ANLISE DE DADOS LONGITUDINAIS EM UM ESTUDO SOBRE A EVAPORAO DE CALDAS NO CONTROLE DE INSETOS EM SADE PBLICA

Suely Ruiz Giolo Departamento de Estatstica UFPR, suely@est.ufpr.br Clarice Garcia Borges Demtrio Departamento de Cincias Exatas - ESALQ/USP, clarice@carpa.ciagri.usp.br Marco Antonio Ferreira da Costa Superintendncia de Controle de Endemias - SUCEN Hermes Geraldo Corra Instituto Agronmico de Campinas - IAC

RESUMO Nas aplicaes de praguicidas para uso na sade pblica, produtos orgnicos compatveis de baixa tenso de vapor, ou mesmo gua, quando as perdas por evaporao so tolerveis, so utilizados. Aplicaes para o controle do mosquito Aedes Aegypti, quando da utilizao de um veculo aquoso para a diluio do produto qumico, apresentam a necessidade de reduo das perdas com a evaporao das gotas para uma maior persistncia da pulverizao no espao areo tratado. Produtos antievaporantes so, ento, utilizados para que esta reduo ocorra. Em laboratrio, foram observadas as redues dos dimetros de gotas obtidas a partir de trs caldas - Aqua k-othrine, k-othrine adicionada do lcool OED e k-othrine em suspenso aquosa preparadas com o objetivo de selecionar aquela em que a reduo das perdas seja a mais lenta possvel, prolongando, desse modo, o tempo de evaporao. Como as redues dos volumes das gotas foram avaliadas em vrias ocasies ao longo do tempo, metodologia estatstica adequada para a anlise de dados longitudinais foi utilizada. Pelos resultados obtidos, a calda k-othrine + lcool OED foi escolhida como sendo a mais adequada aos objetivos do estudo.

Palavras-chave: dados longitudinais, medidas repetidas, aedes aegypti.

1. Introduo
No estado de So Paulo, a SUCEN (Superintendncia de Controle de Endemias) vem utilizando, para o controle do mosquito aedes aegypti, vetor da dengue, formulaes baseadas na veiculao do princpio ativo do pesticida em leo vegetal. Todavia, essas formulaes apresentam algumas desvantagens em funo do leo, como a formao de "borra" no fundo dos tanques de calda, dificuldade na manuteno e limpeza das mquinas e equipamentos bem como incmodo na pintura de automveis, mveis e outros objetos de valor. A possibilidade do desenvolvimento e uso de uma calda aquosa para aplicaes ambientais, no s viria a minimizar muitos dos problemas citados, mas apresentaria tambm redues sensveis nos custos de aplicao. Como, as gotas liberadas na atmosfera esto sujeitas gravidade e, em decorrncia do seu volume e massa, apresentam uma velocidade de queda vertical, tem-se interesse no controle de sua evaporao ao longo do tempo. De um modo geral, estudos em que as unidades experimentais so medidas repetidamente ao longo do tempo so denominados de estudos longitudinais ou de medidas repetidas. Os objetivos desses estudos so, usualmente, a comparao das mdias de tratamentos ou a obteno de curvas de regresso ao longo do tempo. Para atender a esses objetivos, mtodos estatsticos apropriados so necessrios para acomodar a estrutura de correlao das medidas repetidas. Para os dados sobre a evaporao de caldas, analisados nesse trabalho, modelos lineares com estrutura especial na matriz de covarincias foram utilizados.

