MODELOS UNIVARIADO E MULTIVARIADO PARA ANALISE DE MEDIDAS REPETIDAS E VERIFICAAO DA ACURACIA DO MODELO UNIVARIADO POR MEIO DE SIMULA~O

LARA HOFFMANN XAVIER

DisaertaBo apresentada B Escola Superior de Agricultura "Luir de Queirot", Universidade de SHQ Paulo, para obtenHo do ttulo de Mestre em Agronomla, Area de ConcentraHo: Eetatlstica e Experlmenta80 AgronQmlca,

P I R A C I C A B A Brasil Estado de SBo Paulo Maio 2000

MODELOS UNIVARIADO E MULTIVARIADO PARA ANLISE DE MEDIDAS REPETIDAS E VERIFICAO DA ACURCIA DO MODELO UNIVARIADO POR MEIO DE SIMULAO

LAR4 HOFFMANN XAVIER

Bacharel em Estatistica

Orientador: Prof. Dr. Carlos Tadeu dos Santos Dias

Dissertao apresentada a Escola Superior de Agricuitura "Luiz de Queiroz", Universidade de So Paulo, para obteno do ttulo de Mestre em Agronomia, rea de Concentrao: Estatstica e Experimentao Agronmica.

PIRACICAI3A Estado de So Paulo - Brasil

Maio - 2000

DIVISO DE

Dados internacionais de Catalogao na Publicao (CIP) BIBLIOTECA DOCUMENTAAO - campus "Luiz de Oueirozn/USP E

Xavier, Lara Hofmann Modelos univariado e multivariado para anlise de medidas repetidas e verificao da acurcia do modelo univariado por meio de simulao / Lara Hofmann Xavier. - Piracicaba, 2000. 91 p. Dissertao (mestrado) - - Gcola Superior de Agricultura Luiz de Queiroz, 2000. Bibliografia.
1. Anlise de covarincia 2. Anlise de varincia 3. Estatstica aplicada 4. Matriz de varincia e covarincia 5. Mtodo de mxima verossimilhanga 6. Mtodo estatstico 7. Simulao I. Titulo

CDD 5 19.5

A Deus, pela confiana e coragem

Aos meus pais Nelsindo e Vanaeba, pelo amor incondicional e incentivo, OFEREO.

Ao Almir, pela fora, pacincia e carinho, w m muito amor, DEDICO.

AGRADECIMENTOS

Ao Prof. Dr. Carlos Tadeu dos Santos Dias, pela amizade e orientao. Aos professores do Departamento de Cincias Exatas da ESALQAJSP, principalmente a ProQ. Dra. Clarice Garcia Borges Demetrio, ao Prof. Dr. Dcio Barbin, ao Prof Dr. Antonio Francisco Iemma e ao Prof. Dr. Antonio Augusto Franco Garcia, pelos ensinamentos e amizade. A CAPES
-

Coordenao de Aperfeioamento de Pessoal de Nvel

Superior, pelo apoio financeiro. Aos funcionrios do Departamento de Cincias Exatas da ESALQAJSP, pelo atendimento. Aos colegas de curso, em especial ao Arlei pelo companheirismo e amizade. A Rosa e a Diva, pelo carinho e amizade com que me acolheram. A Iza, pela amizade, conselhos e ensinamentos. Aos meus pais e irmo, por sempre acreditarem em mim. Ao Almir, pela compreenso, confiana e incentivo constantes. A todos aqueles que de alguma forma colaboraram para a realizao deste trabalho.

SUMRIO
LISTA DE FIGURAS ................................................................................................... LISTA DE TABELAS ................................................................................................... RESUMO ........................................................................................................................ SUMMARY ..................................................................................................................... Pgina ..v vi ix

x
i

2 REVISA0 DE LITERATURA .................................................................................

2.1 Teste de Esfericidade de Mauchly ....................................................................... . . 2.2 Modelo Multivariado ........................................................................................

i INTRODUO .......................................................................................................

3
7

10

2.3 Modelo Univariado ........................................................................................... 18 2.4 Correes para os Nmeros de Graus de Liberdade ........................................... 22 2.5 Modelo Misto ...................................................................................................
2.6 Estruturas da Matriz de Covarincias ................................................................

24
26

2.7 Seleo do Modelo ............................................................................................

33

2.7.1 Teste Assinttico da Razo de Verossimilhana ......................................... 34 2.7.2 Critrio de Informao de Akaike (AIC) ................................................. 2.8 Estimao .......................................................................................................... 34 35

2.8.1 Mtodo da Mxima Verossimilhana (MV) ................................................ 36 2.8.2 Mtodo da Mxima Verossimilhana Restrita (MVR) ................................ 39
3 MATERIAL E METODOS ....................................................................................

44 54 54 84

4 RESULTADOS E DISCUSS~ES ...........................................................................

4.1 Procedimentos do GLM e MIXED .....................................................................

5 CONCLUSOES.......................................................................................................

4.2 Simulaes......................................................................................................... 70

REFERNCIAS BIBLIOGRFICAS ...................................................................... 86

LISTA DE FIGURAS
Pgina

Figura 1.Diferenas verticais entre as curvas de tratamentos ....................................... 20 Figura 2.Curvas no so constantes ao longo do tempo ............................................... 21 Figura 3 Curvas diferem entre os tratamentos ao longo do tempo

...............................

21

Figura 4.Esquema da anlise de medidas repetidas no proc GLM do SAS .................48 Figura 5.Esquema da anlise de medidas repetidas no proc MIXED do SAS .............49 Figura 6.Perfis mdios dos tratamentos ao longo dos dias ........................................... 63 Figura 7. Modelo ajustado para os tratamentos ao longo dos dias ................................ 68 Figura 8 Disperso dos valores estimados vs . resduos Figura 9. Grfico de probabilidade normal

................................................

69
70

...................................................................

Figura 10 Modelo final ajustado para os tratamentos ao longo dos dias ...................... 71

LISTA DE TABELAS
Pgina Tabela 1. Tabela 2. Anlise da Varincia, Esperanas dos Quadrados Mdios e Teste F........ 19 Dados obtidos do experimento com Bromlias em funo dos tratamentos e das medidas realizadas ao longo do tempo para a .45 varivel Nmero Mdio de Folhas .......................................................... Tabela 3. Resumo de comparaes de procedimentos para anlise de medidas 50 repetidas ................................................................................................... Tabela 4. Tabela 5. Tabela 6. Tabela 7. Resultados da anlise univariada usando o proc GLM ............................ 55 Testes multivariados para os fatores intra-indivduos .............................. 57 . . Teste de Esfericidade ............................................................................... 58 Testes univariados e correes para o nmero de graus de liberdade para os efeitos intra-indivduos ................................................................ 58 Tabela 8. Tabela 9. Testes sobre tendncias .......................................................................... Informaes sobre os modelos univariados com estruturas para a matriz de covarincias do tipo Huynh-Feldt e SemEstrutura utilizando o proc MIXED ........................................................................ 1 .6 Tabela 10. Testes para os efeitos fixos dos modelos com estruturas para a matriz de covarincias do tipo Huynh-Feldt e SemEstrutura utilizando o proc MIXED Tabela 11. Tabela 12. Tabela 13. Tabela 14. ..59

..

..

.........................................................................
................................

62 62

Testes multivariados produzidos pelo proc MIXED

Critrio de informao de Akaike (AIC) para o modelo completo ........ ..65 Testes para os efeitos fixos do modelo completo com a estrutura da matriz de covarincias do tipo Sem Estrutura
..........................................

66

Critrio de informao de Akaike (AIC) para o modelo reduzido ......... .66

vii

Tabela 15. Tabela 16.

Testes para os efeitos fixos do modelo completo com a estrutura da matriz de covarincias do tipo Sem Estrutura com Correlaes ............. .67 Teste de Tukey-Kramer para o fator tratamentos do modelo reduzido com a estrutura da matriz de covarincias do tipo Sem Estrutura com Correlaes ...................................................................... .68

Tabela 17. Tabela 18. Tabela 19.

Estimativas do modelo final ajustado ...................................................... 70 Estruturas da matriz de covarincias utilizadas para as simulae ..... .... Valores da estatstica X 2 para o teste de aderncia da distribuio de frequncia dos nveis mnimos de significncia associados aos valores da estatstica F para Dias e interao TratarnentosxDias, com dados balanceados e desbalanceados paraa distribuio normal .................................................................................................

Tabela 20.

Valores da estatstica X 2 para o teste de aderncia da distribuio de frequncia dos nveis mnimos de significncia associados aos valores da estatstica F para Dias e interao TratamentosxDias, com dados balanceados e desbalanceados para a distribuio normal contaminada ..........................................................................

Tabela 21.

Frequncias dos nveis mnimos de significncia nas primeiras classes, associados aos valores da estatstica F para Dias e interao TratamentosxDias, com dados balanceados e desbalanceados para a distribuio normal ................................................................................ .79

Tabela 22.

Frequncias dos nveis mnimos de significncia nas primeiras classes, associados aos valores da estatstica F para Dias e interao TratamentosxDias, com dados balanceados e desbalanceados para a distribuio normal contaminada com a = 0,05 e ( 1-a)= 0,95 ............. .80

Tabela 23.

Frequncias dos nveis mnimos de significncia nas primeiras classes, associados aos valores da estatstica F para Dias e interao TratarnentosxDias, com dados balanceados e desbalanceados para a
= distribuio normal contaminada com a = 0,10 e (1-a) 0,90

.............. 80

Tabela 24.

Frequncias dos nveis mnimos de significncia nas primeiras classes, associados aos valores da estatstica F para Dias e interao TratamentosxDias, com dados balanceados e desbalanceados para a distribuio normal contaminada com a = 0,15 e (1-a)= O,85.. .. .. .. .......81

Tabela 25.

Frequncias dos nveis mnimos de significncia nas primeiras classes, associados aos valores da estatstica F para Dias e interao TratamentosxDias, com dados balanceados e desbalanceados para a distribuio normal contaminada com a = 0,20 e (I-a) = 0,80 .............. 81

MODELOS UNIVARIADO E MULTIVARIADO PARA ANLISE DE MEDIDAS REPETIDAS E VERIFICAO DA ACURCIA DO MODELO UNIVARIADO POR MEIO DE SIMULAO
Autor: Lara Hoffmann Xavier Orientador: Prof Dr. Carlos Tadeu dos Santos Dias

RESUMO
O presente trabalho discute algumas tcnicas para anlise de dados de
medidas repetidas, utilizando modelos univariado, multivariado e misto. Discutem-se tambm algumas questes sobre o problema, bem como alguns procedimentos para seleo do melhor modelo, quando a abordagem de estimao dos parmetros do modelo misto via mxima verossimilhana e mxima verossimilhana restrita. Quanto ao modelo univariado de medidas repetidas, foram realizadas simulaes para verificao da acurcia dos testes quando as suposies exigidas so vlidas, ou no. Este trabalho tambm discute e compara os procedimentos GLM e

MiXED do SAS@,quando utilizados para anlise de dados de medidas repetidas.

UNIVARIATE AND MULTIVARIATE MODELS FOR THE ANALYSIS OF REPEATED MEASURES AND ACCURACY VERIFICATION OF THE UNIVARIATE MODEL THROUGH SIMULATION
Author: Lara Hoffmann Xavier
Adviser: Prof. Dr. Carlos Tadeu dos Santos Dias

SUMMARY
Some technical aspects of repeated measures analysis, using univariate, multivariate and mixed models are discussed in this dissertation. Some problems and procedures to select the adequate model, when the parameters estimation are effectuated through maximum likelihood and restricted maximum likelihood estimation. As for repeated measures, univariate models simulations were done to verify the accuracy of the tests, both when the assumptions are valid or not. This dissertation also discusses and compares the SAS procedures GLM and MIXED when utilized for repeated measures analysis.

