Академический Документы
Профессиональный Документы
Культура Документы
mesma unidade experimental em mais de uma ocasião (Diggle, 1988; Crowder & Hand,
1990). Vários planejamentos com medidas repetidas são comuns, como ³split plot´, ³cross-
over´ e planejamentos longitudinais. Os planejamentos do tipo ³split plot´ (parcelas
subdivididas) são comuns nas ciências agrárias, onde um único nível de um fator é alocado a
uma parcela relativamente grande de terra e todos os níveis de um segundo fator são aplicados
as subparcelas. Nos planejamentos do tipo ³cross-over´, as unidades experimentais recebem
seqüências de tratamentos.
No entanto, as situações mais comuns são aquelas em que pesquisadores tomam
medidas repetidas em diversos tempos sobre uma unidade experimental, com o objetivo de
verificar o seu comportamento ao longo do tempo, caracterizando as medidas repetidas no
tempo (ou planejamentos longitudinais). Estes envolvem a observação de uma ou mais
variáveis respostas em uma mesma unidade experimental em diversas condições de avaliação
(tempo, distâncias de uma origem), caracterizando medidas correlacionadas e com variâncias
não-homogêneas nos diversos tempos, em função do modo sistemático como as medidas são
tomadas.
Neste tipo de análise, a variável resposta pode ser contínua ou discreta, avaliada nas
diversas unidades experimentais (indivíduo, vasos, canteiros), que podem ser agrupadas
segundo tratamentos ou fatores. Para cada unidade experimental obtêm-se diversas unidades
de observação, que em conjunto, definem um perfil individual de respostas. Para cada
tratamento (ou grupo) está associado um perfil médio de respostas que deve evidenciar o
efeito do tratamento e o seu comportamento ao longo do tempo.
Os dados longitudinais são denominados regulares se o intervalo entre duas medidas
consecutivas quaisquer for constante ao longo do estudo. Além disso, se as observações forem
feitas nos mesmos instantes de tempo em todas as unidades experimentais, teremos uma
estrutura de dados balanceada. A ausência de observações perdidas caracteriza uma estrutura
de dados completa.
A análise de medidas repetidas no tempo pode ser feita através da análise de perfis por
meio de um modelo univariado, de acordo com o planejamento do tipo ³split plot on time´,
que impõe forte restrição quanto à matriz de variâncias-covariâncias, como por meio de um
modelo multivariado, que utiliza uma matriz de variâncias-covariâncias sem restrições,
chamada não-estruturada. Outra forma de avaliar dados longitudinais é através da análise de
curvas de crescimento, por meio de modelos mistos lineares ou não-lineares, que possibilitam
o uso de diferentes tipos de estrutura para as matrizes de variâncias-covariâncias, de modo a
descrever o comportamento dos perfis médios através de curvas.
Este texto visa abordar de forma teórica, as principais características, vantagens,
desvantagens e restrições de cada uma das formas de análise de medidas repetidas, aplicando
estas técnicas a um conjunto de dados simples, envolvendo apenas um fator, com dois níveis,
avaliado ao longo do tempo. O sucesso do programa prático do melhoramento de espécies
perenes depende, entre outros aspectos, do conhecimento do germoplasma disponível, da
variação biológica entre espécies no gênero e entre populações dentro de espécies, e da
variação entre indivíduos (Costa et al., 2005). Essas e outras informações, no contexto da
genética quantitativa, possibilitam a determinação de metodologias de análises genético-
biométricas adequadas.
Um importante aspecto biológico de espécies vegetais perenes é a presença de ciclos
produtivos que tornam o melhoramento genético dessas espécies diferenciado de culturas
anuais, por determinarem oscilações na produção ao longo do tempo. Assim, para que os
resultados experimentais representem informações fidedignas da comparação entre diferentes
materiais genéticos, a influência dos ciclos produtivos deve ser removida por meio de
modelagem estatística. Uma forma eficiente de se realizar esta modelagem é por meio da
análise de medidas repetidas (Littell et al., 1998), cuja utilização (no tempo), em cada
indivíduo, é prática rotineira no melhoramento genético desses tipos de espécies (Resende
et al., 2000).