2. Material e Mtodos
No experimento analisado nesse trabalho, foram utilizadas gotas com dimetro mdio de 70 m por ser este, o tamanho mais prximo daquele usado nos tratamentos para o controle de mosquitos. Foram preparadas trs caldas: k-othrine na concentrao de 0,05% v/v de deltramina P.A. (Aqua k-othrine), k-othrine na concentrao de 0,05% v/v de deltramina P.A. adicionada de 0,5% v/v do lcool oxietileno docosanol (OED) e k-othrine na concentrao de 0,05% v/v de P.A. em suspenso aquosa. As gotas, produzidas por um pulverizador pneumtico, foram recolhidas em fio de vidro com dimetro de 10 m e

imediatamente colocadas na platina do microscpio para medida de seu dimetro. O tempo de evaporao foi cronometrado com 10, 20, 30, 40, 50, 60, 120, 300, 600 e 1200 segundos sendo, nesses tempos, anotadas as respectivas redues dos dimetros das gotas. Para cada calda, cinco gotas foram observadas. Durante o experimento a umidade relativa do ar esteve entre 80 e 85% e a temperatura entre 22 e 23C. Os dados resultantes desse experimento encontram-se apresentados na Tabela 1. Tabela 1. Redues dos dimetros das gotas observadas ao longo do tempo
Gotas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Caldas 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 0 83.6 74.8 74.8 70.4 66.0 74.8 72.6 61.6 72.6 74.8 74.8 74.8 74.8 74.8 70.4 Redues dos dimetros das gotas (em m) nos tempos (em seg.) 10 20 30 40 50 60 120 300 600 1200 74.8 72.6 70.4 68.2 66.9 66.0 66.0 59.4 46.2 0.00 70.4 61.6 59.4 52.8 50.6 48.4 48.4 41.8 17.6 0.00 66.0 55.0 52.8 52.8 52.8 50.6 50.6 44.0 30.8 0.00 68.2 66.0 66.0 66.0 63.8 63.8 59.4 50.6 35.2 0.00 59.4 57.2 57.2 55.0 52.8 52.8 50.6 44.0 24.2 0.00 74.8 70.4 70.4 70.4 70.4 70.4 70.4 68.2 61.6 0.00 72.6 72.6 70.4 70.4 70.4 70.4 66.0 63.8 61.6 50.6 61.6 59.4 59.4 57.2 57.2 57.2 57.2 55.0 50.6 39.6 72.6 70.4 70.4 70.4 70.4 70.4 70.4 68.2 59.4 44.0 74.8 72.6 72.6 72.6 72.6 72.6 70.4 63.8 48.4 22.0 70.4 61.6 57.2 44.0 26.4 0.0 0.0 0.0 0.0 0.0 70.4 66.0 57.2 44.0 22.0 0.0 0.0 0.0 0.0 0.0 66.0 57.2 44.0 26.4 0.0 0.0 0.0 0.0 0.0 0.0 66.0 57.2 48.4 26.4 0.0 0.0 0.0 0.0 0.0 0.0 66.0 52.8 35.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0

Calda 1: k-othrine na concentrao de 0,05% v/v de deltramina P.A. (Aqua k- othrine); Calda 2: k-othrine na concentrao de 0,05% v/v de deltramina P.A. + 0,5% v/v do lcool oxietileno docosanol (OED) Calda 3: k-othrine na concentrao de 0,05% v/v de P.A. em suspenso aquosa.

Como a reduo do dimetro, para cada gota nesse experimento, observada em mais do que uma ocasio, ou seja, ao longo do tempo, muito provvel que as correlaes existentes entre as redues observadas na mesma gota sejam maiores do que as existentes entre as redues observadas em gotas distintas. Para que comparaes adequadas entre as caldas sejam, portanto, realizadas, necessrio incorporar esse fato especial dos dados na anlise uma vez que cada gota fornece um vetor de redues dos dimetros em tempos ordenados e estas redues, por terem sido obtidas na mesma gota, no podem, usualmente, ser consideradas independentes. Quanto ao esquema de coleta dos dados, o delineamento dito balanceado com respeito ao tempo se todos os indivduos forem observados nos mesmos instantes, sejam, esses instantes, igualmente ou desigualmente espaados. Em situaes, contudo, em que os indivduos forem observados em diferentes instantes ou, ainda, existirem diferentes instantes

