Академический Документы
Профессиональный Документы
Культура Документы
PIRACICABA
Estado de So Paulo - Brasil
Agosto - 2002
Estatstica
Experimentao
PIRACICABA
Estado de So Paulo - Brasil
Agosto - 2002
Estatstica
Experimentao
Permitida a cpia total ou parcial deste documento, desde que citada a fonte O autor
s minhas mulheres:
Lectcia,
urea,
Adriana e
Carolina.
Dedico.
AGRADECIMENTOS
Universidade Federal do Paran, particularmente Pr-Reitoria de Pesquisa e PsGraduao / PICDT-CAPES, pela oportunidade desta qualificao.
Escola Superior de Agricultura Luiz de Queiroz da Universidade de So Paulo, pelo
total apoio institucional.
Aos professores do Departamento de Estatstica da Universidade Federal do Paran, pela
amizade e por assumirem minhas tarefas junto ao Departamento, possibilitando meu
afastamento.
Ao professor Dr. Dcio Barbin, pela orientao e pelos sempre sbios conselhos.
Aos professores Doutores Joo Riboldi, Antonio Augusto Franco Garcia e Andr Jalles
Monteiro, pelo estmulo e auxlio.
Aos professores Doutores Clarice Garcia Borges Demtrio, Dcio Barbin, Antonio
Francisco Iemma e Roberto Simionato Moraes, serei sempre grato.
Aos professores do Departamento de Cincias Exatas da ESALQ/USP, pela contribuio
minha formao.
Aos funcionrios do Departamento de Cincias Exatas da ESALQ/USP, Rosa, Solange,
Luciane, Robinson e Jorge, pelo atendimento sempre diligente e carregado de
carinho.
bibliotecria Eliana Maria Garcia Sabino, pela reviso das normas.
Aos amigos da minha turma de doutorado, Cristina, Suely, Andr, Heyder e Silvano,
pela troca de experincias e, sobretudo, pela possibilidade de me proporcionar
momentos de grande felicidade.
Enfim, em especial, agradeo a minha esposa Adriana, pelo amor e compreenso e,
principalmente, por me presentear com o meu maior estmulo, minha filha Carolina,
tornando, assim, esta caminhada muito mais prazerosa.
SUMRIO
Pgina
LISTA DE TABELAS.................................................................................................... vi
RESUMO....................................................................................................................... vii
SUMMARY................................................................................................................... ix
1 INTRODUO..............................................................................................................1
2 REVISO DE LITERATURA ..................................................................................... 3
2.1 Introduo e Definies...............................................................................................3
2.2 Estimao e Modelagem.............................................................................................6
2.3 Processos Iterativos....................................................................................................24
2.4 Estruturas de Covarincias.........................................................................................28
2.5 Seleo do Modelo e Testes.......................................................................................32
3 MATERIAL E MTODOS........................................................................................ 36
3.1 Material..................................................................................................................... 36
3.2 Mtodos.................................................................................................................... 38
4 RESULTADOS E DISCUSSO................................................................................. 41
5 CONCLUSES........................................................................................................... 48
ANEXOS........................................................................................................................ 50
REFERNCIAS BIBLIOGRFICAS............................................................................ 81
LISTA DE TABELAS
Pgina
1 Algumas estruturas da matriz de varincias e covarincias definidas no SAS....................... 29
2 Irrigao por asperso Line-Source. Dados referentes produtividade de trs cultivares de
trigo de inverno. Exemplo A................................................................................................. 36
3 Irrigao por asperso Line-Source. Dados referentes distribuio das observaes dos
trs cultivares de trigo de inverno. Exemplo B...................................................................... 37
4 Modelos Especficos conforme a Estrutura de Varincia e Covarincia (Exemplo A).......... 39
5 Modelos Especficos conforme a Estrutura de Varincia e Covarincia (Exemplo B).......... 40
6 Esquema Geral da Anlise de Varincia................................................................................. 40
7 Testes da Razo de Verossimilhana Restrita, Critrio de Akaike e Teste para os Efeitos Fixos
para os Modelos do Exemplo A, sem a interao tripla........................................................ 42
8 Testes da Razo de Verossimilhana Restrita, Critrio de Akaike e Teste para os Efeitos Fixos
para os Modelos do Exemplo B, sem a interao tripla.......................................................
46
RESUMO
muito comum encontrar nas reas agronmica e biolgica experimentos cujas
observaes so correlacionadas. Porm, tais correlaes, em tese, podem estar
associadas s parcelas ou s subparcelas, dependendo do plano experimental adotado.
Alm disso, a metodologia de modelos lineares mistos vem sendo utilizada com mais
freqncia, principalmente aps os trabalhos de Searle (1988), Searle at al. (1992),
Wolfinger (1993b) entre outros. O sucesso do procedimento de modelagem est
fortemente associado ao exame dos efeitos aleatrios que devem permanecer no modelo
e na possibilidade de se introduzir, no modelo, estruturas de varincias e covarincias
das variveis aleatrias que, para o modelo linear misto, podem estar inseridas no
resduo e, tambm, na parte aleatria associada ao fator aleatrio conhecido. Nesse
contexto, o Teste da Razo de Verossimilhana e o Critrio de Akaike podem auxiliar na
tarefa de escolha do modelo mais apropriado para anlise dos dados, alm de permitir
verificar que escolhas de modelos inadequadas acarretam em concluses divergentes em
relao aos efeitos fixos do modelo. Com o desenvolvimento do Proc Mixed do SAS
(Littel at al. 1996), utilizado neste trabalho, a anlise desses experimentos, tratada pela
metodologia modelos lineares mistos, tornou-se mais usual e segura. Com a finalidade
viii
SUMMARY
In Biology and Agronomy, experiments that produce correlated observations are
often found. Theoretically, these correlations may be associated with whole-plots or
subplots, according to the chosen experimental design. Also, the mixed linear model
methodology is now being used much more frequently, especially after the works of
Searle (1988), Searle et al. (1992) and Wolfinger (1993b), among others. The success of
the modeling procedure is strongly associated with the examination of the random
effects that must remain within the model and the possibility of introducing variancecovariance structures of random variables in the model. In the case of the mixed linear
model, they may be included in the residual error or in the random part which is
associated with the known random factor. In this context, the Likelihood Ratio Test and
Akaikes Information Criterion can help in choosing the most appropriate model for data
analysis. They also enable the verification of inadequate choice of models which can
lead to divergent conclusions regarding the fixed effects of the model. With the
development of the SAS Mixed Procedure (Little at al. 1996), which was used in this
work, analysis of these experiments, conducted through the mixed linear model
methodology, has become more usual and secure.
In order to achieve the target of this work, two examples were utilized (A and B)
involving the productivity response of three varieties of wheat, in regards to irrigation
levels by line-source aspersion. Twenty-nine models for Example A and 16 models for
Example B were created and analyzed. For each example, it was verified that
conclusions regarding fixed effects changed according to the model adopted. It was also
verified that Akaikes Information Criterion must be regarded with caution. When
comparing similar models between the two examples, the importance of correct
programming in the Mixed Procedure was confirmed. In this context, it can be
concluded that it is fundamental to conduct the experiment analysis in an ample manner,
looking for various models and verifying which ones make sense according to the
experimental plan, thus avoiding errors at analysis completion.
1 INTRODUO
A perfeita adequao do modelo linear a situaes reais depende, diretamente, da
competncia e da sensibilidade do usurio em captar a estrutura dos dados que sero
modelados e analisados, em relao aos efeitos aleatrios e ao efeito residual. A
metodologia de modelos lineares mistos procura auxiliar nessa tarefa e tem sido
estudada com mais nfase, principalmente aps os trabalhos de Searle (1988), Searle at
al. (1992), Wolfinger (1993b), Littel at al. (1996) e Mrode (1996).
O sucesso do procedimento de modelagem est fortemente associado
possibilidade de se introduzir, no modelo, estruturas de varincias e covarincias das
variveis aleatrias, que para o modelo linear misto, podem estar inseridas no resduo e,
tambm, na parte aleatria associada ao fator aleatrio conhecido.