Experimentos com medidas repetidas no tempo so bastante comuns na prtica, sendo utilizados por pesquisadores de diversas reas, quando o objetivo verificar o comportamento de um determinado indivduo, ao longo do tempo, seja o mesmo uma planta, um animal, uma mquina, uma pessoa, uma empresa etc. Neste trabalho ser enfocado o caso em que as avaliaes de uma determinada caracterstica, em vrios tempos, sero realizadas sobre o mesmo indivduo, produzindo uma determinada forma de relao entre as observaes obtidas. E, por esse motivo, experimentos assim realizados, requerem outras suposies, alm das usuais, para que a anlise seja correta e os testes produzam resultados vlidos. Dados de medidas repetidas no tempo, tanto podem ser analisados atravs de um modelo univariado, que impe uma restrio rigorosa para a matriz de covarincias, como por meio de um modelo multivariado, que adota uma matriz de covarincias sem restries, ou seja, a matriz sem estrutura, ou ainda atravs de um modelo misto, que possibilita a utilizao de diferentes estruturas para a matriz de covarincias. Essas tcnicas sero empregadas utilizando-se um aleatorizado em blocos. Os objetivos deste trabalho so: a) discutir algumas tcnicas utilizadas para a anlise de dados de medidas repetidas, atravs de modelos univariado, multivariado e misto; delineamento

b) no caso do modelo univariado, que o mais utilizado na prtica, simular algumas situaes em que as suposies do modelo so vlidas, ou no, para verificar a eficincia dos testes, e

c) realizar comparaes entre os procedimentos GLM e MIXED do SAS

quando se tem interesse em trabalhar com dados de medidas repetidas.

2 REVISO DE LITERATURA

O termo medidas repetidas, segundo Diggle (1988) e Crowder & Hand

(1990), usado para designar medidas feitas na mesma varivel ou na mesma unidade experimental em mais de uma ocasio.

A estrutura de parcelas subdivididas, em um estudo de medidas repetidas

no tempo, caracterizada quando se aplicam as parcelas os nveis do fator A e nos quais se tomam medidas repetidas, em ocasies sucessivas, sob a mesma parcela, admitindo-se que essas medidas, tomadas em ocasies distintas, tm varincias homogneas e so igualmente correlacionadas.

Em estudos de medidas repetidas no tempo, em um delineamento no

esquema de parcelas subdivididas, por exemplo, os nveis desse tempo no podem ser aleatorizados para seus intervalos. Dessa forma, a anlise de varincia usual pode no ser vlida, porque com a falta de aleatorizao os erros correspondentes as respectivas unidades experimentais ou indivduos podem ter uma matriz de covarincias que no igual aquela exigida para que a anlise usual de um delineamento seja vdida, isto , varincias homogneas. Fernandez (1991) tambm salienta o problema de que quando o experimento sistematicamente arranjado, sem aleatorizao, a anlise de um experimento de medidas repetidas com delineamento de parcelas subdivididas pode infiacionar a probabilidade de falsamente rejeitar a hiptese nula (erro tipo I). Para o modelo de anlise de parcelas subdivididas, so feitas pressuposies de que, tanto o erro da parcela, que engloba o fator de tratamentos ou grupos, como o erro da subparcela, onde so alocados os tempos e a interao

temposxtratamentos, tenham distribuio normal, sejam independentes e identicamente distribudos, com varincias constantes, cujas pressuposies so as mesmas feitas para uma anlise usual. O erro da parcela tambm conhecido como erro entre indivduos, e o erro da subparcela como intra-indivduos. Huynh & Feldt (1970) mostraram que, em um delineamento de parcelas subdivididas com medidas repetidas no tempo, o teste F com relao a parcela tem distribuio F exata, mas com relao a subparcela, s ter distribuio F exata se a matriz de covarincias satisfizer certa pressuposio, alm das citadas anteriormente. De acordo com Milliken & Johnson (1992), tais pressuposies nem sempre so apropriadas para um delineamento de parcelas subdivididas com medidas repetidas no tempo, sendo, porm, uma anlise correta quando realizada sob suposies mais gerais. Essas suposies mais gerais requerem certa forma para a matriz de covarincias dos erros denotada por C. Uma condio suficiente para que o teste F da anlise de varincia usual, em nvel de subparcela, para o fator tempos e interao temposxtratamentos, seja vlido,
que a matriz de covarincias tenha uma forma chamada de simetria composta, que

ocorre quando a matriz de covarincias C puder ser expressa, por exemplo, como:

onde:

o2: a varincia da subparcela (intra-indivduos); o: : a varincia da parcela (entre indivduos). A condio de simetria composta implica que a varivel aleatria seja
igualmente correlacionada e tenha varincias iguais, considerando as diferentes ocasies.

Uma condio mais geral da forma de C descrita por Huynh & Feldt (1970). Essa condio, denominada de HYNH-FELDT (H-F), especifica que os elementos da matriz de covarincias C sejam expressos, para um h > 0, como

onde h a diferena entre a mdia das varincias e a mdia das covarincias. Por exemplo, se a matriz de covarincias tivesse a seguinte forma:

h seria calculado da seguinte maneira: h = mdia das varincias - mdia das covarincias

Assim, por exemplo, o elemento ai2 da matriz obtido por:

A condio de H-F uma condio necessria e suficiente para que o teste

F da anlise de varincia usual, no esquema de delineamento de parcelas subdivididas no tempo, seja vlido. A condio de H-F equivalente a especificar que varincias da diferena entre pares de erros sejam todas iguais, e se as varincias so todas iguais ento a condio equivalente a de simetria composta.

Isso pode ser verificado utilizando-se novamente a matriz (I), calculandose todas as varincias das diferenas dos possveis pares de erros:

constante para todo j e j' (j + j')

Desde que dita do tipo H-F.

~ iseja igual a ~ ~ , para todo j ~ - uma constante

e j' (j*'), Z

As matrizes de covarincias C, na forma da simetria composta e erros independentes, so casos especiais da condio de H-F, isto , a covarincia a mdia das varincias. Um problema com relao a validade dos testes surge quando se tm estruturas da matriz de covarincias diferentes das estruturas de simetria composta, erros independentes e da condio de H-F, levando a testes F no exatos. Para se verificar se a matriz de covarincias atende a condio de H-F, Mauchly (1940) props um teste chamado teste de esfericidade, que verifica se uma populao multivariada apresenta varincias iguais e correlaes nulas. Meredith & Stehman (1991) verificaram que a violao da condio de HF leva a testes muito liberais para os fatores da subparcela, para tempos e para a interao temposxtratamentos. Quando a estrutura envolvida apresenta outra forma necessrio utilizar outros mtodos para encontrar um modelo que permita a utilizao da estrutura da matriz de covarincias que melhor represente o conjunto de dados em questo, ou ento a

utilizao de um fator de correo para o nmero de graus de liberdade do fator da subparcela. A seleo do melhor modelo de estrutura da matriz C pode, ento, ser feita utilizando o Critrio de Informao de Akaike (AIC) ou atravs de um teste de razo de mxima verossimilhana.

2.1 Teste de Esfericidade de Mauchly

Mauchly (1940) apresenta a estatstica de teste para a condio de esfericidade, que verifica se uma populao normal multivariada apresenta varincias iguais e as correlaes nulas. Caso uma populao apresente essa simetria, ser chamada de "esfrica". Esse teste utiliza a condio de H-F para a matriz de covarincias das t medidas repetidas dos indivduos requeridos nos (t-1) contrastes ortogonais normalizados, para as medidas repetidas no correlacionadas com varincias iguais. Pode-se dizer que dois contrastes so ortogonais quando a soma dos pares de produtos dos coeficientes dos contrastes forem iguais a zero (contrastes perpendiculares).

A ortogonalidade dos contrastes garante que:

a) cada contraste associado a uma nica poro da variabilidade explicada pelo efeito que se est testando;

b) est sendo testado o nmero mximo de hipteses, onde cada hiptese e

associada a uma nica poro da variabilidade explicada pelo modelo; c) o teste aproximadamente independente. Para t tempos existem mais de um conjunto de (t-1) contrastes ortogonais, sendo que um contraste ortogonal ser normalizado quando for dividido pela sua norma euclidiana.

Seja a matriz C de covarincias das medidas repetidas. A condio que H-

F requer para as covarincias dos contrastes

C(t-i)xt C(t.t)C &i) onde: C: a matriz dos coeficientes dos contrastes ortogonais normalizados que representa o total de hipteses nulas;
C: a matriz de covarincias;
= q-i)x(t-i)

(2)

h: um escalar maior do que zero e I: a matriz identidade.

Se a condio (2) for satisfeita, a matriz de covarincias C ser dita esfrica. Kuehl (1994) e Kirk (1995) descrevem o teste de esfericidade da seguinte

, forma: seja s o elemento na i-sima linha e j-sima coluna da matriz de covarincias

amostra1 S(t,t,, para o erro intra-indivduos, com v graus de liberdade. Escolhem-se (t-1) contrastes ortogonais normalizados nas t medidas repetidas, e sendo a matriz Ctt-l)xt, onde as linhas so contrastes ortogonais normalizados nas t medidas repetidas, calcula-se a matriz CSC'(t-~),(t-i,. Ento, a estatstica de teste formulada por Mauchly (1940) para a hiptese nula ser

com 1 f = - t(t - 1) - 1 graus de liberdade 2 utilizando-se ainda, para melhorar a acurcia desta aproximao pela distribuio de Quiquadrado, um fator de escala definido como

A hiptese nula ser rejeitada ao nvel a de significncia se

-y ln W >

xiqf.

Koch et al. (1985), Von Ende (1993) comentam e Vonesh & Chinchilli (1997) mostram que o teste de esfericidade no muito poderoso para amostras pequenas e no robusto quando h violao da suposio de normalidade. Segundo Milliken (1984), Vonesh & Chinchilli (1997), a anlise de medidas repetidas tomar-se- mais complexa quando houver mais de um fator em estudo com medidas repetidas, por exemplo, se existirem dois fatores intra-indivduos como tempo, dias e a interao tempoxdias. Nesse caso haveria necessidade de se construir um teste de esfericidade, um teste F e correes para os nmeros de graus de liberdade para cada um desses fatores intra-indivduos. No caso das pressuposies de normalidade, de independncia e da condio de H-F para a matriz C de covarincias no serem satisfeitas, uma alternativa seria a anlise multivanada, tambm conhecida como anlise de perfis, que adota uma hiptese mais geral sobre a estrutura da matriz de covarincias. Outra possibilidade seria utilizar anlise univariada no esquema de delineamento de parcelas subdivididas no tempo, realizando o ajuste do nmero de graus de liberdade do teste F para o fator da subparcela. As correes para os nmeros de graus de liberdade foram inicialmente propostas por Box (1945 a, b), e aperfeioadas por Geisser & Greenhouse (1958) e Huynh & Feldt (1976). Essas correes so efetuadas pela multiplicao de um valor pelo nmero de graus de liberdade do fator da subparcela. Caso os dados sejam representados por uma matriz de covarincias que no se adeque as duas tcnicas citadas anteriormente, uma opo seria o ajuste de modelos mistos que podem envolver curvas de crescimento ou modelos polinomiais, que incluam a matriz de covarincias que melhor explique o comportamento dos dados. Esses modelos so construdos levando-se em

conta vrios tipos de estruturas da matriz de covarincias, sendo que o melhor modelo poderia ser escolhido por um teste de razo de verossimilhana ou pelo critrio de informao de Akaike que penaliza os modelos com um nmero grande de parmetros. Fernandez (1991) sugere que: a) se a condio de H-F para a matriz de covarincias for satisfeita (teste de esfericidade no significativo) o teste univariado pode ser utilizado; b) se a condio H-F para a matriz de covarincias no for satisfeita, e o nvel de significncia do teste de esfericidade estiver entre 0,05 e 0,01, podero ser utilizados a correo para os nmeros de graus de liberdade ou os testes multivariados, e c) se a condio de H-F para a matriz de covarincias for rejeitada, com um nvel de significncia menor que 0,01, somente testes multivariados devero ser utilizados. Aqui o autor no faz nenhuma referncia a escolha de outro modelo que no seja o univariado ou multivariado. Diggle (1988) comenta sobre algumas dificuldades que surgem na anlise de medidas repetidas, tais como: a) a resposta para cada indivduo ser uma sequncia de medidas em uma escala contnua; b) a resposta mdia depender tanto do tratamento quanto do tempo em que a medida foi realizada e c) fazer inferncias sobre os efeitos dos tratamentos em um perfil mdio de resposta. Sugere a utilizao de semivariogramas para a seleo inicial das matrizes de covarincias, podendo incorporar uma estrutura de correlao seria1 no modelo de medidas repetidas. Outros detalhes sobre esse enfoque so fornecidos por Diggle et al. (1998).

