Ferramentas do usuário

Ferramentas do site


05_curso_antigo:r2010:alunos:trabalho_final:marcel.vaz:start

Marcel Vaz

mar.png

Mestrando em Ecologia, IB-USP. Tese: Habitat e diversidade funcional de árvores de uma floresta de terra firme da Amazônia Central. Para mais informações acesse este site.

Exercícios resolvidos

Trabalho Final

A idéia do trabalho surgiu da dificuldade de se lidar com a sensibilidade de um teste de hipótese, ou seja, a probabilidade de se falsear a hipótese nula quando ela de fato é falsa. Quanto mais complexo um desenho experimental, mais fontes de variação ele incorporará e, portanto, menor será sua sensibilidade. O caso do desenho multifatorial em bloco é um exemplo clássico em que o ruído gerado pelo fator randômico bloco pode sobremaneira mascarar os efeitos dos tratamentos. Ademais, análises como as de Monte Carlo e não-paramétricas têm por característica serem menos sensíveis do que as paramétricas e também esse parece ser o caso da ANOVA. Assim, faz-se mister conhecermos a probabilidade de incorrermos não só no erro tipo I (chance de se negar equivocadamente a hipótese nula), mas também no erro tipo II (manter a hipótese nula quando na “verdade” ela é falsa). Meu objetivo, enfim, é criar uma função que calcule a sensibilidade do teste de ANOVA usando-se Monte Carlo para desenhos fatoriais em bloco.

FUNÇÕES

data.genHELP!CÓDIGOdata.genSimula dados de um experimento fatorial em blocos com dois fatores.
anova.MCHELP!CÓDIGOanova.MCFaz a análise de variância (ANOVA) pelo método de Monte Carlo.
anova.powerHELP!CÓDIGOanova.powerCalcula o poder da ANOVA feita pelo método de Monte Carlo.
anova.graphHELP!CÓDIGOanova.graphCria um gráfico com os efeitos dos tratamentos e sua interação.

Conclusões

O teste de ANOVA por Monte Carlo parece bem sensível para os efeitos dos fatores individualmente. Ao mesmo tempo, porém, o teste se mostrou muito pouco sensível à interação entre os fatores testados, um dos objetivos principais de se usar o desenho fatorial. Já os gráficos, cujas barras de erro foram calculadas por bootstraping, parecem ser mais sensíveis às interações entre os fatores.

Gráfico das médias dos tratamentos para uma simulação de dados com nb=10, int=50, varb=5, vare=10, efA=10, efB=15, efAB=10

05_curso_antigo/r2010/alunos/trabalho_final/marcel.vaz/start.txt · Última modificação: 2020/08/12 06:04 (edição externa)