A literatura mostra uma vasta discusso sobre o tema, examinando os
pressupostos para a realizao da anlise de varincia (Scheff, 1959), verificando
metodologias para estimao dos efeitos do modelo (Searle at al., 1992), analisando as
tcnicas apropriadas para a seleo de modelos (Bozdogan, 1987) e introduzindo
estruturas de varincias e covarincias no modelo, como por exemplo a auto-regressiva,
a Toeplitz, a de componentes de varincia e a sem estrutura, com o objetivo de melhorar
o ajuste (Wolfinger, 1993a). Porm, mesmo em discusses de situaes mais complexas,
bastante comum encontrar na literatura exemplos, como em Henderson (1984),
Wolfinger (1993a) e Diggle (1988), utilizando a estrutura mais simples I2 para o
resduo e a estrutura de componentes de varincia para a parte aleatria. Com
2 REVISO DE LITERATURA
2.1 Introduo e Definies
Num modelo matemtico, deseja-se explicar as observaes de uma varivel
dependente por meio dos efeitos diferenciais que se atribuem a outra srie de variveis
independentes. Tais efeitos podem ser de natureza fixa ou aleatria, conforme
representem, respectivamente, constantes a serem estimadas ou realizaes de uma
varivel aleatria com distribuio de probabilidade conhecida.
Segundo Searle (1987), modelos lineares nos parmetros possuem ao menos um
efeito aleatrio (comumente denotado por erro experimental). Se um modelo apresenta
todos os demais componentes fixos chamado de modelo fixo; se, no entanto, todos os
demais fatores forem aleatrios (a menos de uma constante, para outros modelos que no
o de mdias de caselas) o modelo chamado de aleatrio; quando o modelo apresenta
tanto efeitos aleatrios como fixos, denominado de modelo misto. No Apndice A,
encontram-se 5 exemplos que procuram explicar, em detalhes, as diferenas existentes
entre os modelos fixo, aleatrio e misto, as variabilidades existentes entre as observaes
e, tambm, explicitar todas as matrizes envolvidas em cada um desses exemplos.
Para o modelo linear misto, a anlise de varincia apresenta algumas
peculiaridades, como, por exemplo, a composio das esperanas matemticas dos
quadrados mdios, cujo conhecimento permite o estabelecimento correto dos testes de
hipteses (Hicks, 1973). Caso o interesse do pesquisador esteja na estimao dos
componentes de varincia, mtodos adequados devem ser utilizados (Henderson, 1953;
Cunningham & Henderson, 1968; Patersson & Thompson, 1971).
(1)
em que,
ny1
o vetor de observaes;
nXp+1
p+11
nZq
q1
n e1
G
Var =
e
.
R
(2)
Linear Unbiased Predictors), entre outros, podem ser descritos por meio de um modelo
linear misto. Dessa forma, a estrutura da matriz de varincias e covarincias deve estar
inserida no modelo para melhor explicar o comportamento dos dados (detalhes em Littel
et al. (1996) e Wolfinger (1993a)).
Um dos problemas centrais do ajuste dos modelos mistos a um conjunto de
observaes a estimao dos componentes de varincia e covarincias dos efeitos
aleatrios e qual a metodologia mais adequada para estimao dos efeitos fixos.
Em geral, a seleo de modelos est ligada possibilidade de se estimarem
parmetros associados s definies do modelo ou de se predizer o comportamento das
suas variveis aleatrias para um dado conjunto de observaes. Na verdade, isso ocorre,
pois as esperanas de efeitos fixos e varincias populacionais de variveis aleatrias so
estimveis, enquanto que as variveis aleatrias podem ser preditas, mas no estimadas,
uma vez que no possuem valor fixo; mas, numa amostra dos seus possveis valores,
podem-se obter indicadores de sua esperana, conhecida sua distribuio, e verificar se
existe uma correlao entre o efeito aleatrio e o carter observado.
Assim, no uso de modelos fixos, devem-se estimar os prprios efeitos fixos,
enquanto que os modelos aleatrios prestam-se para estimar os componentes de varincia
(das variveis aleatrias), bem como para a predio das prprias variveis aleatrias.
Dessa forma, os modelos mistos podem servir para a estimao de mdias de um modo
mais preciso, uma vez que deve-se levar em conta a influncia dos componentes de
varincia que podem ser estimados pelo modelo, ou ainda para a predio, servindo de
base para o processo de seleo de modelos.
2.2 Estimao e Modelagem
A estimao de componentes de varincia em modelos com dados balanceados
o caso mais simples e de onde deriva boa parte da metodologia para dados
desbalanceados. O mtodo dos momentos (ANOVA) o mais comumente empregado,
constituindo em se igualarem formas quadrticas a suas respectivas esperanas, obtendose assim um conjunto de equaes que permite a estimao (Barbin, 1993).
2 = C-1q,
um estimador no-viesado de 2.
A matriz de disperso de 2 :
( )
Jn (y
i
) = Jny
2
2
i
IJ y 2 ,
n (y
i
) = n
2
y 2i n y 2
(3)
n
i
ij
(y
ij
y i y j + y
= n y 2ij Jn y 2i In y 2 j + IJny 2 .
i
n
i
ij
y ij2 n i y i2 n j y 2 j + n y 2 .
i
XX XZ Xy
ZX ZZ = Zy
10
apenas dos fatores aleatrios, a menos de uma constante que pode ser includa no
modelo. Searle (l968) fazendo estudo dos mtodos de Henderson, mostrou as condies
que devem satisfazer um estimador dos efeitos fixos para que os resduos no dependam
desses efeitos. H dois inconvenientes nesse mtodo. Um deles o fato de no haver uma
nica soluo e o outro consiste em no poderem ser adotados modelos que incluam
interaes entre os efeitos fixos e aleatrios.
O Mtodo III de Henderson, tambm chamado mtodo de ajuste de constantes,
usa as redues nas somas de quadrados do modelo completo e de submodelos para
estimar os componentes de varincia.
Esse mtodo pode ser usado para qualquer modelo misto e produz estimadores
que no so viesados.
Para deduzir o mtodo, considere o modelo:
y = X + Z + e = W + e.
A matriz W pode ser subdividida em [W1W2], e ' em [1 2 ] . Dessa forma, o
modelo reescrito como:
y = W11 + W22 + e.
Note que nenhuma suposio feita sobre a subdiviso de W e no que se refere
a efeitos fixos ou aleatrios.
Chamando R(1,2) e R(1), respectivamente, s redues nas somas de
quadrados do modelo completo e do submodelo y = W11 + e, tem-se:
R(21) = R(1,2) - R(1).
Portanto,
E[R(21)] = E[R(1,2)] - E[R(1)].
-
11
W1 W2
E( ) + e2 r (W ) ,
W2 W1
W1 W2
E( ) + e2 r (W1 ) .
W2 W1 (W1 W1 ) W1 W2
E( ) + e2 [r (W ) r (W1 )]
E R ( 2 1 ) = tr
W2 W1 (W1 W1 ) W1 W2
ou
E[R(21)] = tr{W2'[I-W1(W1'W1)-W1']W2E(22')} + e2 [r(W) - r(W1)].
Note que [R(21)] no envolve 1 e portanto E[R(21)] no depende do vetor
de efeitos 1, sejam eles fixos ou aleatrios.
Assim, o Mtodo III de Henderson, consiste em encontrar os estimadores para os
componentes de varincia, montando um sistema de equaes a partir das diferenas
entre as redues do modelo completo e um submodelo e igualando-as s suas
respectivas esperanas.
Para modelos mistos, esse mtodo particularmente vantajoso porque, tomando o
vetor 1 como o vetor dos efeitos fixos e 2 como o vetor dos efeitos aleatrios,
12
E[R(21)] no conter termos devido a esses efeitos fixos, e ser apenas funo de e2
e das varincias dos efeitos aleatrios em 2, que o que se deseja estimar.
Para exemplificar o mtodo, considere o modelo:
y = 1 + X1 + X2 + X3 + e,
sendo uma constante, o vetor de efeitos fixos, e os vetores de efeitos aleatrios.
Nesse caso, a matriz W pode ser escrita como W = [1 X1 X2 X3] e
R(,,,) = y'W(W'W)-W'y, soma de quadrados total, com r(W) = r, o posto da matriz
W.
Considere os submodelos, dados por:
y = 1 + e
y = 1 + X1 +e
y = 1 + X1 + X2 + e
as redues nas somas de quadrados de resduos correspondentes, podem ser assim
descritas:
R ( ) = y 1(1 1) 1y = y 1(n )11y =
1
y Jy , com
n
r(W1) = r(J) = 1;
R (, , ) = y W1 (W1 W1 ) W1 y , com
13
y = X + Z + e.
Assumindo que os efeitos aleatrios i, i = 1, ..., r e e tm distribuio normal
com mdia zero e matrizes de varincias e covarincias i2 I n , ..., para i=1, ..., r e e2 I n ,
respectivamente, o vetor y ter distribuio normal multivariada, com mdia X e matriz
de varincias e covarincias, V, ou seja, y ~ N(X, V), sendo,
r
V=
Z Z
i
i =1
2
l
+ e2 I =
Z Z
i
2
l
i =0
, com 02 = e2 e Z0=I.