de observao para cada grupo, o delineamento dito desbalanceado com respeito ao tempo. No caso de dados faltantes (missings) no delineamento balanceado, os dados so tambm considerados desbalanceados com respeito ao tempo. Para o experimento sob anlise nesse trabalho, cujos dados encontram-se apresentados na Tabela 1, observa-se um delineamento balanceado com respeito ao tempo De acordo com Diggle et al. (1995), a anlise desse tipo de dados, ou seja, de dados longitudinais, combina idias de metodologias multivariadas e de sries temporais. A diferena da anlise de dados longitudinais, em relao aos mtodos multivariados, est na ordenao temporal da resposta e, em relao as tcnicas usadas na anlise de sries temporais, est no fato de que usualmente em sries temporais tem-se uma nica longa srie a ser analisada e em dados longitudinais, os dados usualmente consistem de um nmero relativamente grande de sries relativamente pequenas, uma para cada indivduo.

2.1 Anlise exploratria

Como em qualquer anlise estatstica, uma anlise exploratria, antes de realizar qualquer anlise mais sofisticada, recomendada para um melhor conhecimento dos dados bem como para a deteco de observaes ou padres no usuais. Dentre outros, os grficos dos perfis individuais e dos perfis mdios so usuais nessa inspeo inicial. Tais grficos so teis, por exemplo, na identificao dos padres individuais e mdios que podem ocorrer bem como na inspeo da varincia de cada grupo sob estudo. O vetor com os ki valores da varivel resposta observados para o i-simo indivduo (i = 1, .., n) conhecido como perfil individual ou perfil resposta do indivduo i e pode ser expresso por: yi = (yi1 , ..., yik) em que yik denota o valor da varivel resposta observado para o i-simo indivduo no k-simo instante de observao. De modo anlogo, o vetor,

y = ( y1 ,..., y k ) ' denominado perfil mdio dos indivduos em que y k denota o valor mdio da varivel resposta observado para os n indivduos no k-simo instante de observao. Se os indivduos pertencerem a j grupos distintos, existiro j vetores de perfis mdios.

2.2 Modelo linear Normal com erros correlacionados

De acordo com Singer e Andrade (2000), os objetivos de um estudo longitudinal com uma varivel resposta contnua, podem ser atendidos, em geral, realizando-se uma anlise dos dados por meio de modelos da forma: Yi = g(Xi, , i) + i i = 1, , n (1)

em que Xi = (xi1, ..., xip) a matriz ki x p de variveis explanatrias do indivduo i com xim = (xim1, ..., ximk) e ximq representando o valor da m-sima varivel explanatria (m = 1, ..., p) para o i-simo indivduo no q-simo instante de observao (q = 1, ..., ki), um vetor de parmetros desconhecidos a serem estimados, i um vetor de efeitos aleatrios especficos do indivduo i com vetor de mdias 0 e matriz de covarincias , g uma funo conveniente de Xi, e i e i = (i1, ..., ik) o vetor de erros aleatrios com vetor de mdias 0 e matriz de covarincias i. Em muitos casos, contudo, especialmente para modelos lineares, possvel a anlise de dados longitudinais por meio de uma simplicao de (1) em que Yi = g(Xi, ) + i i = 1, , n (2)

sendo, as matrizes de covarincias i = i, modeladas independentemente dos parmetros de locao. Assumindo, portanto, que o vetor resposta para o i-simo indivduo tem distribuio Normal multivariada e que a mdia segue um modelo linear, tem-se um problema de regresso linear com a complicao de que os erros podem no ser independentes. O modelo para o indivduo i ser expresso, ento, por: Yi = Xi + i i = 1, , n (3)

em que Xi a matriz ki x p de variveis explanatrias associadas ao indivduo i, o vetor de parmetros desconhecidos a serem estimados e i = (i1, ..., ik) o vetor de erros aleatrios com vetor de mdias 0 e matriz de covarincias i.