2.2 Modelo Multivariado

Como alternativa para a anlise de medidas repetidas no tempo, tem-se a anlise multivariada, que pode apresentar menor poder em seus testes e as vezes indicar diferenas significativas onde realmente no existem. Mas, esses riscos podem ser mi~mizados garantindo-se que os erros tenham distribuio normal multivariada. Por

esse motivo, de acordo Singer & Andrade (1986) a anlise de varincia multivariada, tambm conhecida como anlise multivariada de perfis, uma soluo natural para dados de medidas repetidas. Meredith & Stehrnan (1991) tambm salientam que no h suposio sobre a estrutura da matriz de covarincias, sendo, por isso, uma soluo natural para dados de medidas repetidas. Segundo Vonesh & Chinchilli (1997), geralmente, as tcnicas usuais impem suposies de que todas observaes sejam independentes, mas essa suposio no adequada para dados de medidas repetidas onde as observaes feitas no mesmo indivduo usualmente so correlacionadas. Vonesh & Chinchilli (1997) sugerem, para um experimento com delineamento de parcelas subdivididas, com medidas repetidas no tempo, o seguinte modelo:

onde:
yijk:

o valor observado para a varivel resposta no k-simo tempo para o j-simo

tratamento no i-simo bloco;

p:
Pi:

uma constante inerente a todas as observaes; o efeito do i-simo bloco;

o efeito do j-simo tratamento;

tj:
Yk:
jk

o efeito do k-simo tempo observado;

(v) : o efeito da interao entre o j-simo tratamento com

eijk :

o k-simo tempo;

o erro aleatrio correspondente as observaes do k-simo tempo para o i-

simo bloco no j-simo tratamento (variao do acaso sobre as observaes), supostos homocedsticos, independentes e normalmente distribudos.

onde:

i = 1, ...,b o ndice para nveis do fator blocos; j

=

1, ..., g o ndice para nveis do fator entre indivduos (tratamentos);

k = 1, . .., t o ndice para nveis do fator intra-indivduos (tempos).

Observe-se que nesse modelo (3), o erro da parcela no includo. Para que esse modelo tenha posto completo, necessrio impor as seguintes restries:

para j

1, . .., g e com vetor aleatrio

onde C uma matriz t x t, positiva definida com uma estrutura geral. Nesse caso, utilizando-se a anlise multivariada, as hipteses de interesse testadas so: a) a hiptese de igualdade do efeito de tratamentos, que corresponde a hiptese de perfis coincidentes;

b) a hiptese de igualdade do efeito de tempos, que corresponde a

hiptese de perfis constantes; c) a hiptese de no interao de temposxtratamentos, que corresponde a hiptese de perfis paralelos. Assim a matriz de covarincias C desse modelo sem estrutura com t(t+1)/2 parmetros. A anlise multivariada de perfis tambm pode ser feita atravs de um modelo matricial expresso da seguinte maneira:

onde:

Y: a matriz dos dados observados gbxt de t respostas para os n indivduos;

X: a matriz gbx(g+b+l) de delineamento conhecida. Essa matriz corresponde aos

valores da varivel explanatria e das variveis "dummy" associadas com a classificao das variveis;
B: a matriz (g+b+l)xt de parmetros dos efeitos fixos desconhecidos;

Y: a matriz gbxt do erro experimental. Esse modelo assume que Y de (4) seja uma matriz de variveis aleatrias independentes, onde as linhas so no correlacionadas e tm uma distribuio normal multivariada com a mdia O e matriz de covarincias C. Assim, para o modelo usual linear multivanado, assumindo ~ [ e ,= O e var[ei] = L , i = 1, 2, ]
...,

onde Yi de (4) o vetor de erro experimental associado com o i-simo indivduo, na forma matncial tem-se que
Ylll

Y112

"'

Yllt

onde 1(&,1, um vetor de uns, I(bxb) uma matriz identidade e l(b,l) um vetor de uns, e

Supe-se que os perfis de respostas Yijk obedeam as distribuies Normais t-variadas e que as matrizes de covarincias correspondentes sejam todas iguais e sigam a forma geral:

Aqui, as hipteses de interesse so:

I a) &

os perfis mdios de resposta correspondentes so paralelos, isto ,

no existe interao entre o fator tratamentos e o fator tempos. Na forma matricial, em relao aos parmetros do modelo:

b) H : os perfis mdios de resposta correspondentes aos diversos & tratamentos so coincidentes, isto , no existe efeito desse fator. Na forma matricial, em relao aos parmetros do modelo:

c) I&:

OS

perfis mdios de resposta correspondentes aos diversos

tratamentos so paralelos ao eixo das abcissas, isto , no existe efeito do fator tempos, em relao aos parmetros do modelo:

As hipteses a serem testadas tambm podem ser expressas na forma da

hiptese linear geral:

H:GBT=O
onde

G(g-l)x(g+b+l) so matrizes de constantes conhecidas com postos g e e Ttx(t-l)

t, respectivamente. Tem-se que a matriz G responsvel por comparaes entre os grupos (linhas da matriz B), e a matriz T responsvel por comparaes entre os tempos (colunas da matriz B). As seguintes possveis correspondncias podem ser obtidas atravs da hiptese linear geral (que no so nicas na forma de express-las):

onde 1, e l'(g+b+~) vetores de uns de dimenses t e (g+b+l) respectivamente e GI e TI so definidos como antes. Andrade & Singer (1994)', citado por Lima (1996), mostra uma estratgia apresentada por, para a anlise de perfs para a situao de no existncia de interao entre blocos e tempo, que depende do tipo da matriz T que define as hipteses de interesse. Considerando-se trs casos: a) todas as colunas de T so contrastes; b) a matriz T tem uma nica coluna que no um contraste, e c) a matriz T tem mais de uma coluna e nem todas so contrastes Segundo Singer & Andrade (1986) os testes para a hiptese linear geral podem ser obtidos atravs de diversos critrios. Em geral, as estatsticas de testes correspondentes so funes das razes caractersticas da matriz HE-' ,onde

H = T y ( x x ) - l x ~ ( ( 1 ) - l ~ t r G ( ( ~ x ) - I XY)T )G' G x x l
a matriz de soma de quadrados e produtos cruzados devido a hiptese nula, e

E = TI Y1

a matriz de somas de quadrados e produtos cruzados devida ao erro.

'

x(x1x)-l

xlrl

YT

ANDRADE. D.F.; SINGER J.M. Profile analysis for randomized complete block experiments. Relatrio Tcnico No.6772. UiIE - USP. 1994

Vrias estatsticas de testes disponveis so obtidas atravs dos princpios da unio-interseco de Roy e da razo de verossimilhana de Wilks. Definindo 9 i = h , (1 + h,)-' , onde hi a i-sima raiz caracterstica de FIE-', essas estatsticas so dadas por:

2. A = n(l
i=l

-9,) : Lambda de

Wilks onde s = min(t-1, g-1), onde t so os tempos e g

os tratamentos.
S

T=
i= 1

9 i (1 - C)i)-' : Trao de Lawley-Hotelling

4. 8, = max(Oi) : Roy

As distribuies exatas dessas estatsticas, sob a hiptese nula, dependem unicamente dos parmetros ml= (I(t- 1)-(g- 1)I - 1)/2 e m,= (n-g-(t- 1)- 1)/2. Esses testes no requerem a condio de H-F, pois so baseados em uma matriz de covarincias sem estrutura. As estimativas da matriz de covarincias podem ser obtidas pelo mtodo dos momentos. Os quatro testes multivariados podem produzir diferentes nveis descritivos. Em geral, a ordem de preferncia em termos de poder e Trao de Pillai, Lambda de Wilks, Trao de Lawley-Hotelling e Roy. Entretanto, Lambda de Wilks o teste mais comumente usado. Uma desvantagem da anlise multivariada, segundo Meredith & Stehrnan (1991), a falta de poder para estimar os parmetros da matriz de covarincias, isto quando t (nmero de ocasies medidas ou tempos) grande e n pequeno. Sob a condio de H-F, os testes univariados para o efeito intra-indivduos so usualmente mais poderosos que os testes multivariados, proporcionando uma maior probabilidade de detectar efeitos significativos, quando esses realmente existem.

2.3 Modelo Univariado

Na anlise de varincia, considerando-se que o experimento foi instalado seguindo o esquema de parcelas subdivididas no tempo (anlise de medidas repetidas), tem-se o seguinte modelo matemtico sugerido por Vonesh & Chinchilli (1997), onde se acrescenta ao modelo (3) um novo termo de erro:

onde:
Yijk:

o valor observado para a varivel resposta no k-simo tempo para o j-esimo

tratamento no i-simo bloco;

P:
Pi:

uma constante inerente a todas as observaes; o efeito do i-simo bloco;

zj:

o efeito do j-simo tratamento; o efeito aleatrio devido a interao do i-simo bloco com o j-simo

(pz),:
y :

tratamento;
o efeito do k-simo tempo observado;

(zy)j, : o efeito da interao entre o j-esimo tratamento com o k-simo tempo;

e :
o erro aleatrio correspondente as observaes do k-simo tempo para o j-

simo tratamento no i-simo bloco (variao do acaso sobre as observaes), supostos homocedsticos, independentes e normalmente distribudos. onde: i = 1, . . ., b o ndice para nveis do fator blocos; j
=

1, ..., g o ndice para nveis do fator entre indivduos (tratamentos);

k = 1, .. ., t o ndice para nveis do fator intra-indivduos (tempos).

Steel & Tome (1960), sugerem que, quando o delineamento for aleatorizado em blocos, a interao entre blocosxtempos, alm do efeito de blocos, seja

isolada e acrescentada ao modelo dessa interao ser significativa.

(9,por

considerar que existe grande probabilidade

Lima (1996) salienta que, geralmente, blocos so construidos somente para controlar a heterogeneidade entre as unidades experimentais e no se espera uma interao significativa entre a interao blocosxtempos.

O esquema de anlise de varincia e teste F para os fatores de interesse do

modelo (5) o seguinte:

Tabela 1. Anlise da Varincia, Esperanas dos Quadrados Mdios e Teste F

Causas de Variao
t

G.L.

S.Q. SQ2

Q.M. QM2

E[Q.M.]

o: + to;,

+ 4,

QM2/QM3

Resduo Total corrigido onde

(n-g)(t-1) nt- 1

SQ SQ7

Qh/16
QM7

Nesse caso, utilizando-se a anlise univariada, as hipteses de interesse testadas so: a) A razo QM;?/QM3testa a hiptese:

H,:t, t 2= - - - = r , = O . =
H, : Pelo menos um zj
; O t

b) A razo Q W Q m testa a hiptese: H,:y,=y, = - . . = y t -0 . H, : Pelo menos um y,

#

0.

c) A razo QM5/Qmtesta a hiptese:

H, : (zy), = (v),, = . = (V), = 0 . H,: Pelo menos um

( ) # 0. v$

Geralmente, considera-se como nvel mnimo para a rejeio da hiptese H,, 0,05, ou seja, sempre que o valor da probabilidade do teste F for menor ou igual a 0,05, aceita-se que h diferena entre os nveis dos fatores. A interpretao dos testes deve ser iniciada pelas interaes, considerando-se primeiramente a interao dupla. E, se a interao no for significativa ento consideram-se os testes para os efeitos principais. Podem-se obter as seguintes interpretaes geomtricas, caso as hipteses testadas sejam significativas (Figuras 1, 2 e 3). Foram usados valores arbitrrios para as mdias, apenas por questes didticas. a) Quando a hiptese H, : z1 = z2 =
= z, = O rejeitada, indica que

existem diferenas verticais entre as curvas de grupos ou tratamentos;

Diferenas varticais entre as e u r v a r d e Tratamentos

9.5

-I
1

3 Tempos

Figura 1. Diferenas verticais entre as curvas de Tratamentos.

b) Quando a hiptese H, : y, = y, =

-.= y,

= O rejeitada,

indica que as

curvas no so constantes no tempo;

C u r v a s n i o s l o c o n s t a n t e s ao l o n g o d o T e m p o

I s 3 5 4 i ' 2 ' 3 ' 4 ' 5 '

Tempos

Figura 2. Curvas no so constantes ao longo do Tempo.

c) Quando a hiptese H, : (v),,v ,= =(),

= (zy),, = O

rejeitada,

indica que a forma das curvas diferem entre os tratamentos ao longo do tempo.

~urvas diferem entre o s ~ r a t a m e n t o s longo d o T e m p o ao

3
Tempos

Figura 3. Curvas diferem entre os Tratamentos ao longo do Tempo.

2.4 Correes para os Nmeros de Graus de Liberdade

Box (1945 a,b) foi o primeiro a sugerir a correo para o nmero de graus de liberdade, a fim de se obter uma aproximao da distribuio F, quando a matriz de covarincias dos erros intra-indivduos no leva em conta a suposio de varincia constante . Geisser & Greenhouse (1958), e Huynh & Feldt (1976) tarnbem propuseram ajustes para o nmero de graus de liberdade do teste F, para o fator de erro intra-indivduos. Essas correes foram baseadas no trabalho de Box (1945 a, b), sendo a correo de HIJYNH-FELDT uma simples funo da correo de GEISSERGREENHOUSE.