14
L = f (y , ) =
1
( 2)
n/2
ZGZ'+ R
1/ 2
(y X )]
(4)
1X = X V
1y , que para V conhecido, transforma-se nas equaes normais do
(a) XV
BLUE dos efeitos fixos;
(b) e equaes para o trao da seguinte matriz:
1Z Z ) = (y X)'V
1Z ZV
1(y X) .
tr(V
i i
i i
(5)
) (
1Z Z V
1Z Z 2 = yP Z Z P y
tr V
i i
j j i
i i
(6)
15
Assim,
f (y , ) =
1
( 2)
e
2
[( y X Z )' ( R )
( y X Z )
1
1
( 2) G
2
e
2
[( 0)' (G )
( 0)
16
1
1
1
l = 2n log(2) (logR + logG) (y' R 1y 2y' R 1X 2y' R 1Z + 2' X' R 1Z
2
2
2
+ ' X' R 1X + ' Z' R 1Z + ' G 1).
X' R 1 X o + X' R 1Z
X' R 1y
=
e
o
1
1
1
1
Z
'
R
X
+
Z
'
R
Z
+
G
Z' R y
X' R 1 X
Z' R 1X
o X' R 1y
.
=
Z' R 1Z + G 1 Z' R 1y
X' R 1Z
1X) X' V
1y X' R
1y
(X' V
= C 1
=
Z' V
y ,
1(y X) Z' R
G
sendo,
1
1 Z
X R
= X R X
C
1 ,
1
1
Z R X Z R Z + G
17
(7)
(8)
18
tem-se:
X' R 1 X o + X' R 1 Z(Z' R 1Z + G 1 ) 1 Z' R 1 (y X o ) = X' R 1y
X' R 1 X o + X' R 1 Z(Z' R 1 Z + G 1 ) 1 Z' R 1y X' R 1Z(Z' R 1Z + G 1 ) 1 Z' R 1 X o = X' R 1y
[ X' R 1 X X' R 1 Z( Z' R 1 Z + G 1 ) 1 Z' R 1 X] o = [ X' R 1 X' R 1 Z( Z' R 1 Z + G 1 ) 1 Z' R 1 ]y
Assim,
o = {X' [ R 1 R 1 Z(Z ' R 1 Z + G 1 ) 1 Z' R 1 ]X} X' [R 1 R 1 Z (Z' R 1 Z + G 1 ) 1 Z' R 1 ]y ,
= [XR-1-XR-1Z(ZR-1Z+ G-1)-1ZR-1X]-.
19
Ento, se a igualdade:
GZ(ZGZ+ R)-1 = (ZR-1Z + G-1)-1ZR-1,
for verdadeira, , obtido pelas EMM, o BLUP de . A prova dessa igualdade foi
apresentada por Henderson et al.(1959).
b) A varincia de dada por:
Var( ) = Var[GZV-1(y - Xo)] = GZV-1Var(y - Xo)V-1ZG =
= GZV-1[Var(y) - 2Cov(y, oX) + Var(Xo)] V-1ZG.
Mas, Cov(y, oX) = Var(Xo), ento,
Var( ) = GZV-1[Var(y) - Var (Xo)] V-1ZG = GZV-1[V - X(XV-1X)- X ] V-1ZG =
= GZ [V-1 - V-1 X(XV-1X)- X V-1]ZG.
20
y = X11 +
i i
+e.
i=A
V = Var(y) =
X Var( )X
i
'|
i
+ I 2 .
i=A
21
V = Var(y) =
X X
i
'
i
2
i
+ I 2 ,
i=A
tr(X X ) + tr(Q)
2
i
'|
i
(9)
i=A
22
Alm disso, o primeiro desses problemas pode, de fato, ser eliminado pelo
mtodo da mxima verossimilhana restrita (Patterson & Thompson, 1971). Em relao
ao segundo problema, Harville (1977) mostra que os estimadores de mxima
verossimilhana, deduzidos com base na normalidade, podem ser perfeitamente
adaptados quando a forma da distribuio no for especificada.
A estimao de componentes de varincias e covarincias por mxima
verossimilhana restrita foi desenvolvida por muitos pesquisadores para modelos
especficos de anlise de varincia para dados balanceados, como, por exemplo,
Anderson & Bancroft (1952) e Russel & Bradley (1958) e foi estendida para todo modelo
com dados balanceados por Thompson (1962). O mtodo uma variante do mtodo de
mxima verossimilhana para modelos mistos e foi utilizado por Patterson & Thompson
(1971) para delineamentos em blocos com dados desbalanceados.
Os estimadores obtidos pelo mtodo de mxima verossimilhana restrita com
dados balanceados so idnticos aos estimadores ANOVA que so no-viesados e de
varincia mnima. Searle (1987, 1992), Perez (1992) e Ogliari (1998) ressaltam que, sob
normalidade, os estimadores de mxima verossimilhana restrita alm de idnticos aos
estimadores ANOVA, podem ser obtidos de forma analtica.
No mtodo da mxima verossimilhana restrita, a funo de verossimilhana
fatorada em duas partes independentes, uma referente aos efeitos fixos e outras aos
efeitos aleatrios, sendo assim, uma delas totalmente livre dos efeitos fixos, de maneira
que a funo densidade de probabilidade das observaes dada pela soma das funes
densidade de probabilidade de cada parte (Patterson & Thompson, 1971). A
maximizao da funo densidade de probabilidade referente aos efeitos aleatrios, em
relao aos componentes de varincia, elimina o vis resultante da perda de graus de
liberdade na estimao dos efeitos fixos do modelo. Note que uma verossimilhana
associada com R. Como R resduo de mnimos quadrados ordinrios, essa
verossimilhana chamada de mxima verossimilhana restrita ou residual. Restrita no
sentido de que se refere somente a V e residual por estar associada matriz dos resduos,
R.
23
l=
1
1
1
posto( X) log 2 log X' (ZGZ' ) 1 X {y ' (ZGZ'+ R) 1 X[ X' (ZGZ'+ R) 1 X] X' (ZGZ'+ R) 1 y
2
2
2
1
1
1
posto {K ' [ K ( ZGZ '+ R ) K ' ] 1 K } log 2 log K ( ZGZ '+ R ) K ' {y ' K ' [ K ( ZGZ '+ R ) K ' ] 1 Ky } ,
2
2
2
sendo,
l1: o logaritmo da funo densidade de probabilidade, referente aos contrastes entre os
efeitos fixos;
l2: o logaritmo da funo densidade de probabilidade, referente aos contrastes
linearmente independentes entre as partes aleatrias das observaes, (y - X);
K: uma matriz que estabelece os contrastes linearmente independentes entre as partes
aleatrias das observaes.
Para a estimao dos componentes de varincia, a funo l2 derivada em relao
aos elementos de R e G, fazendo essas derivadas iguais a zero. Porm, mais uma vez, os
estimadores dos componentes de varincia no possuem formas explcitas, isto , o
estimador de cada componente est em funo dos estimadores dos outros componentes,
e s podem ser encontrados por mtodos numricos iterativos.
As equaes para a estimao de mxima verossimilhana restrita de i,j2,
para i, j = 0, 1, ..., r so:
tr P Zi Zi P Z jZj i2 = yP Zi Zi P y
(10)
24
por
Jennrich
25
para obterem as
26
1
1
1
= tr V1Ri + y' V1Ri V1y y' V1Ri V1X + ' X' V1Ri V1X ,
2
2
2
sendo ZiZi = Ri ou Gi e i = e1, e2, ..., e12, e13, ..., edd (associado a Ri) ou i = g1, g2, ..., g12,
g13, ..., gdd (associado a Gi). Logo, a derivada segunda obtida da seguinte forma para os
termos A, B, C e D:
Para A:
1 tr[V 1R1 ]
=
2
e21
e21
A
M=T
Logo,
A
i2
1
1
= (V 1 )'[V 1R1V 1R1 + V 1 ] = [V 1V 1R1V 1R1 V 1V 1 ]
2
2
Para o termo B:
B
e21
1
= [y' V 1R1V 1R1V 1y + y' V 1 (V 1y R1V 1R1V 1y)] =
2
1
= [y' V 1R1V 1R1V 1y + y' V 1V 1y y' V 1R1V 1R1V 1y]
2
Para o termo C:
C
e21
y' (V1R1V 1 )X
e21
27
Para o termo D:
D
e21
1
= [' X' V 1R1V 1R1V 1X + ' X' V 1V 1X ' X' V 1R1V 1R1V 1X]
2
1
1
= (V 1 )'[V1G1V 1G1 + V 1 ] = [V 1V 1G1V 1G1 V 1V 1 ]
2
2
l
| (m)
e |(m ) o
1
H = tr PRjPRi y' PRjPRi Py e
2
l
1
1
l
|( m ) = R2 tr(PR i ) + y ' PR i Py .
