e o valor que o modelo ajustado prevê para aquela observação. É nos resíduos que se conferem os pressupostos do modelo: eles devem parecer ruído, sem padrão.
- Interação
- Há interação quando o efeito de um fator depende do nível de outro: o adubo aumenta a produção numa cultivar e não em outra. Com interação, olhar o efeito médio de cada fator sozinho pode enganar.
- Análise de variância (ANOVA)
- Um método que divide a variação total da resposta em partes atribuídas a cada fonte (tratamentos, blocos, erro) e testa, pela estatística F, se cada fonte explica mais variação do que o acaso.
Quando usar
Use quando um fator é sorteado em parcelas maiores e outro em subparcelas, com precisão diferente para cada fator.
Pressupostos
Houve dois sorteios: o fator da parcela nas parcelas de cada bloco, e o da subparcela dentro de cada parcela. É isso que justifica os dois erros.
Se falhar: Se os dois fatores foram sorteados juntos nas parcelas, é fatorial: use o
models/anova_factorial.Os erros (a) e (b) são normais e independentes entre si, cada um com variância constante.
Verificar:Normalidade dos resíduosDiagnóstico dos resíduos
Se falhar: Transforme a resposta. O Shapiro usa os resíduos do erro (b); Levene e Bartlett recusam a parcela subdividida (sem correção publicada para dois estratos de erro), e a variância se lê no painel escala-locação.
Dados balanceados (todo bloco com todas as combinações): o quadro com
Error()só é o dos livros assim.Se falhar: No desbalanceado, ajuste o misto
(1 | bloco:parcela)nomodels/lmer.Se a subparcela é tempo ou medida repetida (não sorteada dentro da parcela), a análise com dois erros supõe esfericidade (simetria composta): a correlação entre duas medidas da mesma parcela é igual para qualquer par de tempos.
Se falhar: Sem esfericidade (tempos próximos mais correlacionados que distantes), o F da subparcela fica liberal. O
models/lmersó aceita efeitos aleatórios, não uma estrutura de correlação no erro (como AR(1)); é lacuna registrada na revisão metodológica.
Configuração
Informe resposta, fator sorteado na Parcela, fator da Subparcela e Bloco; essa ordem determina os estratos.
Exemplo
library(trama)
reg <- tr_registry()
tr_use("trama.models", registry = reg)
tr_flow(reg) |>
tr_add("dados", "models/example", dataset = "aveia") |>
tr_add("ajuste", "models/anova_split_plot", resposta = "producao", parcela = "variedade", subparcela = "nitrogenio", bloco = "bloco", from = "dados")aveia traz variedade na parcela e nitrogênio na subparcela, com bloco como restrição.
Como interpretar
Use resíduo (a) para testar bloco e fator da parcela; resíduo (b) para subparcela e interação.
Implementação
stats::lm()versão 4.6.0Combloco:parcelafixo: o quadro é oanova()sequencial, com o bloco e a parcela testados contrabloco:parcela(erro a) e a subparcela e a interação contra o resíduo (erro b). Médias e comparações usam o misto equivalente emlmerTest::lmercom(1 | bloco:parcela).
No código O bloco chama trama.models::tr_models_anova_split_plot(), em trama.models/R/ajustar.R:484.
A conta é feita nesta chamada:
stats::lm(f, data = p$dados)
Outras funções de pacotes que o bloco usa (8)
stats::complete.cases(d[, vars, drop = FALSE])stats::as.formula(txt)stats::df.residual(ajuste)stats::nobs(ajuste)stats::coef(ajuste)lmerTest::lmer(fm(sprintf("%s ~ %s + %s * %s + (1 | %s:%s)", R, K, A, B, K, A)), data = p$dados)stats::formula(ajuste)lme4::isREML(ajuste)
Referências
Livro-texto
- Banzatto, D. A.; Kronka, S. N. (2006). Experimentação agrícola. 4. ed. Jaboticabal: Funep.
- Pimentel-Gomes, F. (2009). Curso de estatística experimental. 15. ed. Piracicaba: FEALQ.
- Montgomery, D. C. (2017). Design and Analysis of Experiments. 9. ed. Hoboken: Wiley.