De acordo com Kuehl (1994), para a obteno das correes de

GEISSER-GREENHOUSE e HUYNH-FELDT considera-se si, a i-sima linha e a jsima coluna da matriz de covarincias amostral SCtxt), como sendo o erro experimental intra-indivduos. Escolhem-se q
=

(t-1) contrastes ortogonais normalizados, sobre t

medidas repetidas e toma-se a matriz C(,,,) onde as linhas so contrastes ortogonais normalizados nas t medidas repetidas. Calculando-se a matriz

,A , = CSC' ,
com a, definindo um elemento genrico, pode-se obter ento o ajuste de GEISSERGREENHOUSE

e o ajuste de HUYNH-FELDT

onde N o nmero total de indivduos, g o nmero de nveis do fator da parcela e t o nmero de medidas repetidas (tempos). Por exemplo, dada uma estatstica F, baseada em mnimos quadrados, com nmeros de graus de liberdade vi e v2 , o ajuste para esses nmeros de graus de liberdade seria &vi e &v2.

A correo de HUYNH-FELDT ( E ) mais liberal do que a correo de

GEISSER-GREENHOUSE (). Porm, a correo de HUYNH-FELDT no deve ser usada se E 2 1, mas recomendada quando 2 0,75 para reduzir o vcio de grandes valores da correo de GEISSER-GREENHOUSE, Huynh & Feldt (1976) e Huynh
(1978).

Kirk (1995) discute que, quando a suposio de esfericidade satisfeita, os fatores de correo e E so iguais a 1, caso contrrio, so menores, mas devem ter 1 um mnimo de (t - 1) De acordo com Muller & Barton (1989), com a correo do numero de graus de liberdade obtm-se testes mais conservativos, que so limitados a assegurar que

a esteja abaixo de um certo nvel. Isso para casos em que um teste aproximado no
desejvel, e casos no qual a matriz de covarincias diferente de tratamento para tratamento. Quanto a escolha de qual correo para o nmero de graus de liberdade usar, Muller & Barton (1989), depois de vrios estudos com simulaes, verificando o poder dos testes quando as correes so utilizadas, sugerem que a correo de GEISSER-GREENHOUSE seja utilizada j que o teste produz aceitvel controle do erro tipo I enquanto maximiza o poder. Mas, segundo Huynh & Feldt (1976) a correo de GEISSER-GREENHOUSE tem a desvantagem de superestimar o verdadeiro nvel de significncia. Sendo assim, a anlise univariada recomendada, mesmo que a condio de H-F para a matriz de covarincias no seja satisfeita, porm, utilizando-se a correo

de I-IUYNH-FELDT, desde que o teste de esfericidade seja significativo, com um nvel de probabilidade entre 0,01 e 0,05.

2.5 Modelo Misto

Como j visto anteriormente, no item 2.3, em anlise de medidas

repetidas no tempo, o modelo univariado requer certa suposio referente a estrutura da matriz de covarincias, que quando no satisfeita leva a testes aproximados. Com relao ao modelo multivariado, item 2.2, por apresentar uma estrutura geral para a matriz de covarincias, de dificil utilizao quando os dados so desbalanceados. Para contornar essa situao, uma tcnica alternativa aos modelos uni e multivariados, quando a suposio da matriz de covarincias no satisfeita, com relao

a condio de H-F, a anlise com modelos mistos que so uma extenso do modelo
linear geral. Os modelos mistos englobam anlise de curvas de crescimento, ou curvas polinomiais, que levam em conta a estrutura da matriz de covarincias que melhor explica o comportamento das observaes, tendo a vantagem de ajustar modelos que reduzem o nmero de parmetros, Von Ende (1993), Littell et al. (1998). De acordo com Kshirsagar & Smith (1995) modelos de curvas de crescimento ou polinomiais so mais gerais do que o modelo usual de medidas repetidas. A diferena entre eles est no interesse do pesquisador, por exemplo, em modelos de medidas repetidas o interesse bsico detectar diferena entre os tratamentos no decorrer do tempo. J em modelos de curvas de crescimento, o objetivo bsico estimar e predizer os efeitos de tratamentos em algum tempo. Em modelos de curvas de crescimento, ou polinomiais, parte-se do princpio que existe uma relao funcional entre os efeitos de tratamentos e o tempo de aplicao, e que esta relao pode ser modelada. A funo pode ser aproximada por um

polinmio, devendo os coeficientes dessa representao polinomial, bem como varincias e covarincias, serem estimadas atravs dos dados. A equao polinornial de crescimento pode ser usada para descrever aproximadamente outras curvas, sendo que a preciso ser maior ou menor, adicionandose ou retirando-se termos de maior ordem. Esses modelos permitem a utilizao de vrias estruturas de covarincias no processo de modelagem. Os modelos mistos, em dois estgios, abordados por Laird &Ware (1982), Ware (1985), Jennrich & Schluchter (1986) e Diggle et al. (1998), consideram os efeitos fixos no primeiro estgio para obteno da curva polinornial mdia, e no segundo estgio permitem diferentes curvas para cada indivduo. O modelo expresso da seguinte forma: ~i onde: yi:
um vetor coluna (ni x i), das ni observaes tomadas da unidade i ao longo

=&P+Zyi +ei

(6)

do tempo ou condio de avaliao; p:

um vetor (p x 1) de parmetros fixos desconhecidos, onde a dimenso p

fixa para qualquer unidade; Xi:

Yi :

uma matriz (ni x p) que faz a seleo dos elementos do vetor p; um vetor (g x 1) de g efeitos aletrios desconhecidos, onde y i r,N(0, G) ; uma matriz (ni x g) que faz a seleo dos elementos do vetor yi;
um vetor (ni x 1) de erros aleatrios, onde ei nN(0, R i ) .

Zi: ei :

A matriz G positiva sernidefinida e Ri (ti x ti) uma matriz positiva definida. Os yi so independentes entre si e dos erros ei. Assim

onde Ci =ZiGZi

+ Ri .

Deve-se ressaltar que os elementos do vetor yi consistem de parmetros individuais, que representam as diferenas entre a curva do tratamento e a curva de cada indivduo, e so inseridos no modelo com o objetivo de proporcionar um melhor ajuste.

As estimativas fi e f so obtidas por mxima verossimilhana ou mxima

verossimilhana restrita atravs de algum mtodo iterativo (Laird & Ware, 1982). De acordo com Guimares (1994) e Matsushita (1994) as estimativas de mxima verossimilhana so dadas por

Detalhes sobre os estimadores dos parmetros que envolvem mxima verossimilhana e mxima verossimilhana restrita sero apresentados no decorrer do texto.

A vantagem de se trabalhar com modelos mistos, que envolvem curvas de

crescimento ou polinmios, a possibilidade de poder optar pela estrutura de covarincias que melhor represente os dados.

2.6 Estruturas da Matriz de Covarincias

Nos itens anteriores foram apresentadas trs tcnicas para analisar um experimento com medidas repetidas no tempo, onde as estruturas para a matriz de covarincias so diferentes. No caso multivariado, a estrutura da matriz de covarincias da forma mais geral possvel, ou seja, as varincias e covarincias podem ser diferentes. No caso univariado faz-se a exigncia de que a estrutura da matriz de covarincias satisfaa a condio de H-F, j discutida anteriormente, no item 2. E, finalmente, o caso em que se trabalha com modelos mistos, onde a estrutura da matriz de covarincias pode

ser modelada da forma que melhor represente os dados, ou seja, pode levar em considerao se os dados so independentes, dependentes, correlacionados ou ainda apresentar outra relao que a matriz de covarincias usual no consegue explicar. Por esse motivo, a seguir, sero apresentadas algumas das estruturas da matriz de covarincias mais utilizadas, e que j se encontram implementadas no
"software " SAS:

1. Componente de Varincia (VC):

Varincias iguais e observaes independentes.

[o2

o1

2. Simetria Composta (CS):

Igualdade de varincias e covarincias, ou seja, covarincias constantes entre quaisquer observaes de uma mesma unidade devido a erros independentes.

3. Sem Estrutura (UN):

Todas as varincias e as covarincias podem ser desiguais. Especifica uma matriz completamente geral, parametrizada diretamente em termos de varincias e covarincias. As varincias so restritas a valores no negativos e as covarincias no tm restries.

4 . ' 'Banded " (UN(q)):

Varincias desiguais e covarincias arbitrrias para cada defasagem q-1 (onde q o nmero de parmetros de covarincias) e zeros para defasagens maiores. Por exemplo q = 3 .

5. Diagonal Principal "Bartded" (UN(1)):

Varincias desiguais e covarincias nulas.

[o; o

01

6. Auto-regressiva de 1"' Ordem (AR(1)):

Dados de sries temporais igualmente espaados e correlaes diminuindo exponencialmente, ou seja, a covarincia entre duas observaes decresce a medida em que aumenta o intervalo de tempo entre elas, onde o parmetro auto-regressivo p, que para um processo estacionrio assume lpl < 1.

7. Toeplitz (TOEP):

Dados de sries temporais igualmente espaados e correlao arbitrria para cada defasagem.

8. "Banded"Toeplitz (TOEP(q)):

Dados de sries temporais igualmente espaados, correlaes arbitrrias para cada defasagem q- 1 e zeros para as defasagens mais distantes. Por exemplo q = 2.

9. Auto-regressiva de 1"' Ordem Heterognea (ARH(1)):

Dados de sries temporais com varincias e covarincias desiguais, onde p

o parmetro auto-regressivo satisfazendo Ipl < 1.

0 4 0 i ~ 3

6 4 6 2 ~ 2

a403p

04

10. Auto-regressiva de 1a. Ordem Mdias Mveis (ARMA(1,l)): Dados de sries temporais com parmetro auto-regressivo p, componente de mdias mveis y , sendo o2a varincia residual.

11. Simetria Composta Heterognea (CSH): Parmetros de varincias diferentes para cada elemento da diagonal

principal e raiz quadrada desses parmetros nos elementos fora da diagonal principal, sendoai2 o i-simo parmetro da varincia e p o parmetro de correlao satisfazendo

12. Estrutura Fator Analtico (FA(q)): Especifica uma estrutura com q fatores (Jennrich & Schluchter 1986). Essa estrutura da forma AA7+D, onde A uma matriz retangular (t x q) e D uma matriz diagonal (t x t) de varincias nicas. Quando q > 1, os elementos no canto superior direito (elementos na i-sima linha e j-sima coluna com j > i) de A so um conjunto de zeros.

13. Estrutura Fator Analtico (FAO(q)):

similar a estrutura fator analtico, exceto que no inclui D na diagonal da

matriz. Quando q < k, isto , quando nmero de fatores menor do que a dimenso da matriz, essa estrutura definida no negativa, mas de posto incompleto.

14. Estrutura Fator Analtico (FAl(q)):

E similar estrutura fator analtico, exceto que todos os elementos em D

devem ser iguais.

h; + d h2h, h3hl h,hl

hlh3 h;+d h2h, h 3 h 2 h; + d h,h3 h,h2

hlh2

hlh4 h2h4 h,%, h +d :

15. Huynh-Feldt (HF): Essa estrutura,(HUYNH & FELDT, 1970), similar a simetria composta heterognea, que tem o mesmo numero de parmetros e heterogeneidade ao longo da diagonal principal. Entretanto, a construo dos elementos fora da diagonal feita tomando-se a mdia aritmtica entre as varincias e subtraindo h, onde h a diferena entre a mdia das varincias e a mdia das covarincias.

16. Primeira Antedependncia (ANTE(1)):

Estrutura de antedependncia de 1" ordem, parmetros de varincias diferentes para cada elemento da diagonal, sendo os elementos fora da diagonal principal funes de varincias e do k-simo parmetro de autocorrelao, satisfazendo

Ip, 1 < 1

17. Toeplitz Heterognea (TOEPH(q)):

Dados de sries temporais igualmente espaados, com parmetros de varincias diferentes para cada elemento da diagonal, sendo os elementos fora da diagonal principal funes de varincias e do k-simo parmetro de autocorrelao (Ipkl<l) para cada defasagem q-1, e zeros para as ltimas defasagens. Por exemplo, q = 3 .