2
i 2
1
1
1
l R = ln LR = (n p) ln 2 ln K' VK y' K(K' VK)1K
2
2
2
28
sendo p o posto de X.
A primeira derivada dada por :
l R
i2
1
1
1
1
= tr[ KV' K ) 1 K ' R i K y ' (1)PR i Py = tr(PR i ) + y ' PR i Py
2
2
2
2
Pois,
P
1
1 KVK '
(
'
)
'
(
'
)
(K ' VK ) 1 K ' =
=
=
K
K
VK
K
K
K
VK
2
2
2
i
i
i
= K (K ' VK ) 1 K '
V
V
1
=
(
'
)
'
K
K
VK
K
P
P = PZ i Z 'i P
2
2
i
i
1
1
1
tr PR j PR i y ' PR j PR i Py y ' PR j PR i Py =
2
2
2
1
tr PR j PR i y ' PR j PR i Py.
2
29
Componentes de
Varincia
(Variance Components)
VC (A B)
Toeplitz
TOEP
0
0
0
A2
0
0
0
0
0
0
0
0
0
0
2
A
0
0
2
1
AR(1)
UN(2)
Sem estrutura
(Desestruturada)
UN
2
11
2
A
0
0
0
Auto-regressiva de
Primeira Ordem
SP(POW)
TOEP (2)
Espacial
Toeplitz de Banda
(Banded-Toeplitz)
Desestruturada de Banda
(Banded)
2
1
3
2
1
d 12
1
12
2
22
4
3
2
1
2
1
0
2
1
2
B
0
7
3
d 13
d 23
1
13
23
2
33
0
0
2
1
4
3
2
3
2
1
0
0
0
0
2
0
0
0
0
B2
5
4
3
2
1
8
4
d14
d 24
d 34
1
14
24
34
2
44
0
0
0
9
5
d 15
d 25
d 35
d 45
1
15
25
35
45
2
55
30
y i = Xi + Zi i + ei , i=1, 2, ..., n.
No primeiro estgio , vetor de parmetros de locao desconhecido, e i, vetor
de efeitos aleatrios, so considerados fixos. Os ei so independentes e cada ei~N(0,Ri),
sendo Ri a matriz de covarincias do vetor de erros aleatrios. Em seguida, supe-se que
os i so independentes com i ~ N(0, G), sendo G a matriz de covarincias dos efeitos
aleatrios. A distribuio marginal de cada vetor resposta yi dada por yi~N(Xi, i)
com i = Ri + ZiGZi. comum assumir Ri = 2I, embora outras alternativas possam ser
consideradas.
Em trabalho semelhante, Andreoni (1989) apresentou em detalhes os
procedimentos de estimao dos parmetros do modelo y i = Xi + Zi i + ei , pelos
31
32
33
(11)
(12)
34
35
t=
B
B'
BC
B'
B t g , / 2 BC
,
sendo, t g , / 2 o percentil (1 - /2)% da distribuio t g . Quando o posto de B maior do
que 1, deve-se considerar a seguinte estatstica F :
'
B 1 B
B ' B' C
' B ' B ( X ' V 1 X ) B '
F=
ou F =
posto ( B )
posto(B)
(13)
3 MATERIAL E MTODOS
3.1 Material
Com a finalidade de exemplificar a metodologia de modelos lineares mistos
exposta, dois exemplos (A e B) do tipo irrigao por asperso line-source sero
apresentados.
Recomenda-se uma leitura inicial nos exemplos 4 e 5, apresentados no Anexo
A , uma vez que tais exemplos so similares aos dois exemplos tratados neste captulo.
Os dados mostrados na Tabela 2, referentes ao Exemplo A, foram levemente
modificados do artigo de Hanks et al (1980). O experimento consiste em trs cultivares
de trigo de inverno aleatorizados em parcelas retangulares dentro de cada um dos trs
blocos. As parcelas esto localizadas lado a lado e uma linha de asperso disposta
cruzando perpendicularmente o meio dessas parcelas, dividindo-as em norte e sul. Cada
parcela, dependendo da imposio do comando subject do SAS, pode ser subdividida em
dez ou cinco subparcelas. A subparcela mais prxima linha de asperso recebe mais
gua (5), enquanto a mais distante, menos (1).
Tabela 2. Irrigao por asperso Line-Source. Dados referentes produtividade de trs cultivares de
trigo de inverno. Exemplo A.
BLOCO
1
1
1
2
2
2
3
3
3
CULTIVAR
LUKE
NUGAINES
BRIDGER
LUKE
NUGAINES
BRIDGER
LUKE
NUGAINES
BRIDGER
1
2,3
2,5
3,2
1,9
3,1
2,7
1,8
2,3
2,8
2
5,2
4,3
5,1
3,7
5,7
4,3
3,4
3,7
4,0
NORTE
3
6,7
6,3
6,9
5,4
6,4
6,9
4,6
5,8
5,0
4
7,3
7,9
6,1
5,8
7,7
6,8
4,9
6,3
5,2
5
6,8
7,1
7,5
5,9
6,8
8,0
4,7
6,3
5,2
5
5,5
6,2
5,6
6,8
6,3
6,5
5,3
6,5
5,9
4
6,3
5,3
6,5
6,2
6,2
7,3
4,3
5,7
6,1
SUL
3
6,6
5,3
6,6
6,1
6,6
5,9
5,2
5,8
6,0
2
6,4
5,2
5,3
5,9
6,5
6,6
4,6
4,5
4,3
1
3,4
5,4
4,1
3,4
4,2
3,0
3,6
2,7
3,1
37
SUL
BLOCO
C1
C2
C1
C3
C1
C2
C1
C2
C1
C2
C2
C1
C3
C1
C2
C1
C3
C1
C2
C1
C3
C3
C2
C2
C3
C3
C2
C3
C3
C3
C3
C1
C3
C1
C2
C2
C1
C2
C3
C3
C1
C2
C2
C3
C1
C1
C3
C3
C1
C2
C2
C3
C1
C2
C3
C3
C2
C1
C2
C1
C1
C2
C2
C3
C2
C1
C2
C3
C2
C3
C2
C3
C1
C1
C3
C2
C3
C1
C1
C2
C3
C1
C3
C2
C1
C3
C1
C2
C3
C1
38
3.2 Mtodos
O modelo utilizado nesses exemplos ser o exposto em (1). Assim,
y = X + Z + e,
em que,
ny1
nXp+1
p+11
nZq
q 1
n e1
Os fatores cultivar (C), direo (D) e irrigao (I) e suas possveis interaes,
associados ao termo X, so considerados fixos e bloco (B) e suas interaes com os
efeitos fixos, associados ao termo Z, so aleatrios.
A caracterizao do modelo pode ser assim definida:
39
MATRIZ G
VC(B)
VC(B)
VC(B)
VC(B)
VC(B)
VC(B)
VC(B)
VC(B BD)
VC(B BD)
VC(B BI)
VC(B BD BI)
VC(B BC BD BI
BCD BCI BDI)
AR(1)
SP(POW)
AR(1)
TOEP(3)
AR(1)
TOEP(3)
AR(1)
AR(1)
SP(POW)
SP(POW)
Subject G
B
B
B
B
B
B
B
B
B
B
B
B
MATRIZ R
I
AR(1)
TOEP(5)
AR(1)
TOEP(5)
SP(POW)
SP(POW)
I
AR(1)
TOEP(5)
AR(1)
TOEP(5)
SP(POW)
SP(POW)
AR(1)
TOEP(5)
TOEP(5)
TOEP(5)
I
Subject R
BCDI
BCD
BCD
BC
BC
D
1
BCDI
BCD
BCD
BC
BC
D
1
BCD
BC
BC
BC
BCDI
B
B
B
B
B
B
B
B
D
1
I
I
AR(1)
AR(1)
AR(1)
AR(1)
TOEP(5)
TOEP(5)
I
I
BCDI
BCDI
BCD
BCD
BC
BC
BCD
BC
BCDI
BCDI
Observao
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
40
MATRIZ G
VC(B); AR(1)
VC(B); SP(POW)
VC(B); TOEP(4)
VC(B); AR(1)
VC(B); AR(1)
VC(B); TOEP(4)
VC(B); TOEP(4)
VC(B); TOEP(4)
AR(1)
SP(POW)
TOEP(4)
AR(1)
AR(1)
TOEP(4)
TOEP(4)
TOEP(4)
Subject G
B; BC
B; BC
B; BC
B; BC
B; BC
B; BC
B; BC
B; BC
BC
BC
BC
BC
BC
BC
BC
BC
MATRIZ R
I
I
I
AR(1)
AR(1)
AR(1)
TOEP(4)
SP(POW)
I
I
I
AR(1)
AR(1)
AR(1)
AR(1)
TOEP(4)
Subject R
BCDI
BCDI
BCDI
BDI
BI
BDI
BDI
1
BCDI
BCDI
BCDI
BDI
BI
BDI
BI
BDI
Observao
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
TRIPLA/DUPLAS
Com a finalidade de se verificar qual o modelo que melhor se ajusta aos dados,
utilizou-se o teste da razo de verossimilhana e o critrio de Akaike (Bozdogan, 1987),
conforme o subitem 2.5.