A diferença entre a análise de medidas repetidas e a análise de parcela subdividida é
que, na última, assume-se que as respostas de diferentes tempos, na mesma parcela, são
igualmente correlacionadas. Na segunda, não é necessário assumir essa pressuposição, e é
possível considerar, por exemplo, que as respostas de tempos mais próximos são, em geral,
mais fortemente correlacionadas que as de tempos mais distantes (Littell et al., 1998).
Uma conseqüência imediata de se ignorarem diferentes correlações entre dados
mensurados no tempo é que a significância aparente da diferença entre as médias dos
tratamentos é grosseiramente exagerada, e a sensibilidade dos testes para interação é
seriamente reduzida. De forma geral, a análise de medidas repetidas permite modelar o grau
de homogeneidade das variâncias e covariâncias dos dados, nas diferentes épocas, por meio
da utilização de matrizes específicas. A análise de medidas repetidas possibilita captar
oscilações anuais na produção, ao longo do ciclo produtivo da cultura.
Na produção animal, as unidades experimentais são animais ou plantas forrageiras,
estando estas sujeitas, na maioria das vezes, a medidas repetidas não aleatorizadas no tempo
nestes experimentos, os dados são obtidos através de um planejamento longitudinal, que
consiste em observar cada unidade experimental em todas as fases estabelecidas no estudo.
A principal razão para se realizar experimentos dessa natureza é a suspeita de que os
efeitos dos tratamentos em uma seqüência de tempo se alteram. Porém, a análise comparativa
destes experimentos é efetuada de forma discretizada no tempo. Assim, torna-se necessário a
aplicação de ferramentas robustas que propiciem uma avaliação de todo o período analisado
de forma consistente. Neste sentido, este trabalho tem por objetivo utilizar técnicas de análise
por meio de dados longitudinais a fim de aperfeiçoar o sistema industrial de produção.
Para ilustrar as técnicas disponíveis vamos considerar um exemplo referente ao estudo
do efeito de um nutriente no crescimento de plantas, em dois níveis, caracterizando alta (H) e
baixa (L) concentração, sendo a variável resposta (peso seco em gramas) avaliada por uma
técnica não-destrutiva (não há destruição da unidade experimental) durante um período de 5
semanas com intervalos regulares de 1 semana. O mesmo estudo poderia ser analisado com
ou sem a abordagem de medidas repetidas no momento. Se considerarmos que há 10
combinações tratamento x tempo (2 tratamentos x 5 tempos) e 10 plantas são alocadas para
cada combinação (100 plantas) e, além disso, a cada tempo, um subconjunto diferente (10
plantas) é avaliado para cada tratamento, este experimento pode ser avaliado sem considerar
os aspectos referentes a medidas repetidas, podendo ser analisado por ANOVA com dois
fatores (tratamento e tempo). Isto porque as plantas avaliadas em cada nível do fator
tratamento em um determinado tempo seriam independentes daquelas de outros tempos, mas
obviamente o experimento requeriria um maior número de unidades experimentais do que um
planejamento em medidas repetidas, onde as 10 plantas de cada tratamento seriam novamente
avaliadas a cada tempo, o que caracterizaria a ausência de independência entre os tempos, que
é uma exigência para que os testes (como teste F) sejam exatos. Para análise destes dados foi
empregado o software "R: A Programming Environment for Data Analysis and Graphics´
(Ihaka & Gentleman, 1996), versão 1.9.0, 2004.
× . Peso seco de plantas durante um período de 5 semanas, submetidas a alta
(H) e baixa (L) concentração de um nutriente.