18. Correlao sem Estrutura (UNR(q)): Especifica uma matriz de covarincias completamente geral em termos de varincias e correlaes. Essa estrutura ajusta o mesmo modelo que o tipo sem Estrutura, mas com diferente parametrizao. O i-simo parmetro de varincia

02

O parmetro

de pjk, a correlao entre a j-sima e a k-sima medida satisfazendo (Ipjkl<l). Por exemplo, q = 3.

19. Potncia (SP(POW)(c-list)):

Covarincias so funes da distncia Euclidiana entre os vetores especificados pelas coordenadas. O parimetro c-list associado a essa estrutura espacial, corresponde aos nomes das variveis numricas no conjunto de dados. Essas variveis so usadas como coordenadas das observaes no espao, sendo essa estrutura utilizada para dados de sries temporais desigualmente espaados.

20. Produtos Diretos (UN@AR(l), UN@CS e UN@UN):

Essas estruturas especificam produtos diretos (Kronecker), designados para medidas repetidas multivariadas. So construdas fazendo o produto de Kronecker de uma matriz sem estrutura (modelando covarincias sobre observaes multivariadas), com uma matriz de covarincias adicional modelando covarincias sobre tempo ou outro fator.

2.7 Seleo do Modelo

Tendo em vista que o nmero de estruturas de covarincias elevado, um dos principais objetivos da anlise o de encontrar um modelo que melhor represente os dados, dentre vrios modelos possveis. Duas tcnicas sero apresentadas a seguir para auxiliar na escolha do modelo adequado.

2.7.1 Teste Assinttico da Razo de Verossimilhana

Esse teste compara dois modelos estimados por mxima verossimilhana, onde um dos modelos uma verso restrita do outro, ou seja, um modelo tem r parmetros adicionais. O teste ir verificar se esses parmetros adicionais melhoram significativamente o modelo. Definindo-se t , o valor de e=(-2 ln da funo de verossimilhana) para o modelo com o menor nmero de parmetros e

e, para o modelo

com maior nmero de parmetros, ou seja, para o modelo com r parmetros extras, a hiptese a ser testada a de que os dois modelos so iguais (os parmetros extras so iguais a zero). A diferena entre os valores e, e uma Qui-Quadrado com r graus de liberdade,

e,

assintoticamente distribuda como

4-

e 2

- x,

A desvantagem desse teste, embora seja bastante eficaz, que s pode ser
usado para comparar dois modelos de cada vez, sendo que um desses modelos sempre um caso especial do outro (Guimares, 1994) ( Matsushita, 1994).

2.7.2 Critrio de Informao de Akaike (AIC)

O AIC baseado na teoria de deciso e penaliza os modelos com numero

grande de parmetros para evitar excesso de parametrizao.

O AIC pode ser definido de duas formas:

AIC =
onde:

-p

o ln da tno de verossimilhana;

p o nmero de parmetros da matriz de covarincias. A maneira como o AIC obtido depende da forma como o "soRware" utilizado realiza os clculos. Por exemplo, no SAS, quando se trabalha com o proc REG, o AIC definido por (7). Agora, quando o proc MIXED utilizado o AIC definido por (8). Para tomada de deciso sobre qual modelo ser utilizado necessrio que o AIC seja calculado para todos os modelos considerados. Quando o AIC obtido por (7), o modelo escolhido sera aquele que apresentar o menor valor de AIC. O contrrio ocorre quando o clculo do AIC realizado por (8), nesse caso o modelo escolhido sera aquele com o maior valor de AIC.

2.8 Estimao
Em muitos casos, como j visto anteriormente nos itens 2.2 e 2.3, as tcnicas de anlise clssica para medidas repetidas no podem ser utilizadas por no satisfazerem as pressuposies necessrias, ou porque algumas observaes foram perdidas, ou ainda porque o delineamento desbalanceado por alguma razo. Tambm tem-se algumas estruturas de covarincias que na sua formao levam em conta fatores fkos e aleatrios, e por esse motivo, no podem ser estimados pelo Mtodo dos Minimos Quadrados, sendo necessrio, ento, utilizar o Mtodo da Mxima Verossirnilhana ou o Mtodo da Mxima Verossimilhana Restrita. Para se obterem as estimativas de mxima verossimilhana so usados algoritmos iterativos tais como o de Newton-Raphson, Score de Fisher e o algoritmo EM.

2.8.1 Mtodo da Mxima Verossimilhana (MV)

O mtodo da Estimao por Mxima Verossimilhana consiste em:

expressar L(8) como o produtrio das densidades associadas a cada observao da
, amostra aleatria yl, y2, ..., y;

diferenciar parcialmente L(@) em relao a cada

componente do vetor 8; igualar cada derivada a zero, e resolver o sistema de equaes formadas por essas derivadas. A soluo desse sistema o vetor de Estimativas de Mxima Verossimilhana (EMV). Desconsiderando-se os modelos apresentados anteriormente, para ilustrar o mtodo considere-se o modelo a seguir yi =XiB+ei onde yi um vetor ti x 1 contendo as respostas do indivduo i, i matriz conhecida ti x p;
=

1, ..., n ; Xi uma

um vetor de parmetros desconhecidos p x 1; ei so

independentemente distribudos como N(O,Ci), assumindo que cada elemento da matriz Ci, para i = 1, ..., n , so funes de q parmetros de covarincias desconhecidos contidos no vetor 8. Esse modelo com Ci permite examinar algumas, ou melhor, muitas

alternativas de estruturas para Ci , sendo que cada estrutura de covarincias tem sua importncia e, em alguns casos, a sua formao apresenta uma parte fixa e outra aleatria, como no caso de modelos mistos, onde o modelo seria representado por yi = Xip + Ziy + e i sendo Z uma matriz de delineamento conhecida e y um vetor de parmetros aleatrios desconhecidos. Por suposio teramos que y e ei so normalmente distribudos com

ento yi ~ N ( X , P , G ~ ( Z , G+ R ) ) e seja O i = (g E G e r E R}. Z[

Portanto, os vetores individuais yi, i multivariadas independentes, ou seja, Y; nN(XiP?Ci) onde

1, ..., n, tm distribuies

C i = o (Z i GZ I + R) e sua funo de densidade dada por

O produto dessas funes a funo de verossimilhana

Assim, com a transformao -21n L, tem-se

Portanto

Observe-se que, no modelo o efeito aleatrio aparece atravs de Ci . Podese escrever esse modelo tambm na forma do modelo componente de erro yi = Xip + e , onde e i = Ziy
o termo aleatrio.

A estimativa de mxima verossimilhana aquela que maximiza

e . Isso

pode ser feito derivando e igualando a zero as equaes de mxima verossimilhana determinadas por: 1) - e fazendo -

ae aP

=o;

2) - e fazendo =O, ac i d Z . p=peZ,=X,

1

ae

onde

& e E, so os estimadores de mxima verossirnilhana.

Desenvolvendo a equao
=

-~x'c-' - X(3) (y

e igualando a zero

temos que

A esperana e a varincia desse estimador podem ser obtidas facilmente:

Desenvolvendo - e igualando a zero, tm-se as expresses para cada

a!

ac i

elemento da matriz de covarincias de acordo com o modelo escolhido.

2.8.2 Mtodo da Mxima Verossimilhana Restrita (MVR)

Pode-se observar que: a) o estimador de mxima verossimilhana no leva em considerao a perda dos graus de liberdade devidos a estimao dos efeitos fixos; b) os estimadores de mxima verossimilhana no coincidem, em geral, mesmo nos casos balanceados, com estimadores encontrados a partir de outros mtodos, resultando em estimao viciada via mxima verossimilhana (Cil, 1982). Com o objetivo de melhorar essas deficincias foram desenvolvidos estimadores, chamados de mxima verossimilhana restrita, cuja idia bsica calcular os estimadores de mxima verossimilhana eliminando os efeitos fixos.

No mtodo da mxima verossimilhana restrita, a funo de

verossimilhana fatorada em duas partes, sendo que uma delas totalmente livre dos efeitos fixos. A fatorao realizada atravs de uma transformao linear nos dados originais. Considere-se o modelo
n ~ l = ~ X P ~ + ~ e l p p

onde
y : o vetor de observaes;

X : a matriz de delineamento conhecida com dimenso n x p e posto[X]=p;

B:

o vetor de parmetros, e

e : o vetor de erros.

Sendo as seguintes suposies observadas y n N(XP,C) e e n N ( 0 , C ) com C = C(8) e o vetor de observaes apresentando a hno densidade

Para algum C fixo, o estimador de P de mxima verossimilhana dado por

(9)

com E@) = P e ~ a r ( B= (x'C-3)-' , ento )

6 n N(P, (X' C-' x)-' )

e apresenta a funo densidade

Seja

P = I - x ( x r x ) - ' X'
onde P o projetor ortogonal de no espao coluna de y. Ento Py
=

OLS,

OLS

resduo de mnimos quadrados ordinrios. O posto de P n-p, isto , P tem n-p linhas linearmente independentes. Seja .A,,, tal que AA'=P e A'A=I o posto de A tambm n-p. As

colunas de A produzem um conjunto de coeficientes para n-p contrastes de erro linearmente independentes. Pode-se ento tomar colunas de P ou alguma outra matriz de posto completo com E(y*)=O, onde y*=My, e M a matriz considerada. Escolhe-se A definida como AA7=Pe A'A=I, como matriz M. Considere-se, agora, um "novo" conjunto de dados: R=A'y RnN(O,AICA).

Assim, E(R) = E(A9y)= AIE(y) = IA'E(y) = A'AAIE(y) = A'PXP E(R) = A'[I - x(x'x)-'X'IXP
= A'[X - x(x'x)-'

X'XIP

E(R) = A'[X - X]P = O e Var(R) = Var(A' y) = AIVar(y)A = A'C A Note que R uma combinao linear de y, e que R tem todas as informaes sobre C, e tem as dimenses (n-p)x 1 e

(j px 1.

possvel mostrar que R e

sob normalidade, garante a independncia.

fi

so independentes, porque Cov(R,

fi )=O,

Ento, temos:

B e R so independentes

Com isso possvel construir uma matriz de posto completo nxn

[ I[y: [i] I
tal que
=

A distribuio de
independncia entre R e

[$]

normal (combinao linear de y) e, devido i

B ,a funo densidade pode ser escrita como:

A expresso

I[y: =[i]

uma transformao de um retor aieatorio.

Ento, considerando y =

[:]'[i]

Assim,

Queremos a funo densidade de R, expressa em termos de y

Ento

Mas, o termo dentro do exponencial pode ser substitudo, segundo Harville (1 974), pelo seguinte:
1

f, (y) =

Ixlx/i (2n)

"-P --

1 - x -x -p

{i

x&z-' xb) (y
-

que uma verossimilhana associada com R. Como R resduo de mnimos quadrados ordinrios, essa verossimilhana chamada de mxima verossimilhana restrita (Restrita no sentido que se refere somente a C e no a p).

A prova da passagem dos termos dentro do exponencial apresentada a

seguir:

Dada a mxima verossimilhana na funo anterior, para um conjunto de dados, somente C a quantidade desconhecida. Mas C pode ser definida com o vetor 8 , ento C=C(8).

3 MATERIAL E MTODOS
Os dados utilizados para anlise foram provenientes de um experimento realizado no perodo de julho de 1997 a outubro de 1998, conduzido por Shoey Kanashiro, no Departamento de Fitotecnia, da Escola Superior de Agricultura 'Zuiz de Queiroz"
-

Universidade de So Paulo, Piracicaba, SP como parte de sua dissertao de

mestrado. O delineamento experimental foi aleatorizado em blocos, com 4 blocos, contendo 8 plantas por parcela. O material experimental consistiu de 15 substratos (considerados tratamentos) utilizados para o cultivo de Bromlias (Aechmeafasciata) em vaso. Esses 15 substratos consistiam da combinao de algum material que pudesse ser utilizado na substituio de xaxim sempre na companhia de turfa e perlita, em trs diferentes propores desses materiais (2:7:l), (5:4: 1) e (8:l: 1). Neste trabalho sero utilizados os dados referentes a proporo ( 5:4 : 1 ), tendo-se os seguintes tratamentos: T1 (5:4: 1): T2 (5:4: 1): T3 (5:4: 1): Casca de PNIZ(Sturfa + perlita + Casca de Ezicaliptos + turfa + perlita Coxim + turfa + perlita

T4 (5:4:1): Fibra de coco + turfa + perlita T5 (5:4: 1): Xaxim + turfa + perlita Ser utilizada a varivel Nmero Mdio de Folhas, para a qual foram realizadas 6 medidas no decorrer do tempo: D5: medida realizada aos 5 dias aps o plantio; D 173: medida realizada aos 173 dias aps o plantio; D229: medida realizada aos 229 dias aps o plantio; D285: medida realizada aos 285 dias aps o plantio;

D34 1 : medida realizada aos 341 dias aps o plantio; D435: medida realizada aos 435 dias aps o plantio.