Os resultados das anlises para cada um dos modelos foram comparados por
intermdio das tabelas da anlise de varincia fornecidas pelo Proc Mixed do SAS, com
o intuito de verificar se h mudanas nas concluses para os efeitos fixos. A tabela geral
da anlise pode ser assim descrita:
Tabela 6. Esquema Geral da Anlise de Varincia.
Causas de Variao
g.l.
CULTIVAR (C)
i-1
DIREO (D)
j-1
C*D
(i-1)(j-1)
IRRIGAO (I)
C*I
D*I
C*D*I
k-1
'
B o / posto (B )
(i-1)(k-1)
(j-1)(k-1)
(i-1)(j-1)(k-1)
4 RESULTADOS E DISCUSSO
Uma anlise preliminar do Exemplo A, com base na Tabela 4, indica que a
interao tripla no foi significativa em nenhum dos 29 modelos estudados. Assim,
optou-se em trabalhar, em busca dos resultados, com todos esses modelos sem a incluso
dessa interao, mantendo-se, no entanto, todas as interaes duplas. A Tabela 7 contm,
resumidamente, os resultados das anlises dos modelos do Exemplo A, que auxiliaro
nas discusses sobre tais resultados.
Ressalta-se que, na verdade, caso no fosse excluda a interao tripla, as
concluses referentes aos efeitos fixos, foco principal deste trabalho, no sofreriam
modificaes para esse exemplo. Porm, o procedimento de se retirar essa interao,
alm de estar correto, busca simplificar o modelo proposto para anlise dos dados da
Tabela 2.
Como visto no Anexo A, espera-se que qualquer estrutura de varincias e
covarincias, proposta para a matriz R, diferentemente da padro I2, melhore
significamente o ajuste do modelo aos dados, visto que coerente pensar em correlao
entre as subparcelas, especificadas no Exemplo A pelos nveis de irrigao.
Pela anlise da Tabela 7, nota-se que essa tese realmente se verifica. Pois, as
comparaes dos Modelos 2A ao 7A com o Modelo 1A (Modelo mais simples: sem
efeitos aleatrios e R=I2), executadas por intermdio de Testes da Razo de
Verossimilhana, indicam que a incluso de parmetros de covarincia nesses modelos
foi significativa, devendo, portanto, permanecer nos modelos. Para ilustrar, tome-se a
comparao do Modelo 2A com o Modelo 1A que resulta num valor de qui-quadrado
igual a 23,7, valor bem superior ao fornecido pela tabela de qui-quadrado com 1 grau de
liberdade e 0,01 de significncia, que de 6,6. A hiptese estatstica verifica se os
42
modelos no diferem. Como 23,7 est inserido na regio de rejeio, conclui-se que o
Modelo 1A difere do Modelo 2A. Logo, deve-se escolher o modelo com a estrutura de
covarincia AR(1). De fato, pela informao do Critrio de Akaike (AIC), visto em 2.5,
o Modelo 1A fornece um ajuste inferior ao Modelo 2A, 205,5 contra 187,0.
Tabela 7. Testes da Razo de Verossimilhana Restrita, Critrio de Akaike e Teste para
os Efeitos Fixos para os Modelos do Exemplo A, sem a interao tripla.
Modelo
1A
2A
3A
4A
5A
6A
7A
8A
9A
10 A
11 A
12 A
13 A
14 A
15 A
16 A
17 A
18 A
19 A
20 A
21 A
22 A
23 A
24 A
25 A
26 A
27 A
28 A
29 A
Matriz
G
-
Subject
G
Modelos
Comparados
8A
0,7
3
3
4
5
4
5
7
7
3
3
1A e 8A
1A
9A
2A e 9A
11A
11A
19A
19A
1A
1A
27,7** e 0
27,7**
0
13,2** e 3,1
0
4,5
13,0**
13,5**
0
0
Subject
R
-2LR
Akaike
Matriz
R
I
BCDI
AR(1)
BCD
TOEP(5)
BCD
AR(1)
BC
203,6
183,0
174,9
184,0
205,6
187,0
184,9
188,0
TOEP(5)
SP(POW)
SP(POW)
172,3
189,2
1
189,3
BCDI 175,9
BCD 172,9
BCD 162,9
BC
174,0
BC
162,4
D
175,9
1
175,8
BCD 161,8
BC
161,8
BC
162,4
BC
161,8
182,3
193,2
193,3
179,9
178,9
174,9
180,0
174,4
181,9
181,8
175,8
175,8
174,4
175,8
1
I** e DxI**
**
2
1A
23,7
I** e DxI**
**
*
5 1A e 2A 28,7 e 8,1
I** e DxI**
**
2
1A
19,6
I** e DxI**
**
**
5 1A e 4A 31,3 e 11,7
I** e DxI**
**
2
1A
14,4
2
1A
14,3**
2
1A
27,7**
C**, I** , DxI** e D*
3
2A
10,1**
I** e DxI**
**
* **
6
9A
10,0
C , I e DxI**
**
3
4A
10,0
C*, I** e DxI**
**
**
6 5A e 11A 9,9 e 11,6
C*, I** e DxI**
**
** **
3
6A
13,3
C , I , DxI**e D*
**
3
7A
13,5
C**, I** , DxI**e D*
7
12A
0,6
C*, I** e DxI**
7
12A
0,6
C*, I** e DxI**
7
12A
C*, I** e DxI**
0
8 12A e 16A
0,6 e 0,6
C*, I** e DxI**
175,2
183,2
175,9
BCDI 175,9
BCD 172,9
BCD 169,8
BC
174,0
BC
169,5
BCD 162,9
BC
162,4
BCDI 203,6
BCDI 203,6
179,9
179,9
178,9
179,8
180,0
179,5
174,9
174,4
207,6
207,6
VC(B)
VC(B)
AR(1)
VC(B)
TOEP(5)
VC(B)
AR(1)
VC(B)
TOEP(5)
VC(B)
SP(POW)
SP(POW)
BC
D
VC(B)
VC(B BD)
AR(1)
VC(B BD)
TOEP(5)
VC(B BI)
TOEP(5)
VC(B BD
BI)
VC(B BC
BD BI
BCD BCI
BDI)
AR(1)
TOEP(5)
BCDI
BCDI
SP(POW)
AR(1)
AR(1)
TOEP(3)
AR(1)
AR(1)
AR(1)
TOEP(3)
AR(1)
AR(1)
TOEP(5)
AR(1)
TOEP(5)
SP(POW)
SP(POW)
* 0,01<p<0,05 e ** p<0,01
Efeitos fixos
43
44
45
46
ajuste. O que, nesse caso, a informao do Critrio de Akaike reitera, 181,0 para o
Modelo 3B contra 182,6 para o Modelo 6B.
Com respeito incluso de efeitos aleatrios no modelo, portanto na matriz G,
observa-se que apenas o efeito aleatrio de bloco significativo. Caso interprete-se os
resultados das anlises de varincia com todos os possveis efeitos aleatrios, efeitos das
interaes duplas e triplas, v-se que h significncia para os efeitos fixos de I e DxI,
enquanto que para o modelo apenas na presena do efeito aleatrio de bloco indica
significncia dos efeitos fixos C, I, DxI e D.
Tabela 8. Testes da Razo de Verossimilhana Restrita, Critrio de Akaike e Teste para
os Efeitos Fixos para os Modelos do Exemplo B, sem a interao tripla.