1 L 39.589 50.484 60.765 79.653 89.869
2 L 29.188 40.105 60.505 59.460 110.469
3 L 59.579 70.330 90.933 100.169 100.601
4 L 50.068 69.445 79.696 99.981 89.228
5 L 50.398 60.055 70.182 80.891 109.822
6 L 40.003 59.638 89.101 89.256 99.379
7 L 30.371 50.521 69.505 100.173 99.819
8 L 60.424 79.629 110.627 100.179 110.400
9 L 49.796 69.531 90.154 100.478 90.466
10 L 50.291 79.695 90.242 110.230 90.112
11 H 40.736 69.083 100.897 91.062 100.364
12 H 59.857 60.038 109.278 109.725 109.989
13 H 49.926 79.996 89.138 99.591 100.567
14 H 60.650 60.138 80.516 90.108 90.367
15 H 40.221 40.925 109.934 109.511 110.799
16 H 60.169 80.620 90.212 99.851 100.632
17 H 39.410 70.900 80.123 99.509 100.928
18 H 49.235 81.186 100.707 109.362 109.319
19 H 59.857 59.672 90.278 90.046 90.232
20 H 49.962 79.809 90.977 89.877 99.561
Abaixo segue uma análise descritiva destes dados, onde verifica-se que os dados referentes ao
nível H são levemente superiores aos dados do nível L, com variâncias não homogêneas entre
tempos e correlação entre as medidas de alguns tempos (1).
(1)
Médias
Semana 1 semana 2 semana 3 semana 4 semana 5
H 51.003 68.237 94.206 98.865 101.276
L 45.971 62.943 81.171 92.047 99.0172
Matriz de variâncias-covariâncias
Semana 1 semana 2 semana 3 semana 4 semana 5
semana 1 99.317 71.414 72.075 47.363 -10.619
semana 2 71.414 170.680 78.110 75.864 -14.732
semana 3 72.073 78.110 218.723 128.322 37.698
semana 4 47.362 75.864 128.322 151.706 -0.503
semana 5 -10.618 -14.732 37.698 -0.503 63.962
Matriz de Correlação
Semana1 semana2 semana3 semana4 semana5
Semana 1 1.0000000 0.5485029 0.4890119 0.385854237 -0.133229966
semana 2 0.5485029 1.0000000 0.4042698 0.471463477 -0.141003166
semana 3 0.4890119 0.4042698 1.0000000 0.704453278 0.318723553
semana 4 0.3858542 0.4714635 0.7044533 1.000000000 -0.005110448
semana 5 -0.1332300 -0.1410032 0.3187236 -0.005110448 1.000000000
. Peso seco de plantas submetidas a alta(H) e baixa(L) concentração de um nutriente ao longo do tempo.
As análises univariadas e multivariadas de perfis visam, basicamente, testar as seguintes
hipóteses:
i) Hipótese de perfis paralelos (H0I) - a interação entre tratamentos e tempo é nula?
ii) Hipótese de perfis coincidentes (H0G) ± dado que os perfis são paralelos, o efeito de
tratamento é nulo?
iii) Hipótese de perfis horizontais (H0T) ± dado que os perfis são paralelos, o efeito do tempo
é nulo?
iv) Se os perfis não são paralelos (interação significativa), o efeito do tempo é nulo dentro de
cada um dos tratamentos?
v) Se os perfis não são paralelos (interação significativa), o efeito de tratamento é nulo dentro
de cada um dos tempos?
Estas hipóteses são expressas na forma de hipótese linear geral H: CȕM = 0, sendo C a matriz
responsável por comparações entre os tratamentos (linhas da matriz ȕ), ȕ a matriz de
parâmetros desconhecidos e, M a matriz responsável por comparações entre as ocasiões de
observação (colunas da matriz ȕ).
Para o nosso exemplo, a análise univariada dos perfis resultou em interação não significativa
e nenhuma diferença significativa entre os níveis do nutriente. Apenas observou-se diferença
significativa entre os tempos, correspondendo a perfis não horizontais (2).