2.3 Estrutura da matriz de covarincias i

Para a matriz de covarincias i faz-se necessrio assumir uma estrutura que represente, da melhor maneira possvel, a correlao existente entre as observaes que foram obtidas ao longo do tempo. Note que o modelo apresentado em (3) com i = 2Ik, em que Ik denota a matriz identidade de dimenso ki e 2 representa uma constante positiva, exatamente o modelo de regresso usual em que os componentes do vetor de erros i so assumidos independentes. Muitas so as alternativas apresentadas na literatura para a matriz de covarincias i e, dentre elas, encontram-se: a) matriz de covarincias sem estrutura: uma matriz de covarincias ki x ki dita sem estrutura se esta apresenta todas as varincias e covarincias completamente no especificadas, isto ,
12 i = 12 M 1k

12 L 1k 2 2 L 2k . 2k
M M L k2 O

Observe, nesta matriz, que um total de ki(ki+1) parmetros diferentes devem ser estimados. De acordo com Singer e Andrade (2000), essa matriz til somente para dados de experimentos balanceados e com poucas observaes (por exemplo 5) pois, em caso contrrio, o modelo torna-se superparametrizado. b) matriz de covarincias com estrutura simetria composta ou uniforme: assume-se, nesse caso, que as varincias da varivel resposta em todos os instantes de observao so iguais, isto , Var(Yij) = 2 bem como que as covarincias entre quaisquer dois instantes so tambm iguais de modo que Cov(Yij, Yik) = 2 e, portanto, 1 i = 2 M

O M L 1 M

L 1 L

em que -1 1 o correspondente coeficiente de correlao. Essa matriz, embora muito atrativa por sua simplicidade e aplicabilidade a dados desbalanceados, impe um padro muito restritivo para a dependncia entre as observaes uma vez que, em geral, espera-se que as correlaes entre observaes tomadas em dois instantes quaisquer decresam medida que as distncias entre estes instantes cresam. c) matriz de covarincias com estrutura correlao serial AR(1): essa estrutura indicada para delineamentos balanceados e igualmente espaados em que as correlaes decrescem medida que as distncias entre os instantes crescem. Nessa estrutura, assumido que ij = i,j-1+ij sendo ij uma sequncia de variveis aleatrias mutuamente independentes e com distribuio N(0,2) e -1 1 uma constante. Tem-se, ento, Cov(ij, is ) = 2 | j s | de modo que,
1 i = 2 M k 1

1 M

2 k 3
M

k 2

L k 1 L k 2 O M L 1

d) matriz de covarincias com estrutura Toeplitz: similar a estrutura AR(1) mas com correlaes arbitrrias medida que as distncias entre os instantes crescem, ou seja,
2 i = 12 M 1k

12 2
M

13 L 1k 23 L 2 k
M M L 2 O

2 k 3k

e) matriz de covarincias com estrutura componente de varincia: assume-se, nesse caso, varincias diferentes e covarincias nulas, isto ,
12 0 i = M 0 0
2 2

M 0

0 L 0 . O M L k2 L

Para maiores detalhes sobre estas, bem como outras alternativas de estruturas para a matriz de covarincias, o leitor pode consultar, dentre outros, Diggle et al. (1995), Xavier (1999), Singer e Andrade (2000) e Khattree e Dayanand (1999). 2.3.1. Escolha da estrutura de covarincias i Testes para a hiptese nula de que Ho: i tem uma dada estrutura de covarincias, como, por exemplo, o teste da razo de verossimilhanas (RV) cuja estatstica de teste para a hiptese nula dada por: RV = -2 ln(L) em que L =
verossimilhana sob a estrutura de covarincias especificada em Ho , so, em geral, verossimilhana sob a matriz de covarincias sem estrutura

realizados para a escolha da matriz de covarincias. Sob Ho e para n grande, a estatstica RV segue aproximadamente a distribuio qui-quadrado com f graus de liberdade com f = no de parmetros desconhecidos na matriz de covarincias sem estrutura no de parmetros desconhecidos na matriz de covarincias especificada em Ho. O critrio de informao de Akaike (AIC) , tambm, uma estatstica til na seleo da estrutura da matriz de covarincias. Esse critrio definido como
AIC = ln(L( )) q sendo ln(L( )) o mximo do logaritmo da funo de verossimilhana restrita a e q o

nmero de parmetros estimados na matriz de covarincias . Sob este critrio, a estrutura expressa em termos de com o maior AIC a preferida. Adicionalmente ao teste da razo de verossimilhanas e ao critrio de informao de Akaike apresentados, investigao das matrizes de correlaes dos resduos, em cada tempo de observao, bem como do variograma amostral, podem ser informativos para a escolha da estrutura da matriz de covarincias (Diggle et al., 1995).