Modelo
Matriz
G
Subject
G
Matriz R
Subject
R
-2LR
Akaike
Modelos
Comparados
Efeitos fixos
1B
VC(B);
AR(1)
VC(B);
SP(POW)
VC(B);
TOEP(4)
VC(B);
AR(1)
VC(B);
AR(1)
VC(B);
TOEP(4)
VC(B);
TOEP(4)
VC(B);
TOEP(4)
AR(1)
SP(POW)
TOEP(4)
AR(1)
AR(1)
TOEP(4)
TOEP(4)
TOEP(4)
B; BC
BCDI
174,2
182,2
I** , DxI** e D*
B; BC
BCDI
174,6
182,6
I** , DxI** e D*
B; BC
BCDI
169,0
181,0
I** , DxI** e D*
B; BC
AR(1)
BDI
173,8
183,8
1B
0,6
I** , DxI** e D*
B; BC
AR(1)
BI
171,6
181,6
1B
2,6
I** e DxI**
B; BC
AR(1)
BDI
168,6
182,6
3B
0,4
I** e DxI**
B; BC
TOEP(4)
BDI
168,3
184,3
3B
0,7
I** e DxI**
B; BC
SP(POW)
BC
BC
BC
BC
BC
BC
BC
BC
I
I
I
AR(1)
AR(1)
AR(1)
AR(1)
TOEP(4)
BCDI
BCDI
BCDI
BDI
BI
BDI
BI
BDI
1B
2B
3B
4B
5B
6B
-
4,5*
4,8*
4,7*
4,4*
4,4*
4,3*
-
2B
3B
4B
5B
6B
7B
8B
9B
10 B
11 B
12 B
13 B
14 B
15 B
16 B
178,7
179,4
173,7
178,2
176,0
172,9
169,3
172,8
184,7
185,4
183,7
186,2
184,0
184,9
181,3
186,8
3
3
5
4
4
6
6
7
I** , DxI** e D*
I** , DxI** e D*
I** , DxI** e D*
I** e DxI**
I** e DxI**
I** e DxI**
I** e DxI**
I** e DxI**
47
5 CONCLUSES
Com base nos resultados obtidos, pde-se ratificar a importncia dos
pesquisadores conhecerem as variabilidades envolvidas entre as observaes. Notou-se
que ao desconhecerem tais itens, suas anlises podem ser severamente comprometidas.
Nesse contexto, observou-se que a incluso do efeito aleatrio de bloco
aumentou, sensivelmente, a significncia dos teste de hipteses, comprovada, por
exemplo, pela comparao do Modelo 1A com o Modelo 8A. Alm disso, a escolha
inadequada das estruturas de varincias e covarincias refletiu em concluses
divergentes em relao significncia dos efeitos fixos, visto pela comparao entre o
Modelo 12A com o Modelo 23A ou, ainda, entre o Modelo 3B com o Modelo 9B.
Outro fato importante ocorreu na interpretao dos valores do Critrio de
Informao de Akaike (AIC). Aps uma anlise criteriosa com o auxlio do Teste da
Razo de Verossimilhana (TRV), o AIC ratificou as concluses obtidas. Porm, a
utilizao do AIC, diretamente, para escolha do modelo que melhor se ajusta aos dados
se mostrou ineficaz, como demostrado na comparao entre os Modelos 5B e 9B.
Destacou-se, tambm, o fato de ao se incorporar, erroneamente, estruturas com
parmetros de covarincia no modelo, implicou em diferenas que no se devem s
correlaes, mas, sim, ao efeito aleatrio de bloco, como constatou-se no estudo do
Modelo 21A ou do Modelo 23A.
Enfim, salientou-se a importncia da correta programao do Proc Mixed.
Notou-se que modelos similares como os Modelos 22A e 12B, acarretam em diferentes
concluses a respeito dos efeitos fixos.
ANEXOS
50
ANEXO A
(Modelo Linear Fixo, Aleatrio e Misto)
51
52
ocorre devido aos efeitos inerentes aos dois tratamentos e aos fatores no controlveis
que esto presentes no resduo (3 - 4 + 22).
O Exemplo 2, est associado eficincia de um antibitico aps dois anos de
estocagem. Quatro lotes da droga so coletados aleatoriamente de uma populao de
lotes disponveis. Em cada um dos lotes, tem-se uma amostra de tamanho dois. A
concentrao do princpio ativo do antibitico medida e ser a varivel resposta. Os
objetivos desse experimento podem ser: determinar (estimar) a concentrao mdia geral
e, tambm, se o lote, aleatrio, tem um efeito significativo na variabilidade da resposta.
Um modelo para a anlise desse experimento pode ser:
y ij =+b i +e ij ,
sendo, yij o peso da j-sima amostra do i-simo lote, bi o efeito devido ao i-simo lote e
eij o erro experimental, com i=1, 2, 3, 4 e j=1,2.
Nesse exemplo, pode-se supor que a expectativa para cada yij dos 4 lotes a
mesma, ou seja, E(Yij) = . Agora, em relao ao Exemplo 1, h mais um componente de
perturbao no modelo, uma variabilidade adicional, alm daquela inerente ao resduo.
Tal variabilidade est inserida em cada um dos quatro lotes com duas amostras cada.
Assim, o termo bi ser uma varivel aleatria, aqui denotada por efeito aleatrio,
possuindo certa distribuio de probabilidade. Nesse exemplo, admite-se que bi~N(0,
2b). Logo, V(Yij)=2b +2. Espera-se, portanto, o mesmo valor, qualquer que seja o lote,
porm, a varincia de yij no ser modelada apenas em funo de eij, mas tambm por bi.
Dessa forma, yij ~ N(, 2b+2).
De forma anloga ao discutido para o Exemplo 1, pode-se discutir a respeito das
diferenas existentes entre as realizaes das variveis aleatrias.
A variabilidade proporcionada por fatores no controlveis denotada por efeito
do acaso, que no exemplo em questo possui fontes com diferentes intensidades, uma
associada ao resduo padro, que ocorre dentro de cada lote, e outra gerada pela mudana
de lote, denotada por efeito aleatrio de lote.
Nesse contexto, as amostras dentro de certo lote recebem pequenas flutuaes dos
fatores no controlveis, como por exemplo temperatura, presso e umidade. Logo, as
53
y ijk = + f i + j + g ij + e ijk ,
sendo, j o efeito fixo de dietas, fi, um efeito aleatrio da fmea, gij o efeito aleatrio de
interao entre fmea e dieta. Logo, diz-se que tal modelo misto, uma vez que possui
efeitos aleatrios e fixos.
54
55
1
2
3
4
NVEL
V1
V2
V2
V1
V1
V2
V1
V2
BLOCO 1
Subparcela
V1
V2
V1
V3
Linha de Asperso
V2
V1
V2
V1
BLOCO 2
V3
V3
V3
V2
V2
V1
V1
V2
V1
V2
V2
V1
BLOCO 3
Figura 1 Croqui do Exemplo 4. Cada nvel de irrigao uma Parcela dentro de cada
Bloco.
O modelo utilizado para esse exemplo ser:
(13)
nXp+1
p+11
nZq
q 1
n e1
56
45
y 221
46
y131
46
y 231
46
y
141
46
y 241
39
y112
44
y 212
39
y312
43
y
122
47
y 222
42
y
y = = 322 ,
47
y132
49
y 232
45
y332
40
y142
42
y
242
40
y342
34
y
213
31
y313
38
y 223
34
y323
37
y 233
36
y
333
39
y 243
37
y343
1 1 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
1 0 1 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
1 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0
1 0 1 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0
1 1 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
1 0 1 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0
1 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0
1 0 1 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0
1 1 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
1 0 1 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
1 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0
1 0 1 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0
1 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0
X=
1 1 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
1 0 1 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0
1 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0
1 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0
1 0 1 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0
1 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1
1 0 1 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
1 0 1 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0
1 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0
1 0 1 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0
1 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0
1 0 1 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0
1 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1
1
2
3
1
2
3
4
11
= 12
13
14
21
22
23
24
31
32
33
34
57
Cada coluna da matriz X est associada a cada linha (ou elemento) do vetor .
Assim, a primeira coluna de X refere-se constante , a segunda, ao parmetro 1 e
assim sucessivamente.