Os dados referentes a essa varivel so apresentados na Tabela 2 a seguir.

Tabela 2. Dados obtidos do experimento com Bromlias em funo dos tratamentos e das medidas realizadas ao longo do tempo para a varivel Nmero Mdio de Folhas.
- -

Parcela Trat.
O1

Blocos
1

D5
6.50

D173
9.00

D229
11.25

D285
14,25

D341
16,13

D435
17,50

T1

Com o auxlio desses dados sero discutidos modos de se analisarem dados de medidas repetidas atravs de dois procedimentos do SAS, o proc GLM e o proc

MIXED, sobre os quais ser realizada, a seguir, uma descrio, bem como comparao.
Para dados de medidas repetidas o proc GLM utiliza uma estrutura tradicional para obter os resultados, tanto do modelo univariado como do multivariado. Mas, quando se trata de modelos mistos, o proc MIXED o mais indicado. Primeiramente, o proc GLM requer que os dados sejam balanceados, no utilizando dados de indivduos que tenham algum valor perdido, por utilizar o mtodo dos momentos, que precisa de dados completos para estimar os efeitos. Depois que se

identificam os indivduos com dados completos, seleciona-se para analisar um modelo de mdias, em termos de efeitos fixos da parcela e da subparcela, entre e intra-indivduos, respectivamente. O fator da parcela (entre indivduos) aquele cujos niveis permanecem constantes, ao passo que o fator da subparcela e interao parcelaxsubparcela (intraindivduos) varia. No caso do experimento utilizado, os efeitos da parcela so os Tratamentos, os efeitos da subparcela so os Dias e a interao DiasxTratamentos. No caso do proc GLM necessrio especificar esses efeitos separadamente. O proc GLM requer que seja indicada uma transformao (tipo de contraste) para os dados de medidas repetidas, j que um conjunto de contrastes pode ser usado para analisar tendncias sobre o fator de medidas repetidas, e realizar comparaes entre os niveis desse mesmo fator. Os dados originais de cada indivduo so transformados em um novo conjunto de dados, obtidos atravs de um conjunto de t-1 contrastes, onde t o nmero de medidas repetidas. Essas transformaes (contrastes) so utilizadas na tentativa de amenizar a influncia de algumas estruturas de covarincias, na anlise univariada de medidas repetidas, que podem invalidar os resultados dos testes. As transformaes disponveis so: a) Contraste: gera contrastes entre os niveis do fator tempo, podendo-se optar por um nvel de referncia, caso no seja especificado, o contraste
construdo utilizando o ltimo nvel;

b) Polinomial: &ra contrastes polinomiais ortogonais;

c) Helmert: gera contrastes entre cada nvel do fator tempo e a mdia dos niveis subsequentes; d) Mdias: gera contrastes entre os nveis do fator tempo e a mdia de todos os outros nveis do fator tempo; e) Perfil: gera contrastes entre os niveis adjacentes do fator tempo. O proc GLM apresenta um teste padro para os efeitos fixos (parcela).

Com relao aos efeitos da subparcela, existem duas opes de testes: o univariado e o multivariado. Os testes univariados so vlidos quando a condio de H-F para a matriz de covarincias satisfeita, podendo esta suposio ser verificada pelo teste de esfericidade, j implementado no proc GLM. Quando esse teste de esfericidade significativo, pode-se optar pela correo do nmero de graus de liberdade, para os efeitos da subparcela, e assim realizar a anlise univariada, ou ainda pelos testes multivariados: Lambda de Wilks, Trao de Pillai, Trao de Hotelling-Lawley e Roy. Esses testes so todos baseados em uma matriz de covarincias sem estrutura. O esquema que o proc GLM utiliza para a anlise de medidas repetidas pode ser observado na Figura 4 a seguir:

( Identifica indivduos, ignora I I aqueles com dados perdidos I

I~eterminaefeitos entre e intra-indivduos, 1

1
efeitos fixos e seleciona transformao

Testa efeito entre indivduos

No

Inferncia sobre os efeitos fixos Fonte: Wolfinger & Chang (1999).

vP
( Testes univariados para os1
efeitos intra-indivduos Testes multivariados ou correes para os testes univariados dos efeitos intra-indivduos

Figura 4. Esquema da anlise de medidas repetidas no proc GLM do SAS.

O proc MIXED, ao contrrio do proc GLM, permite a incluso de

indivduos que tenham alguma observao perdida, isso, porque utiliza os mtodos da mxima verossimilhana, mxima verossimilhana restrita e MlVIQO. No h necessidade de fazer uma distino inicial dos efeitos entre e intraindivduos, simplesmente determina-se o modelo de mdias, sem a necessidade de trabalhar com uma transformao para os dados. Mas, preciso especificar a estrutura da matriz de covari~ncias que melhor represente os dados, pois os testes para os efeitos

fixos so baseados nessa estrutura da matriz de covarincias, e caso seja mal especificada produzir resultados invlidos.

O processo de seleo da matriz de covarincias pode ser feito utilizandose o AIC (critrio de informao de Akaike), j implementado, ou ento, construindo-se um teste de razo de verossirnilhana, entre estruturas de covarincias duas a duas, mas com a condio de que essas estruturas sejam casos especiais umas das outras (dentro do par).

Da mesma forma como mostrado pela Figura 4, para o proc GLM, o esquema de anlise de medidas repetidas pelo proc MIXED apresentado pela Figura 5:

Identifica indivduos

I Seleciona efeitos fixos - h

( Seleciona estruturas )
de covarincias
I

I Testa parimetros
mo elo

finferncias sobres os efeitos f i x o s 7 Fonte: Wolfinger & Chang (1 999).

Figura 5. Esquema da anlise de medidas repetidas no proc MIXED do SAS

Um resumo das comparaes dos dois procedimentos apresentado na Tabela 3 .

Tabela 3. Resumo de comparaes de procedimentos para anlise de medidas repetidas. PROC GLM PROC MIXED

Requer dados balanceados; ignora indn-duos com Permite dados com observaes perdidas. observaes perdidas. Lida com efeitos entre e intra-indivduos Lida com efeitos diferentemente com respeito a sintaxe e testes. similarmente. entre e intra-indivduos

Requer uma transformao ortogonal para varivel Analisa os dados na sua forma original. de medidas repetidas. Assume um modelo ANOVA completo (mdia de Permite uma ANOVA completa e 1 ou um modelo caselas) para o efeito intra-indivduos. de mdias reduzido para o efeito intra-indivduos. Assume que covariveis so constantes dentro de Permite variao de covariveis dentro de um um indivduo. indivduo. Forma automaticamente um teste de esfericidade Pode produzir teste de esfericidade resultante de com a opo PRINTE. ambos os procedimentos TYPE=N e TYPE=HF ou usando TYPE=UN em dados transformados. Assume qualquer uma das duas estruturas da Permite uma ampla variedade de estruturas de matriz de covarincias. do tipo H ou sem estrutura. covarincias para o efeito intra-indivduos. Estima parmetros de covarincias usando o Estima parmetros de covarihcias usando mxima mtodo dos momentos. verossimilhana restrita, mxima verossimilhana. e MIVQUEO.
computacionalmente rpido e fcil. e mostra Pode ser computacionalmente intensivo e requer todos os testes significantes em um procedimento. diferentes procedimentos, para drferentes estruturas de covarincias.

Calcula estatsticas F que so razes de quadrados Calcula estatsticas F que so formas quadrticas mdios. do tipo-Wald. Calcula critrios G-G e H-F para testes univariados Calcula somente critrios para testes univariados para medidas repetidas.. para medidas repetidas (usando TYPE=CS ou TYPE=HF). Calcula 4 testes multivariados para medidas Calcula um F tipo-Wald (usando TYPE=UN) e repetidas: Lambda de Wilks. Trao de Pillai, Trao duas verses do Trao de Hotelling-Lawley. de Hotelling-Lawley e Roy. Calcula LSMEANS somente para cada varivel Calcula LSMEANS os q u i s so mdias sobre separadamente. medidas repetidas e cujos erros padro refletem a estrutura de covarincias adequada.

Fonte: Wolfinger & Chang (1 999).

O modelo univariado num esquema de parcelas subdivididas com medidas repetidas no tempo, a tcnica mais utilizada com relao aos modelos multivariado e misto. Mas, como visto anteriormente, a tcnica univariada requer certa condio para a matriz de covarincias. Pelo fato de ser muito utilizada na prtica, optou-se por verificar, atravs de simulaes, a acurcia da anlise estatstica quando de seu emprego, atravs da observao de casos em que a matriz de covarincias atende, ou no, a condio de esfericidade, pois, segundo Shimim (1975) e Dachs (1988) simulao o processo de imitar o comportamento de um sistema real para estudar seu comportamento sob diferentes condies. As simulaes foram realizadas com o intuito de verificar o que ocorre com os testes F e nveis de significncia dos mesmos, em nvel de subparcela, quando a condio de circularidade satisfeita, ou no, e tambm quando ocorre

desbalanceamento. Os dados sero simulados observando-se o mesmo delineamento experimental utilizado por Kanashiro (1 999). Segundo Dias (1996) para se gerarem variveis aleatrias multivariadas necessrio levar em conta a estmtura de correlao multivariada, que faz com que vrias variveis sejam geradas coletivamente, tornando o processo de simulao mais complexo do que para o caso univariado. O mtodo utilizado para a gerao dos dados foi o das distribuies condicionais. J que o mesmo reduz o problema da gerao de um vetor t-dimensional em uma srie de t geraes univariadas (Johnson, 1987). Uma distribuio t-dimensional pode ser representada como um produto de t distribuies condicionais.

A gerao de variveis aleatrias de uma distribuio multivariada pode

ser realizada pela gerao, em sequncia, de observaes de cada uma das distribuies condicionais, atravs da densidade conjunta do vetor aleatrio X, que pode ser fatorado da seguinte forma: x t f(x1,x2,..-,xt) = f I ( ~ l ) f 2 ( ~ 2 l ) . . . f t ( x/xl,...,xt-l) Os passos desse mtodo podem ser assim resumidos:

1. Gerar Xl=xl de uma distribuio marginal de Xl.

2. Gerar X 2 5 2 de uma distribuio condicional de X2 dado XI-I.

3. Gerar X3-3

de uma distribuio condicional de Xj dado Xi=xl e

X2-2.
4. E assim por diante p passos.

Segundo Boswell (1993), os principais obstculos para a implementao desse mtodo so: determinao da distribuio condicional, e identificao de uma tcnica de gerao univariada adequada para cada uma das distribuies condicionais. Foram simulados dados atravs do "sofiware" SAS, utilizando-se as distribuies normal e normal contaminada (que a soma de duas normais ponderadas). Para a gerao de variveis aleatrias normais multivariadas, o mtodo das distribuies condicionais supem que X segue uma distribuio normal multivariada com vetor de mdias p = (pI,...,p t ) e matriz de covarincias C = (o,), positiva definida. Para i
=

1, ..., t, define-se X(,, = (X ,,...,X,)' como vetor da primeira

componente de X . Assim, de X simulado atravs da distribuio normal tem-se que X~WKC), e dados simulados atravs da distribuio normal contaminada

x =aNt(~i,Ci)+(1 -a)N,(p,,C,)
onde a e (1-a) so as ponderaes utilizadas. Para os casos simulados com a normal contaminada as ponderaes utilizadas sero a = 0,05, 0,10, 0,15 e 0,20. Para a simulao foi considerado o modelo matricial:
Y(gbxt)

= X(gbx(g+b+l)) B((g+b+l)xt) + Y(gbxt)

onde g o nmero de tratamentos, b o nmero de blocos e t o nmero de medidas repetidas, e os termos do modelo so definidos em (4). Malheiros (1999) simulou dados em um esquema de aleatorizao em blocos, com parcelas subdivididas com medidas repetidas, provenientes de uma

distribuio normal, considerando, porm, varincias iguais para as estruturas de covarincias utilizadas e efeitos pouco significativos. Neste trabalho sero simulados dados com a distribuio normal e a distribuio normal contaminada, levando-se em conta estruturas de matrizes de covarincias com maior variabilidade do que aquelas utilizadas por Malheiros (1999). Alm disso considerar-se-o duas situaes para os efeitos dos fatores, ou seja, efeitos nulos e efeitos no nulos. Atravs dos resultados obtidos com simulaes utilizando efeitos nulos, verificar-se- se os nveis mnimos de significncia dos testes F, associados as hipteses para a subparcela e interao parcelaxsubparcela, apresentam distribuio uniforme (0, 1). De acordo com Malheiros (1999), esses nveis mnimos de significncia podem ser distribudos em classes de frequncias de amplitude 0,05, no intervalo (0, I), tendo-se dessa forma 20 classes de frequncias. A acurcia dos testes F na anlise univariada ser avaliada atravs de um teste Qui-quadrado para testar a hiptese de aderncia da distribuio dos nveis mnimos de significncia a distribuio uniforme. A acurcia dos testes F ser melhor quanto mais os nveis mnimos de significncia se aproximam da distribuio uniforme (0,1), pois, segundo Mood et a . (1974) caso as i exigncias do teste F, para a anlise univariada, sejam satisfeitas sob hiptese nula, os nveis mnimos de significncia tero distribuio uniforme. Com os resultados obtidos das simulaes utilizando efeitos no nulos, a distribuio dos nveis mnimos de significncia poder auxiliar na deteco de situaes em que os testes so mais sensveis em indicar a existncia desses efeitos (Malheiros, 1999).