(2)
QUADRO DA ANÁLISE DE VARIÂNCIA
Error: factor (Plant)
Df Sum Sq Mean Sq F value Pr(>F)
Nutrient 1 1052.1 1052.1 3.5661 0.0752
Residuals 18 5310.5 295.0
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
Error: Within
Df Sum Sq Mean Sq F value Pr(>F)
Time 4 38064 9516 102.2819 <2e-16
Nutrient:time 4 322 81 0.8653 0.4891
Residuals 72 6699 93
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05
1 COBUCI, J.A.; COSTA, C.N.; TEIXEIRA, N.M. et al. Utilização dos polinômios de
Legendre e da função de Wilmink em avaliações genéticas para persistência na lactação de
animais da raça holandesa.
! "
#
$! , 2006.
6 PEDREIRA, B.C.E.; PEDREIRA, C.G.S.; SILVA, S.C. da. Estrutura do dossel e acúmulo
de forragem de Brachiaria brizantha cultivar Xaraés em resposta a estratégias de pastejo.
&! #
, v.42, n.2, p.281-287, 2007.
2 CARNEVALLI, R.A.; SILVA, S.C.; BUENO, A.A.O. et al. Herbage production and
grazing losses in a cv. Mombaça under four grazing managements.
×
&!
, v.40, p.165-176, 2006.
3 S.J. Koopmans, A.C. Guzik, J. van der Meulen, R. Dekker, J. Kogut, B.J. Kerr and L.L.
Southern, Effects of supplemental L-tryptophan on serotonin, cortisol, intestinal integrity, and
behavior in weanling piglets, ú a
(2006), pp. 963±971
4 Y.Z. Li, B.J. Kerr, M.T. Kidd and H.W. Gonyou, Use of supplementary tryptophan to
modify the behavior of pigs, ú a
(2006), pp. 212±220.
5 Z.E. Barker, K.A. Leach, H.R. Whay, N.J. Bell and D.C.J. Main, Assessment of lameness
prevalence and associated risk factors in dairy herds in England and Wales, ú
(2010), pp. 932±941.
6 N. Bell and J.N. Huxley, Locomotion, lameness and mobility in dairy cows, = (
(2009), p. 726.
7 R.C. Bicalho, L.D. Warnick and C.L. Guard, Strategies to analyze milk losses caused by
diseases with potential incidence throughout the lactation: A lameness example, ú
(2008), pp. 2653±2661.
8 A.J. Channon, A.M. Walker, T. Pfau, I.M. Sheldon and A.M. Wilson, Variability of
Manson and Leaver locomotion scores assigned to dairy cows by different observers, =
( (2009), pp. 388±392.
9 N.B. Cook and K.V. Nordlund, The influence of the environment on dairy cow behavior,
claw health and herd lameness dynamics, = ú ) (2009), pp. 360±369.
10 S.J. LeBlanc, K.D. Lissemore, D.F. Kelton, T.F. Duffield and K.E. Leslie, Major advances
in disease prevention in dairy cattle, ú
(2006), pp. 1267±1279.
11 J.M. Mill and W.R. Ward, Lameness in dairy cows and farmers¶ knowledge, training and
awareness, = (2007), pp. 162±164.
12 P.J. Rajala-Schultz, Y.T. Gröhn and C.E. McCulloch, Effects of milk fever, ketosis, and
lameness on milk yield in dairy cows, ú
(2009), pp. 288±294.
13 E.B. Lañada, J.-A.L.M. Lee, S.J. More, B.S. Cotiw-an and A.A. Taveros, A longitudinal
study of sows and boars raised by smallholder farmers in the Philippines, =
)*
(2005), pp. 95±113.
14 J.-A.L.M. Lee, E.B. Lañada, S.J. More, B.S. Cotiw-an and A.A. Taveros, A longitudinal
study of growing pigs raised by smallholder farmers in the Philippines, =
)*
(2005), pp. 75±93.