Escolar Documentos
Profissional Documentos
Cultura Documentos
##
## Attaching package: 'dplyr'
library(ggplot2)
Análise Exploratória
Cálculos para obter as estimativas dos parâmetros, somas de quadrados, predição e
erros padrões. Na seção seguinte os dados serão analisados com funções do R e será
feita discussão dos resultados.
# Repetições de cada ponto experimental.
ftable(xtabs(~A + B + C + D, data = refri))
## D -1 1
## A B C
## -1 -1 -1 2 2
## 1 2 2
## 1 -1 2 2
## 1 2 2
## 1 -1 -1 2 2
## 1 2 2
## 1 -1 2 2
## 1 2 2
# Gráfico.
ggplot(data = refri,
mapping = aes(x = A, y = y, color = B)) +
facet_grid(facets = C ~ D) +
geom_point() +
stat_summary(mapping = aes(group = B),
fun = "mean",
geom = "line")
Atráves dos gráficos podemos observar que, não existem evidências contra o
atendimento dos pressupostos. Obviamente que por serem poucas observações,
dificulta-se detectar padrões característicos, como relação média-variância. O que
pode ser comentado é que o fato da variável ser medida em escala discreta (soma de
20 termos com notas de 0 a 10), isso aparece no gráfico com resíduos padronizados de
mesmo valor.
Pela análise de variância podemos dizer que, não houve interações relevantes
envolvendo C (nível de carbonação), apenas o efeito principal. Não houve efeito de B
(xarope/água) em nenhum termo. Houve interação dupla entre A (adoçante) e D
(temperatura). Portanto, alguns termos do modelo podem ser abandonados.
# Ajuste do modelo reduzido apenas nos termos relevantes.
m1 <- update(m0, . ~ C + A * D)
anova(m1)
## Analysis of Variance Table
##
## Response: y
## Df Sum Sq Mean Sq F value Pr(>F)
## C 1 946.13 946.13 110.766 4.688e-11 ***
## A 1 2312.00 2312.00 270.673 1.347e-15 ***
## D 1 561.13 561.13 65.693 1.046e-08 ***
## A:D 1 666.12 666.12 77.985 1.905e-09 ***
## Residuals 27 230.63 8.54
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
# Variâncias residuais.
c(s2_m0 = summary(m0)$sigma^2,
s2_m1 = summary(m1)$sigma^2)
## s2_m0 s2_m1
## 9.562500 8.541667
Percebe-se que o modelo ajustado não diferiu. Neste exemplo, a variância residual do
modelo m1 foi menor que do modelo m0.Então, a diferença nessas estimativas é
irrelevante. Poderia-se usar a estimativa pura da variância residual fornecida pelo
modelo m0. Os resultados não devem mudar substancialmente.
# Malha fina de valores para predição.
pred <- expand.grid(A = seq(-1, 1, by = 0.1),
C = seq(-1, 1, by = 0.5),
D = seq(-1, 1, by = 0.1),
KEEP.OUT.ATTRS = FALSE)
pred <- cbind(pred,
as.data.frame(predict(m1,
newdata = pred,
se.fit = TRUE)[1:2]))