4 RESULTADOS E DISCUSSES

4.1 Procedimentos do GLM e MIXED

A estrutura dos dados para a anlise de medidas repetidas diferente para os dois procedimentos. Por esse motivo, faz-se necessria a construo de dois conjuntos de dados, um vetorizado na forma univariada e outro na forma multivariada. Assim, o proc GLM utiliza o conjunto de dados do arquivo 'Multiv" para a anlise multivariada, e o conjunto de dados do arquivo "Univ" para anlise univariada. J o proc MIXED utiliza apenas o conjunto de dados do arquivo "Univ" para as anlises dos modelos univariado, multivariado e misto. Os conjuntos de dados dos arquivos "Multiv" e "Univ" podem ser obtidos da seguinte forma:
data multiv (keep=parcela trat blocos d5 d173 d229 d285 d341 d435) univ (keep=parcela trat blocos dias nf); input parcela trat blocos d5 d173 d229 d285 d341 d435; output multiv; nf=d5; dias=5; output univ; nf=d173; dias=173; output univ; nf=d229; dias=229; output univ; nf=d285; dias=285; output univ; nf=d341; dias=341; output univ; nf=d435; dias=435; output univ; cards ; O1 1 1 6.50 9.00 11.25 14.25 16.13 17.50 02 1 2 6.25 9.25 11.63 14.29 17.00 17.67 O3 1 3 6.38 8.75 11.13 13.38 15.50 16.00 O4 1 4 7.13 9.00 12.00 14.63 16.63 17.83
S . .

19 2O
I

5 5

3 4

6.75 6.88

8.63 8.75

11.50 11.75

13.50 13.88

15.38 16.13

16.00 17.00

RUN ;

Pode-se obter a anlise univariada utilizando-se procedimentos tanto do proc GLM como do proc MIXED. Com a anlise univariada atravs do proc GLM, usando um modelo de parcelas subdivididas com medidas repetidas no tempo, os testes envolvendo o fator intra-indivduos podem no ser vlidos por no atenderem a condio de H-F. Porm, o teste para o fator entre indivduos vlido quando se especifica o termo de erro corretamente. O programa deve, ento, seguir os seguintes passos:
proc g l m data=univ; class trat blocos dias parcela; model nf=blocos trat blocos*trat dias dias*trat; test h=trat e=blocos*trat; run;

onde a opo TEST especifica que o fator tratamentos deve ser testado com o termo da interao blocosxtratamentos (erro da parcela). Os resultados dessa forma obtidos so apresentados na Tabela 4, a seguir.

Tabela 4. Resultados da anlise univariada usando o proc GLM.

Varivel Dependente: Nmero Mdio de Folhas Causas de Variao G.L. S.Q. Mode 1o 44 1515,68690333 Resduo 75 11,71509583 Total Corrigido 119 1527,40199917 BLOCOS 3 10,95070917 TRAT 4 37,45778667 TRAT*BLOCOS 12 4,07742000
DIAS

Q. M. 34,44742962 O, 1 5 6 2 0 1 2 8

F
220,53

Pr > F O, 0 0 0 1

TRAT*DIA
R'

5 2O 0,992330

3,65023639 9,36444667 O, 3 3 9 7 8 5 0 0 1453.11191417 290.62238283 10; 8 9 0 7 3 3 3 0 O; 5 0 4 4 5 3 6 7 C.V. 3 , 3 4 8 8 9 9

23,37 27/56 1860.56 3;23

0,0001 0,0001
O , 0001 0;0001

Esses resultados, univariados, tambm podem ser obtidos usando-se a anlise multivariada do proc GLM, que fornece o teste de esfericidade e os testes F vlidos para os fatores intra-indivduos, com as devidas correes para o nmero de graus de liberdade. O programa, ento, estruturado da seguinte forma:

P r o c glm d a t a = m u l t i v ; c l a s s blocos t r a t ; model d5 d173 d 2 2 9 d285 d 3 4 1 d 4 3 5 = b l o c o s t r a t / n o u n i ; r e p e a t e d d i a s 6 polynomial / p r i n t e s m a r y ; run;

O comando MODEL ajusta uma anlise multivariada de varincia, sendo listados nesse comando somente os fatores entre indivduos, nesse caso blocos e tratamentos. A opo NOUNi no comando MODEL suprime testes univariados para cada uma das respostas individuais d5, d173, d229, d285, d341 e d435. O comando REPEATED produz um nome para os fatores intra-indivduos no "output" resultante e especifica que as matrizes de soma de quadrados dos erros e produtos cruzados (SSCP) sejam exibidas juntamente com o teste de esfericidade. A interao entre os fatores entre e intra-indivduos so automaticamente includas no modelo. Aqui testes multivariados so produzidos: Lambda de Wilks, Trao de Pillai, Trao de Hotelling-Lawley e Roy, alm de apresentar as correes de Geisser-Greenhouse e Huynh-Feldt para os nmeros de graus de liberdade. Assim tem-se a matriz da soma de quadrados e produtos cruzados do resduo 0,2474 0,3726 0,3349 E= - 0,0321 0,0948 -- 0,0177
r

0,3726 2,5024 2,1888 - 0,083 1 0,7834 O,3 153

0,3349 2,1888 3,0302 0,0090 0,1224 - 0,0023

- 0,0322 - 0,083 1

0,0090 1,2227 0,7591 0,8995

0,0948 0,7834 0,1224 0,7591 1,1844 1,2297

- 0,0177

O,3 153 - 0,0023 0,8995 1,2297 1,6683

bem como a

matriz das correlaes parciais dos resduos, e os nveis descritivos

associados aos testes das correlaes parciais.

Nas Tabelas 5, 6, 7 e 8 so apresentados os testes multivariados, o teste de esfericidade, os testes univariados com as correes para os nmeros de graus de liberdade dos fatores intra-indivduos e os testes sobre tendncias, respectivamente.

Tabela 5. Testes multivariados para os fatores intra-indivduos.

H
=

Matriz da soma de quadrados e produtos cruzados para o fator DIAS E = Matriz da soma de quadrados e ~rodutoscruzados do resduo
S=1 M=1,5
- -

N=3
-

Estatstica Valor F NumGL DenGL Pr>F O . O006292 2 5 4 1 ,4 5 1 . 5 8 o . O001 Lambda de Wilks Trao de Pillai O; 9993708 2541,451 5 8 O; O001 Trao de Hotelling-Lawley 1 5 8 8 , 4 0 6 9 6 1 6 2541,451 5 8 O , 0001 o , 0001 RoY 1588,4069616 2541,451 5 8 H = Matriz da soma de quadrados e produtos cruzados para o fator TRAT*DIA E = Matriz da soma de quadrados e produtos cruzados do resduo
S=4

M=O

N=3

Estatstica Lambda de Wilks Trao de Pillai Trao de Hotelling-Lawley RoY

Valor
O , O1701310 2,17588874 11,53725300 8,84204291

F
3,3191 2,6243 3,7496 19,4525

NumGL 20 20 20 5

DenGL
27,48 44 26 11

Pr>F
0,0020 O , 0038 O , O009 O, 0001

Observando os testes multivariados obtidos pelo proc GLM, apresentados na Tabela 5 , pode-se concluir que o teste para o fator Dias, que testa a hiptese de perfis horizontais, rejeitada pelos testes, indicando um crescimento significativo das distncias

mdias ao longo do tempo para todos os tratamentos. O teste para a interao TratamentosxDias, que testa a hiptese de paralelismo, tambm rejeitada pelos testes. Verifica-se ainda que os resultados foram os mesmos obtidos pelos testes univariados apresentados na Tabela 4. Quanto ao teste de esfericidade, o resultado apresentado na Tabela 6, onde pode-se observa que a condio de esfericidade foi violada com um nvel de significncia de 0,0320, ou seja, a matriz de covarincias no pode ser considerada do tipo Huynh-Feldt. Como essa suposio violada, faz-se necessria a utilizao de uma correo para os nmeros de graus de liberdade dos fatores intra-indivduos, nesse caso o fator Dias e a interao TratamentosxDias . Tabela 6. Teste de Esfericidade.
Teste para Esfericidade: Critrio de Mauchly = 0,0819024 Aproximao Qui-quadrado = 25,272498 Graus de liberdade = 14 Probabilidade > Qui-quadrado = 0,0320

Tabela 7. Testes univariados e correes para o nmero de graus de liberdade para os efeitos intra-indivduos.
Zausas de Varlao BLOCOS TRAT RESDIJO

TESTES PARA OS FATORES ENTRE I N D I V ~ D U O S G.L. S.Q. Q.M. C Pr i 3 10,95070417 3,65073639 1~1,74 , i00 ' L 31 4 37,45778667 0.36444667 i7,5b O, O001 12 4,07742000 0,33978500 TESTES UNIVARIADOS PARA OS FATORES INTRA-INDIVDUOS Causas d e Variao G.L. 0-0 H-F S.Q. Q.M. F Pr> F DIAS 0 0001 0.0001 0,0001 . 5 1453.11i41417 290.62238283 1860.56

Greenhouse-Geisser Huynh-Feldt

E = 0,4651
=

0,9203

Atravs da Tabela 7, pode-se testar, da mesma forma que no caso multivariado, as hipteses para perfis paralelos, horizontais e coincidentes. Assim, a hiptese de perfis coincidentes verificada atravs do teste para o fator entre indivduos, nesse caso, o fator Tratamento, sendo rejeitada, indicando que as distncias mdias dos tratamentos so diferentes. A hiptese de perfs paralelos, verificada atravs do teste para

a interao TratamentosxDias, rejeitada, o mesmo acontecendo com a hiptese de perfis horizontais obtida com o teste para o fator Dias. Essas concluses foram as mesmas obtidas com os testes multivariados encontrados na Tabela 5. Porm nem sempre os resultados desses testes so equivalentes. Na Tabela 7, tambm so fornecidas as correes para os nmeros de graus de liberdade dos testes F para os fatores intra-indivduos. Como o teste de esfencidade foi rejeitado (Tabela 6 ) , para tomada de deciso com relao as hipteses, os nveis mnimos de significncia em negrito que foram utilizados para tomada de deciso. Um detalhe a ser observado que, mesmo com as correes para os nmeros de graus de liberdade, a significncia dos testes no foi alterada.

Tabela 8. Testes sobre tendncias.

C o n t r a s t e : ".%S.

Causas de Variao
MEDIA BLOCOS TRAT RESIDUO

[:.L.
1 3 4 ?2

S.Q.
1431,1109415? 2,620064:; 4,13427i:r 2,056259-1 Contraste:

Q . M.
1431,11094350 0,87335474 1,03356779 17,17135498

F
8351,72 5,10 , 0 3

>

O , Y0O1 9,C157 ; 1867 ,

Z:AS.2

Causas de Variao
YEDIA BLOCOS TRAT ?ESIDL~O

G.L.
1 3 4

S.Q.
12, 9 9 O 5 7 X 0.13116139 2 , 42877S33 O , 9170C-:5

Q.M.
1:. 3 9 0 5 7 2 0 C, 0 1 3 7 2 0 6 9 T, 60719458 :, 1'764173'

173,OV 3,s:
7,

Fr

>

;,2:~?1
I,644i ^,C:?