A matriz 28Z15 e os vetores e e :
1 0 0 1 0 0 0 0 0 0 0 0 0 0 0
1 0 0 1 0 0 0 0 0 0 0 0 0 0 0
1 0 0 0 1 0 0 0 0 0 0 0 0 0 0
1 0 0 0 1 0 0 0 0 0 0 0 0 0 0
1 0 0 0 0 1 0 0 0 0 0 0 0 0 0
1 0 0 0 0 1 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 1 0 0 0 0 0 0 0 0
1 0 0 0 0 0 1 0 0 0 0 0 0 0 0
0 1 0 0 0 0 0 1 0 0 0 0 0 0 0
0 1 0 0 0 0 0 1 0 0 0 0 0 0 0
0 1 0 0 0 0 0 1 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0 1 0 0 0 0 0 0
0 1 0 0 0 0 0 0 1 0 0 0 0 0 0
0 1 0 0 0 0 0 0 1 0 0 0 0 0 0
,
Z=
0 1 0 0 0 0 0 0 0 1 0 0 0 0 0
0 1 0 0 0 0 0 0 0 1 0 0 0 0 0
0 1 0 0 0 0 0 0 0 1 0 0 0 0 0
0 1 0 0 0 0 0 0 0 0 1 0 0 0 0
0 1 0 0 0 0 0 0 0 0 1 0 0 0 0
0 1 0 0 0 0 0 0 0 0 1 0 0 0 0
0 0 1 0 0 0 0 0 0 0 0 1 0 0 0
0 0 1 0 0 0 0 0 0 0 0 1 0 0 0
0 0 1 0 0 0 0 0 0 0 0 0 1 0 0
0 0 1 0 0 0 0 0 0 0 0 0 1 0 0
0 0 1 0 0 0 0 0 0 0 0 0 0 1 0
0 0 1 0 0 0 0 0 0 0 0 0 0 1 0
0 0 1 0 0 0 0 0 0 0 0 0 0 0 1
0 0 1 0 0 0 0 0 0 0 0 0 0 0 1
b1
b
2
b3
g11
g 21
g 31
g
41
= g12
g 22
g 32
g 42
g
13
g 23
g
33
g 43
e111
e
211
e121
e 221
e131
e 231
e
141
e 241
e112
e 212
e 312
e
122
e 222
e
e = 322
e132
e 232
e 332
e142
e
242
e 342
e
213
e 313
e 223
e 323
e 233
e
333
e 243
e 343
58
A primeira linha indica que a anlise ser realizada pela mtodo da mxima
verossimilhana restrita como recomenda Shaalje at al (1991). O comando CLASS nomeia
as variveis independentes (categricas ou numricas) do modelo. O comando MODEL,
que vem sempre aps o CLASS, descreve a varivel dependente e os efeitos fixos. O
comando RANDOM indica os efeitos aleatrios do modelo. H dois comandos RANDOM,
um referente ao bloco e outro associado s parcelas. Os dois comandos devem ser
tratados diferentemente, pois os blocos so independentes, mas as parcelas so
correlacionadas. Assim, o primeiro define o efeito de bloco como aleatrio e o segundo a
parcela. A opo TYPE=AR(1) estabelece a correlao, nesse caso a estrutura autoregressiva de primeira ordem, entre as parcelas. Nesse exemplo e no Exemplo 5,
trabalhou-se, apenas, com essa estrutura de varincias e covarincias. Embora fosse
59
possvel escolher outras estruturas de interesse. Para tanto, basta modificar as opes
TYPE e SUBJECT dentro do comando RANDOM.
Subject
BLOCO
BLOCO
BLOCO
Estimate
21.1916
3.8174
-0.1527
0.8242
St.Error
22.1556
2.5665
0.9121
0.4077
Z Value
0.96
1.49
-0.17
2.02
Pr Z
0.1694
0.0685
0.8670
0.0216
0
GP
0
0
0
0
GP
0
0
0
0
GP
21,1916
0 .
GB = 0
0
0
21,1916
60
2
AR (1) = P
1
simtrica
...
3
2
4 ...
3 ...
2 ...
...
1 ...
Porm, no Exemplo 4 tem-se quatro nveis de irrigao, portanto, essa matriz ser
quadrada de ordem 4, indicando uma varincia ou uma covarincia presente em cada um
dos elementos da matriz. Dessa forma, os elementos presentes na diagonal principal
referem-se estimativa P 2 , a variabilidade dentro das parcelas, ou seja, a variabilidade
entre a parcela 1 (nvel 1) e a parcela 1. Agora, os elementos pertencentes segunda
diagonal, por serem diferentes de zero, indicam uma certa correlao entre as parcelas
(nveis). Como se trata de uma correlao auto-regressiva de primeira ordem, as parcelas
vizinhas tero o mesmo grau de dependncia. Da, o motivo pelo qual qualquer diagonal
possuir os mesmos elementos. Assim, supe-se que a correlao existente entre as
parcelas 1 e 2 a mesma entre as parcelas 2 e 3, que ser a mesma entre 3 e 4. Por
exemplo, o elemento da linha 1 com a coluna 2, dado por P 2 = -0,5829, diz respeito a
correlao entre as parcelas 1 e 2, assim como entre as parcelas 3 e 4, indicada pela linha
3 com a coluna 4. Logo, GP assim construda:
3,8174 - 0,5829 0,0890 - 0,01359
- 0,5829 3,8174 - 0,5829 0,08900
.
GP =
0,08900 - 0,5829 3,8174 - 0,5829
V1 V2
3. 2P
.2P
V2 V1
V1 V2
V1 V2
NVEL
BLOCO 1
2. 2P
V1
V2
V3
V2 V1
V2
V1
V3
V1 V2
V1
V2
V3
V1 V2
V3
V1
V2
V2 V1
BLOCO 2
BLOCO 3
61
'
B o
1
o
Sabe-se por (9) que = ( X' V X) X' V y , logo basta construir a matriz B
conforme a hiptese a ser testada. Por exemplo, para o teste das variveis a matriz B,
aqui denotada por VAR, fica:
0 1 - 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
VAR =
.
0 1 0 - 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Effect
NIVEL
VAR
VAR*NIVEL
Num DF
3
2
6
Den DF
6
8
8
F Value
2.48
29.71
2.12
Pr > F
0.1588
0.0002
0.1604
62
Subparcela
Linha de Asperso
1
V1
V2
V1
V2
V3
V1
V2
2
V1
V2
V1
V2
V3
V1
V2
3
V1
V2
V1
V2
V3
V1
V2
4
V1
V2
V1
V2
V3
V1
V2
NVEL
BLOCO 1
BLOCO 2
BLOCO 3
Figura 6 Croqui do Exemplo 5. Cada variedade dentro de cada bloco corresponde
uma Parcela.
O modelo utilizado ser o mesmo dado em (13), assim:
63
A programao SAS no Proc Mixed, similar ao Exemplo 4, pode ser dada por:
PROC MIXED METHOD=REML ORD;
CLASS BLOCO VAR NIVEL;
MODEL Y=NIVEL VAR VAR*NIVEL;
RANDOM BLOCO BLOCO*NIVEL;
REPEATED/TYPE=AR(1) SUB=BLOCO*VAR R;
RUN;
O comando
SUB=BLOCO*VAR
as variedades, mas existe uma correlao entre as observaes dentro de cada parcela, ou
seja, entre os nveis de irrigao. O comando
RANDOM
modelo, no caso, o efeito de bloco e a interao bloco com nvel de irrigao. Alm
disso, a matriz G, associada aos efeitos aleatrios, ser construda de acordo com a
estrutura de componentes de varincia, dada pela Tabela 1, pois a no especificao,
dentro do comando
RANDOM,
Estimate
20.7183
4.1581
0.3603
0.8318
St.Error
21.9880
2.5649
0.3818
0.4564
Z Value
0.94
1.62
0.94
1.82
Pr Z
0.1730
0.0525
0.3453
0.0342
0
0
4,1581
0
64
conseqentemente,
G B
0
G=
0
0
GI
0
0
0
0
GI
0
0
0
.
0
GI
Sendo GB a matriz associada aos trs blocos e GI a matriz relacionada com a interao
bloco com nvel.
A matriz R possui estrutura AR(1), logo ela ser do tipo:
1
AR (1) = 2
1
simtrica
...
3
2
4 ...
3 ...
2 ...
...
1 ...