3. Resultados e discusso
Na Figura 1 encontram-se apresentados os perfis individuais observados para as gotas em cada uma das trs caldas. Desta figura pode-se observar que a evaporao das gotas ocorre de modo similar dentro de cada calda. O mesmo no observado ocorrer, contudo, entre as caldas.

Figura 1. Perfis individuais observados para as gotas nas trs caldas em estudo

Pela Figura 2, em que so apresentados os perfis das redues mdias dos dimetros das gotas nas caldas 1, 2 e 3, possvel observar que as gotas da calda 3 (k-othrine em suspenso aquosa) apresentam evaporao mais rpida do que as gotas das outras duas caldas e que, as gotas da calda 2 (k-othrine + lcool OED) apresentam redues mdias nos dimetros mais lentas do que as observadas na calda 1 (Aqua k-othrine).

Figura 2. Perfis mdios observados para as gotas obtidas das caldas 1, 2 e 3.

10

Para modelar os perfis mdios observados na Figura 2, foi escolhido um modelo polinomial de segunda ordem no tempo de modo que, para a isima gota (i = 1, ...,5) na j-sima calda (j = 1, 2, 3), tem-se, as redues dos dimetros mdios das gotas, dadas por:

Yij = o + oj + 1 tempo + 1j tempo + 2 tempo2 + 2j tempo2 + ij

(4)

em que o uma constante, oj o efeito da j-sima calda, 1 e 2 representam os efeitos linear e quadrtico, respectivamente, do tempo, 1j o efeito linear do tempo na calda j e 2j o efeito quadrtico do tempo na calda j. Os coeficientes 1j e 2j (j = 1, 2, 3) permitem que as curvas para as trs caldas sejam diferentes em seus componentes lineares e quadrticos. Fazendo, ento, uso do modelo polinomial de segunda ordem apresentado em (4) e escolhido, em parte, pelos perfis observados na Figura 2, foi procedido a escolha da estrutura de covarincias mais adequada para os dados observados. Dentre as diversas estruturas testadas, a escolha foi pela matriz sem estrutura em funo desta ter apresentado, conforme resultados mostrados na Tabela 2, o maior valor para o critrio de informao de Akaike.
Tabela 2: Valores obtidos pelo Critrio de Informao de Akaike (AIC)

1 2 3 4 5

Estruturas de covarincias sem estrutura toeplitz toeplitz heterognea componente de varincia simetria composta

AIC -510.1 -559.7 -596.5 -672.1 -673.1

Usando-se, portanto, a matriz de covarincias sem estrutura e o modelo polinomial de segunda ordem na varivel tempo apresentado em (4), pode-se observar, pelos resultados apresentados na Tabela 3, obtidos usando-se o Proc Mixed do SAS, que tanto o efeito quadrtico como o efeito da interao caldas*tempo, apresentaram-se estatisticamente significativos.
Tabela 3: Testes dos efeitos fixos Efeitos g.l. g.l
caldas tempo tempo*caldas tempo*tempo tempo*tempo*caldas 2 1 2 1 2 12 12 12 12 12

valor F
58.85 1228.90 351.85 192.37 107.54

Pr > F
<.0001 <.0001 <.0001 <.0001 <.0001

11

As estimativas dos componentes da matriz de covarincias sem estrutura podem ser observadas a seguir. Desta matriz, pode-se notar uma forte correlao das redues dos dimetros no tempo.
251.44 196,25 123,49 41,24 121,17 277,42 164,38 114,39 50,41 77,00 197,71 100,97 65,53 3,40 85,59 67,07 68,68 32,51 4,77 1,84 11,82 32,39 20,10 216,93 271,78 266,72 225,96 128,06 21,65 100,63 459,39 507,32 627,50 428,13 528,74 447,54 229,86 280,79 239,64 134,46 7,08 0,46 3,98 18,39 52,27 170,89 205,66 178,16 99,15 5,50 201,12

i =

355,83 265,95 136,63 295,06 220,70 112,53 142,56 34,64 103,69 103,20 35,00 61,79 43,85 41,33 21,69

