Levene

O que o bloco faz

models/levene Compara variâncias residuais entre grupos de efeitos fixos. A saída é data/test.

Antes de continuar

Termos que esta página usa, em poucas palavras. As definições completas estão no glossário.

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.

Tratamento

A condição aplicada a uma unidade experimental: um nível de um fator ou uma combinação de níveis de vários fatores. As comparações do experimento são entre tratamentos.

Pressuposto

Uma condição sob a qual o método dá resultados confiáveis, como resíduos normais ou observações independentes. Quando um pressuposto falha, p-valores e intervalos podem ficar errados, mesmo que a conta rode.

Homocedasticidade

Pressuposto de que a variância dos erros é a mesma em todos os tratamentos ou ao longo dos valores ajustados. Quando falha (heterocedasticidade), os erros padrão e os testes deixam de ser confiáveis.

Quando usar

Use para avaliar igualdade de variâncias entre grupos de tratamento a partir dos resíduos do ajuste. Na parcela subdividida o bloco recusa: os resíduos vêm de dois estratos de erro e não há correção publicada; leia o painel escala-locação do models/plot_diagnostics.

Pressupostos

• Os grupos (as combinações dos tratamentos) têm pelo menos duas observações cada; o bloco recusa senão.

• As observações de cada grupo são independentes entre si.

  Se falhar: Não há teste no trama para isso: é o delineamento (sorteio, uma medida por unidade) que garante. Medidas repetidas na mesma unidade pedem models/paired_t ou models/lmer.

• Os resíduos vêm de um modelo bem especificado (termos certos, sem tendência sobrando): o teste olha os resíduos, e um modelo errado muda o que eles medem.

  Verificar:Diagnóstico dos resíduos

• Com bloco (DBC, fatorial em DBC, DQL), o delineamento é equilibrado (cada tratamento o mesmo número de vezes em cada bloco, linha e coluna): a correção de O'Neill & Mathews é um fator do desenho que supõe o equilíbrio; o bloco recusa senão. Ali o centro é o ajuste de mínimos quadrados (a média), qualquer que seja o param Centro.

  Se falhar: Leia o painel escala-locação do models/plot_diagnostics.

• Com bloco, o desenho não é pequeno demais: a correção acerta a média do F, não a cauda, e em desenho pequeno o teste é conservador (tamanho a 5%, por simulação: DBC 5 × 6 4,6%, 4 × 3 2,9%; DQL 8 × 8 4,7%, 5 × 5 2,9%, 4 × 4 2,3%).

  Se falhar: Não rejeitar num desenho pequeno é pouca evidência de variâncias iguais: leia também o painel escala-locação do models/plot_diagnostics.

• O modelo não é parcela subdividida: os resíduos de dois estratos de erro não têm correção publicada (a de O'Neill & Mathews supõe um estrato), e o bloco recusa.

  Se falhar: Leia o painel escala-locação do models/plot_diagnostics; com variâncias diferentes, ajuste o misto no models/lmer.

Configuração

Centro mediano é Brown–Forsythe (padrão); centro média é Levene original.

Exemplo

library(trama)

reg <- tr_registry()
tr_use("trama.models", registry = reg)

tr_flow(reg) |>
  tr_add("dados", "models/example", dataset = "PlantGrowth") |>
  tr_add("ajuste", "models/anova_dic", resposta = "weight", tratamento = "group", from = "dados") |>
  tr_add("resultado", "models/levene", centro = "mediana", from = "ajuste")

No ajuste DIC de PlantGrowth, Levene compara a dispersão dos resíduos entre ctrl, trt1 e trt2, usando a mediana como centro do teste.

Como interpretar

A hipótese nula é igualdade de variâncias. Sem fatores, use Breusch–Pagan para preditores contínuos.