1
0,0467 0,1298 0,3603
se que R, matriz bloco diagonal, possuindo sete blocos, um para cada parcela, dada por:
R P
R=
RP
RP
RP
RP
RP
R P
65
1
2
V1 V2
3.2+2
V1
.2+2
V2
V1 V2
V1 V2
NVEL
BLOCO 1
2.2+2
V1
V2
V3
V2 V1
V1
V2
V3
V1 V2
V1
V2
V3
V1 V2
V1
V2
V3
V2 V1
BLOCO 2
BLOCO 3
DF
3
2
6
DF
6
8
8
F Value
2.17
17.33
2.39
Pr > F
0.1931
0.0012
0.1261
66
ANEXO B
(Programao IML, Exemplo 4 do Anexo A)
PROC IML;
X1=J(28,1,1);
X={1 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0,
0 1 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0,
1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0,
0 1 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0,
1 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0,
0 1 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0,
1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0,
0 1 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0,
1 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0,
0 1 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0,
0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0,
1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0,
0 1 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0,
0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0,
1 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0,
0 1 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0,
0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0,
1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0,
0 1 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0,
0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1,
0 1 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0,
0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0,
0 1 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0,
0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0,
0 1 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0,
0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0,
0 1 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0,
0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1};
X=X1||X;
Y={43,45,41,45,46,46,46,46,39,44,39,43,47,42,47,49,45,40,42,40,34,31,38
,34,37,36,39,37};
67
Z={1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
1,
1};
GB=21.1916*I(3);
GP={3.8174 -0.5829
0.08900 -0.01359,
-0.5829
3.8174 -0.5829
0.08900,
0.08900 -0.5829
3.8174 -0.5829,
-0.01359 0.08900 -0.5829
3.8174};
G=BLOCK(GB,GP,GP,GP);PRINT G;
ZGZ=Z*G*Z`;*PRINT ZGZ;
R=0.8242*I(28);
V=ZGZ+R;*PRINT V;
VI=GINV(V);
BETA=GINV(X`*VI*X)*X`*VI*Y;*PRINT BETA;
VAR={0 1 -1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0,
0 1 0 -1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0};
RVAR=round(trace(ginv(VAR)*VAR));PRINT RVAR;
68
SQVAR=(VAR*BETA)`*INV(VAR*GINV(X`*VI*X)*VAR`)*VAR*BETA/RVAR;PRINT SQVAR;
NIV={0 0 0 0 1 -1 0 0 0 0 0 0 0 0 0 0 0 0 0 0,
0 0 0 0 1 0 -1 0 0 0 0 0 0 0 0 0 0 0 0 0,
0 0 0 0 1 0 0 -1 0 0 0 0 0 0 0 0 0 0 0 0};
RNIV=round(trace(ginv(NIV)*NIV));PRINT RNIV;
SQNIV=(NIV*BETA)`*INV(NIV*GINV(X`*VI*X)*NIV`)*NIV*BETA/RNIV;PRINT SQNIV;
69
ANEXO C
(Dados do Exemplo 4 do Anexo A)
DATALINES;
1 1 1 43
1 2 1 45
1 1 2 41
1 2 2 45
1 1 3 46
1 2 3 46
1 1 4 46
1 2 4 46
2 1 1 39
2 2 1 44
2 3 1 39
2 1 2 43
2 2 2 47
2 3 2 42
2 1 3 47
2 2 3 49
2 3 3 45
2 1 4 40
2 2 4 42
2 3 4 40
3 2 1 34
3 3 1 31
3 2 2 38
3 3 2 34
3 2 3 37
3 3 3 36
3 2 4 39
3 3 4 37
;
RUN;
70
ANEXO D
(Programas: Exemplos A e B)
Programao: Exemplo A
DATA EXEMPLO A;
LENGTH C$ 8;
INPUT B C$ @;
ROW = _N_;
DO SBPLT=1 TO 10;
IF SBPLT LE 5 THEN DO;
I=SBPLT;
D='NORTE';
END;
ELSE DO;
I=11-SBPLT;
D='SUL';
END;
INPUT PROD @; OUTPUT;
END;
CARDS;
1 LUKE
2.3 5.2 6.7 7.3 6.8 5.5 6.3 6.6 6.4 3.4
1 NUGAINES 2.5 4.3 6.3 7.9 7.1 6.2 5.3 5.3 5.2 5.4
1 BRIDGER 3.2 5.1 6.9 6.1 7.5 5.6 6.5 6.6 5.3 4.1
2 LUKE
1.9 3.7 5.4 5.8 5.9 6.8 6.2 6.1 5.9 3.4
2 NUGAINES 3.1 5.7 6.4 7.7 6.8 6.3 6.2 6.6 6.5 4.2
2 BRIDGER 2.7 4.3 6.9 6.8 8.0 6.5 7.3 5.9 6.6 3.0
3 LUKE
1.8 3.4 4.6 4.9 4.7 5.3 4.3 5.2 4.6 3.6
3 NUGAINES 2.3 3.7 5.8 6.3 6.3 6.5 5.7 5.8 4.5 2.7
3 BRIDGER 2.8 4.0 5.0 5.2 5.2 5.9 6.1 6.0 4.3 3.1
;
TITLE "MODELO 1 - G=NO; R=IDENTIDADE - SUBJECT=BCDI; TRIPLA";
PROC MIXED ORD;
CLASS B C D I;
MODEL PROD=C|D|I;
RUN;
71
72
73
74
75
76
Programao: Exemplo B
DATA EXEMPLO B;
INPUT B C I D PROD;
CARDS;
1 1 1 1 2.3
1 2 2 1 4.3
1 1 3 1 6.7
1 3 4 1 6.1
1 1 5 1 6.8
1 2 5 2 6.2
1 1 4 2 6.3
1 2 3 2 5.3
1 1 2 2 6.4
1 2 1 2 5.4
1 2 1 1 2.5
1 1 2 1 5.2
1 3 3 1 6.9
1 1 4 1 7.3
1 2 5 1 7.1
1 1 5 2 5.5
1 3 4 2 6.5
1 1 3 2 6.6
1 2 2 2 5.2
1 1 1 2 3.4
1 3 1 1 3.2
1 3 2 1 5.1
1 2 3 1 6.3
1 2 4 1 7.9
1 3 5 1 7.5
1 3 5 2 5.6
1 2 4 2 5.3
1 3 3 2 6.6
1 3 2 2 5.3
1 3 1 2 4.1
2 3 1 1 2.7
2 1 2 1 3.7
2 3 3 1 6.9
2 1 4 1 5.8
2 2 5 1 6.8
2 2 5 2 6.3
2 1 4 2 6.2
2 2 3 2 6.6
2 3 2 2 6.6
2 3 1 2 3.0
2 1 1 1 1.9
2 2 2 1 5.7
77
2 2 3 1 6.4
2 3 4 1 6.8
2 1 5 1 5.9
2 1 5 2 6.8
2 3 4 2 7.3
2 3 3 2 5.9
2 1 2 2 5.9
2 2 1 2 4.2
2 2 1 1 3.1
2 3 2 1 4.3
2 1 3 1 5.4
2 2 4 1 7.7
2 3 5 1 8.0
2 3 5 2 6.5
2 2 4 2 6.2
2 1 3 2 6.1
2 2 2 2 6.5
2 1 1 2 3.4
3 1 1 1 1.8
3 2 2 1 3.7
3 2 3 1 5.8
3 3 4 1 5.2
3 2 5 1 6.3
3 1 5 2 5.3
3 2 4 2 5.7
3 3 3 2 6.0
3 2 2 2 4.5
3 3 1 2 3.1
3 2 1 1 2.3
3 3 2 1 4.0
3 1 3 1 4.6
3 1 4 1 4.9
3 3 5 1 5.2
3 2 5 2 6.5
3 3 4 2 6.1
3 1 3 2 5.2
3 1 2 2 4.6
3 2 1 2 2.7
3 3 1 1 2.8
3 1 2 1 3.4
3 3 3 1 5.0
3 2 4 1 6.3
3 1 5 1 4.7
3 3 5 2 5.9
3 1 4 2 4.3
3 2 3 2 5.8
3 3 2 2 4.3
3 1 1 2 3.6
;
78
79
80
REFERNCIAS BIBLIOGRFICAS
ANDERSON, C. R.; BANCROFT, T. A. Statistical theory in research. New York:
McGraw-Hill, 1952. 339p.
ANDREONI, S. Modelos de efeitos aleatrios para anlise de dados longitudinais no
balanceados em relao ao tempo. So Paulo, 1989. Dissertao (Mestrado) Instituto de Matemtica e Estatstica , Universidade de So Paulo.
BARBIN, D. Componentes de varincia: teoria e aplicaes. Piracicaba: ESALQ,
1993. 108p.
BOZDOGAN, H. Model selection and Akaikes information criterion (AIC): the general
theory and its analytical extensions. Psychometrika, v. 52, 345-370, 1987.
CAMARINHA FILHO, J.A. Teste de hipteses em modelos lineares com dados
desbalanceados e caselas vazias. Piracicaba, 1995, 142p. Dissertao (Mestrado) Escola Superior de Agricultura Luiz de Queiroz, Universidade de So Paulo.
CUNNINGHAM, E.P.; HENDERSON, C.R. An iterative procedure for estimating fixed
effects and variance components in mixed model situations. Biometrics, v.24, 13-25,
1968.
DIGGLE, P.J. An approach to the analysis of repeated measurements. Biometrics, v.44,
p.959-971, 1988.
FERNANDEZ, G. C. J. Repeated measures analysis of line-source sprinkler
experiments. HortScience, v.26, n.4, p.339-342, 1991.
GRAYBILL, F.A. Theory and application of the linear model. Massachusetts:
Duxbury Press, North Scituate, 1976. 704p.
82
HANKS , R.J.; SISSON, D.V.; HURST, R.L. et al. Statistical analysis of results from
irrigation experiments using the line-source sprinkler system. Soil Science Society of
America Journal, v.44, p.886-888, 1980.
HARTLEY, H.O.; RAO, J.N.K.
Maximum-likelihood
83
84
Piracicaba, 1998.
126p.
85