Tabela 4: Estimativas dos parmetros do modelo polinomial com a matriz de covarincias sem estrutura Estimativas erro-padro Intercepto 48.0759 1.6867 caldas 1 21.5787 2.3854 caldas 2 23.1620 2.3854 caldas 3 0 . tempo -0.12050 0.002956 tempo*caldas 1 0.07334 0.004180 tempo*caldas 2 0.10870 0.004180 tempo*caldas 3 0 . tempo*tempo 0.00006 4.261E-6 tempo*tempo*caldas 1 -0.00008 6.026E-6 tempo*tempo*caldas 2 -0.00008 6.026E-6 tempo*tempo*caldas 3 0 .

Com as estimativas dos parmetros associadas ao modelo considerado e apresentadas na Tabela 4, foram obtidas, respectivamente, as seguintes curvas ajustadas s redues mdias dos dimetros (RMD) das gotas usando-se as caldas 1, 2 e 3:
RMD_1 = 69, 6547 - 0,04715 tempo - 0,00002 tempo2 RMD_2 = 71,2379 - 0,01181 tempo - 0,00002 tempo2 RMD_3 = 48.0759 - 0,12050 tempo + 0,00006 tempo2.

Tais curvas encontram-se representadas na Figura 3.

12

Figura 3. Curvas ajustadas s redues mdias dos dimetros das gotas.

As hipteses de paralelismo e coincidncia entre as curvas ajustadas para as trs caldas, apresentadas na Figura 3, foram testadas e ambas foram rejeitadas. As curvas seriam paralelas se ambas as interaes, caldas*tempo e caldas*tempo2, fossem no significativas, o que no ocorreu, conforme pode ser observado nas Tabela 3 e 5. Como as curvas no so paralelas, so tambm no coincidentes.
Tabela 5: Comparaes (contrastes) Efeitos das Comparaes interaes calda 1 vs calda calda 1 vs calda Quadrtico calda 2 vs calda calda 1 vs calda Linear calda 1 vs calda calda 2 vs calda

valor p 2 3 3 3 3 3 0.9560 <.0001 <.0001 <.0001 <.0001 <.0001

Em decorrncia desses testes, foi possvel concluir que as trs curvas diferem estatisticamente entre si, tendo, a calda 2 (k-othrine + lcool OED), apresentado redues mdias nos dimetros das gotas inferiores quelas obtidas para as caldas 1 (Aqua k-othrine) e 3 (k-othrine em suspenso aquosa).

13

4. Concluses
Pelos resultados das anlises apresentadas, possvel concluir que a calda 3 (k-othrine em suspenso aquosa) apresentou o pior desempenho ao longo do tempo. A calda 2 (k-othrine adicionada do lcool OED) produziu os melhores resultados dentre as caldas estudadas, uma vez que ela prolongou, mais do que as demais, o tempo de evaporao das gotas no espao areo, pelo menos para as condies de temperatura e umidade relativa do ar observadas nesse estudo.

Referncias Bibliogrficas
DIGGLE, P. J.; LIANG, K-Y; ZEGER, S. L. Analysis of Longitudinal Data. New York: Oxford University Press Inc., 1995. 253p. KHATTREE, R.; DAYANAND, N. N. Applied Multivariate Statistics with SAS Software. Cary, NC: SAS Institute Inc., 2nd ed., 1999. 360p. SINGER, J. M; ANDRADE, D. F. Analysis of longitudinal data. P.K. Sen and C. R. Rao, eds., Handbook of Statistics, v.18, 2000. XAVIER, L. H. Modelos univariado e multivariado para anlise de medidas repetidas e verificao da acurcia do modelo univariado por meio de simulao. Piracicaba, 2000. 91p. Dissertao (mestrado) - Escola Superior de Agricultura "Luiz de Queiroz" (ESALQ), Universidade de So Paulo.

