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.

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.

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.

Power Analysis for ANOVA Designs