14

APNDICE Programa usado no software SAS - verso 6.11 para obteno dos resultados
options ls=64 ps=45 nodate nonumber; data multiv (Keep=gotas caldas s1 s10 s20 s30 s40 s50 s60 s120 s300 s600 s1200) univ (keep=gotas caldas tempo nf); input gotas caldas$ s1 s10 s20 s30 s40 s50 s60 s120 s300 s600 s1200; output multiv; nf=s1; tempo=1; output univ; nf=s10; tempo=10; output univ; nf=s20; tempo=20; output univ; nf=s30; tempo=30; output univ; nf=s40; tempo=40; output univ; nf=s50; tempo=50; output univ; nf=s60; tempo=60; output univ; nf=s120; tempo=120; output univ; nf=s300; tempo=300; output univ; nf=s600; tempo=600; output univ; nf=s1200; tempo=1200;output univ; datalines;
01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 83.6 74.8 74.8 70.4 66.0 74.8 72.6 61.6 72.6 74.8 74.8 74.8 74.8 74.8 70.4 74.8 70.4 66.0 68.2 59.4 74.8 72.6 61.6 72.6 74.8 70.4 70.4 66.0 66.0 66.0 72.6 61.6 55.0 66.0 57.2 70.4 72.6 59.4 70.4 72.6 61.6 66.0 57.2 57.2 52.8 70.4 59.4 52.8 66.0 57.2 70.4 70.4 59.4 70.4 72.6 57.2 57.2 44.0 48.4 35.2 68.2 52.8 52.8 66.0 55.0 70.4 70.4 57.2 70.4 72.6 44.0 44.0 26.4 26.4 0.0 66.9 50.6 52.8 63.8 52.8 70.4 70.4 57.2 70.4 72.6 26.4 22.0 0.0 0.0 0.0 66.0 48.4 50.6 63.8 52.8 70.4 70.4 57.2 70.4 72.6 0.0 0.0 0.0 0.0 0.0 66.0 48.4 50.6 59.4 50.6 70.4 66.0 57.2 70.4 70.4 0.0 0.0 0.0 0.0 0.0 59.4 41.8 44.0 50.6 44.0 68.2 63.8 55.0 68.2 63.8 0.0 0.0 0.0 0.0 0.0 46.2 17.6 30.8 35.2 24.2 61.6 61.6 50.6 59.4 48.4 0.0 0.0 0.0 0.0 0.0 0.00 0.00 0.00 0.00 0.00 0.00 50.6 39.6 44.0 22.0 0.0 0.0 0.0 0.0 0.0

; proc mixed data=univ method=ml; class caldas gotas; model nf = caldas tempo caldas*tempo tempo*tempo tempo*tempo*caldas /s ; repeated / type=un subject=gotas(caldas); run; proc mixed data=univ method=ml; class caldas gotas; model nf = caldas caldas*tempo tempo*tempo*caldas/; repeated / type=un subject=gotas(caldas); contrast 'int. quad. (1 vs 2)' tempo*tempo*caldas 1 -1 0; contrast 'int. quad. (1 vs 3)' tempo*tempo*caldas 1 0 -1; contrast 'int. quad. (2 vs 3)' tempo*tempo*caldas 0 1 -1; run; proc mixed data=univ method=ml; class caldas gotas; model nf = caldas caldas*tempo tempo*tempo*caldas / ; repeated / type=un subject=gotas(caldas); contrast 'termo linear (1 vs 2)' tempo*caldas 1 -1 0; contrast 'termo linear (1 vs 2)' tempo*caldas 1 0 -1; contrast 'termo linear (2 vs 3)' tempo*caldas 0 1 -1; run; ################################################################################### # Obs: Para ajustar o modelo com outra estrutura de covarincias basta substituir # # un em type=un pela matriz desejada (lista das estruturas no help do SAS). # ###################################################################################