. -

'?5

iontraste:
-uu4
d

:IAS.

de ?..2riaCa,:,

.1 T -.-.

S.Q.
0,11514:;" 1,57092F:i 0;1319n?;G 1,03808-14 Contraste:
::.?S.

0.M.
V,11514446 3,52364208 ;,18299000 7,0850726 5

- ,- .
A

MEDIA 2LOCOS

i i
1

TRAT
RESIDUOS

?,33 5,@5 , -,i i

.-

, --.. . -?"h_,
A A _I-

., -

-,:4i7

12

Causas de LFariao
MEDIA P.LOCOS

G.L.
1
3 4

S.Q.
0 , 67461.1; 0,2070094~ 1,08511E2 0,86323651
; i ,

Q.M.
07461431 0,06300314 ?,17127988 '.37193638

9,38
C!, 9 6
77

T'r

- , 233 L
1,4434

TRAT
RESIPUO

:,C323

1;

Os resultados dos testes para as tendncias so apresentados na Tabela 8, indicando que o comportamento dos perfis mdios pode ser explicado por um polinmio de Ygrau, mas na prtica no se teria explicao para um polinmio desse grau. Por esse

motivo, optou-se pela tendncia cbica, que apresenta diferena entre os tratamentos com valor-p = 0,0492, e existe uma tendncia cbica do nmero mdio de folhas sobre os dias (valor-p = 0,0001). O quarto grau o componente de maior ordem no significativo, no existindo diferenas entre os tratamentos com um valor-p = 0,1417. So, ento, essas as formas possveis de se analisarem dados de medidas repetidas atravs do proc GLM. Para analisar dados de medidas repetidas com o proc MIXED preciso especificar todos os fatores entre e intra-indivduos no comando MODEL, bem como a matriz de covarincias no comando REPEATED com a opo TYPE=. A Opo R mostra as estimativas dos componentes de varincia associados a matriz escolhida. Os testes para efeitos fixos so similares aos testes univariados produzidos pelo proc GLM, sendo tambm produzidos testes multivariados quando a matriz de covarincias sem estrutura (TYPE=UN) especificada. Esses testes so: Hotelling-Lawley-McKeon e

Hotelling-Lawley-Pillai-Samson, e so obtidos com as opes HLM e HPLS no comando

REPEATED.

O proc MIXED no apresenta o teste de esfericidade para a verificao da

condio de H-F, mas produz informaes para a construo de um teste de razo de verossimilhana. Para isso, so utilizados os seguintes comandos:
p r o c mixed d a t a = u n i v ; c l a s s blocos t r a t d i a s parcela; model n f = b l o c o s t r a t I d i a s ; r e p e a t e d d i a s / type=hf s u b j e c t = p a r c e l a r; run ; p r o c mixed d a t a = u n i v ; c l a s s blocos t r a t d i a s parcela; model n f = b l o c o s t r a t I d i a s ; r e p e a t e d d i a s / t y p e = u n s u b j e c t = p a r c e l a r hlm h p l s ; run;

Com esse programa possvel produzir um teste de razo de verossimilhana para verificar a suposio de esfericidade. Para tanto, os seguintes passos devem ser observados: a) subtrair o valor da -2 REML log da funo de verossimilhana para o modelo com a matriz de covarincias sem estrutura de -2 REML log da fno

de verossirnilhana para a estrutura Huynh-Feldt, b) calcular os graus de liberdade com a diferena dos nmeros de parmetros estimados para as duas estruturas, e c) comparar o resultado com a distribuio X 2 com anterior
OS

nmeros de graus de liberdade obtidos no passo

O teste pode ser obtido com o auxlio dos resultados encontrados na

Tabela 9. Ento tem-se que X 2
=

129,6241 - 88,4295 = 41,1946, com 20 - 6

14 graus

de liberdade e com um nvel de significncia de 0,0002. Rejeita-se, portanto, a hiptese de esfericidade.

Tabela 9. Informaes sobre os modelos univariados com estruturas da matriz de covarincias do tipo Huynh-Feldt e Sem Estrutura utilizando o proc MIXED.
MATRIZ DE COVARINCIAS - HUYNH-FELDT IMATRIZ DE COVARINCIAS - SEM ESTRUTURA Valor Descrio Valor 1 Descrico 120,0000 0bserva&5es 120,0000 Observa~es Res. Log da Verossimilhana -64,8120 Res. Log da Verossimilhana -44,2148 Critrio de Informao Akaike -71,8120 Critrio de Informao Akaike -65,2148 Critio de Schwarz -80,4427 Critio de Schwarz -91,1068 -2 Res Log da Verossimilhana 129,6241 -2 Res Log da Verossimilhana 88,4295 Modelo Nulo LRT Qui-Quadrado 19,2230 Modelo Nulo LRT Qui-Quadrado 60,4176 Modelo Nulo LRT GL 6,0000 Modelo Nulo LRT GL 20,0000 Modelo Nulo LRT P-valor 0,0038 Modelo Nulo LRT P-valor O, 0000

Na Tabela 10, encontram-se os testes para os efeitos fixos dos modelos, quando estimados com as matrizes de covarincias do tipo Huynh-Feldt e Sem Estrutura. Pode-se observar que os nmeros de graus de liberdade dos testes so diferentes para as duas estruturas, pelo fato de serem estimados via mxima verossimilhana restrita, que leva em conta o nmero de parmetros da matriz de covarincias estimada. Nesse caso, os testes obtidos atravs das duas estruturas de covarincias apresentam os mesmos resultados, indicando que existe diferena entre os Tratamentos, os Dias e a interao

Tabela 10. Testes para os efeitos fixos dos modelos com estruturas para a matriz de covarincias do tipo Huynh-Feldt e Sem Estrutura utilizando o proc MIXED.
MATRIZ DE COVARINCIAS - HUYNH-FELDT F Causas de Variao GL Numerador GL Denominador 27,06 BLOCOS 3 12 14,02 TRAT 4 12 DIAS 5 1860.56 75 TRAT*DIAS 2O 75 3;23 MATRIZ DE COVARINCIAS - SEM ESTRUTURA F Causas de Variao GL Numerador GL Denominador BLOCOS 3 27,06 12 TRAT 4 12 13,35 DIAS 5 12 1504,09 TRAT*DIAS 2O 12 4,17 Pr > F 0,0001 O, 0002 O. 0001 O; 0001 Pr > F O, 0001 O, 0002 o, 0001 O, 0072

A seguir, na Tabela 11, encontram-se os testes multivariados produzidos

pelo proc MIXED. Para dados balanceados, o modelo bsico equivalente ao modelo multivariado de medidas repetidas do proc GLM. Esses testes so produzidos somente quando a matriz de covarincias sem estrutura (TYPE=UN) especificada, sendo os resultados diferentes daqueles obtidos com a utilizao do proc GLM e apresentados na Tabela 5. Nesse caso a estatstica de Hotelling-Lawley-McKeon no rejeita a hiptese para a interao TratamentosxDias.

Tabela 11. Testes multivariados produzidos pelo proc MIXED.

Estatstica de Hotelling-Lawley-McKeon Causas de Variao GL Numerador GL Denominador DIAS 5 8
F 1002,72

Pr > F O, 0001

Estatstica de Hotelling-Lawley-Pillal-Samson Causas de Variao GL Numerador GL Denominador F 1002,72 DIAS 5 8 TRAT * D IAS 2O 2,26 26

Pr > F O, 0001 O, 0259

Com o proc MIXED possvel trabalhar com vrios tipos de modelos. Esse mesmo conjunto de dados pode ser analisado, por exemplo, como um modelo de

curva de crescimento onde o fator Dias considerado uma covarivel. J a anlise de curvas de crescimentos, tem-se interesse na relao entre a resposta (Nmero Mdio de Folhas) e ao fator repetido (Dias). Antes de examinar a significncia dos efeitos fixos, deve-se estar certo de que a estrutura da matriz de covarincias adequada, pois os testes para os efeitos fixos tomam-se invlidos se a estrutura da matriz de covarincias for mal especificada. Os comandos utilizados so os mesmos discutidos anteriormente, mudando apenas o modelo, que agora considera o fator Dias como uma covarivel. Mas, para que se tenha uma idia do grau do polinmio a ser ajustado, deve-se observar o grfico de perfis mdios, apresentado na Figura 6. Esse grfico sugere que um polinmio de grau 3 pode ser suficiente para explicar o comportamento dos dados .

1s4

1614 -

H C
a

;
s

1210 -

8-

6-

55

110

16s

eeo

275

330

38s

i MO

Figura 6. Perfis mdios dos tratamentos ao longo dos dias.

O modelo que ser utilizado apresentado a seguir:

NMF = Blocos+ Trat + Dias + Trat x Dias + ias^ + Trat x ias' + ias^ + Trat x ias^
Resultados para esse modelo podem ser obtidos da seguinte forma:
proc mixed data=univ; class blocos trat parcela; model nmf=blocos trat dias trat*dias dias*dias trat*dias*dias dias*dias*dias trat*dias*dias*dias; repeated / type=un subject=parcela ; run ;

Para esse modelo vrias estruturas da matriz de covarincias devem ser verificadas, e aquela que apresentar o maior AIC ser a escolhida. Isso pode ser feito atravs de uma macro do SAS que agiliza essa tarefa. A seguir so apresentadas as linhas de comando dessa macro e uma forma de ordenar os resultados obtidos.
Bmacro runmixed(method=,z=, comment=, out=); Blet -print =off; proC mixed data=&dsname &method; class &class; model &model; &z; make 'fitting' out=fitinfo; run; data fitinfo; length structr $20; set fitinfo; structr="&comment"; run ; proc append force base=&out data=fitinfo; run; Blet -print-=on; Bmend; 81et dsname=univ; 81et class=blocos trat parcela; 81et model=nf=blocos trat dias trat*dias diasfdias trat*dias*dias dias*dias*dias trat*dias*dias*dias; *componentes de variacia; Srunmixed(method=rnethod=re& z=repeated / type=vc subject=parcela, *simetria composta; Yrunmixed(method=method=reml, z=repeated / type=cs subject=parcela,

...
*Huynh Feldt;

comment=hf, out=criteria); *correlaca0 sem estrutura; Brunmixed(method=method=reml, z=repeated / type=unr subject=parcela, comment=unr, out=criteria); proc sort force data=criteria out=allaic; where descr=:'AkaikeX; by descending value; run; proc print data=allaic; run;

Executando esses comandos obtm-se os resultados dos AIC (Critrio de Informao de Akaike) em ordem decrescente. Deve-se, ento, escolher aquele que apresentar o maior valor. As estruturas utilizadas aqui foram apresentadas em sees anteriores do trabalho, e os valores do AIC so apresentados na Tabela 12

Tabela 12. Critrio de Informao de Akaike (AIC) para o modelo completo.

Estruturas da Matriz de Covarincias Sem Estrutura Sem Estrutura com Correlao Primeira Antedependncia Estrutura Fator Analitico Auto-regressiva de 1 Ordem Heterognea Toeplitz Toeplitz Heterognea Huynh-Feldt Auto-regressiva de 1 Ordem ' Toeplitz "Banded' - 2 Auto-regressiva de 1 Ordem Mdias Mveis Simetria Composta Componente de Varincia Simetria Composta Heterognea Diagonal Principal "Banded* AIC
-231,011 -231,011 -231,928 -233,492 -234,602 -235,202 -235,680 -237,077 -237,487 -237,680 -238,399 -239,816 -240,328 -241,147 -241,672

A estrutura escolhida foi a do tipo UN (sem estrutura), sendo agora necessria a verificao dos testes para os efeitos fixos, e caso algum efeito no seja significativo dever ser retirado do modelo. Na Tabela 13 so apresentados os testes para os efeitos fixos do modelo completo, onde o efeito ~ r a t a m e n t o s x ~ i a s ~ no significativo, podendo ser retirado do modelo.

Tabela 13. Testes para os efeitos fixos do modelo completo com a estrutura da matriz de covarincias do tipo Sem Estrutura.
Causas de Variao BLOCOS TRAT DIAS TRAT*DIAS D1AS2 TRAT*DIAS~ DIAS~ TRAT*DIA~ GL Numerador 3 4 1 4 1 4 1 4 GL Denominador 12 12 12 12 12 12 12 12 F 27,06 O,68 744,41 5,17 2025,65 3,04 447,94 2,63 Pr > F O,O001 O,6183 O,O001 0,0117 O,O001 O,0605 o,o001 O,0867

Como o efeito ~ r a t a m e n t o s x ~ i afoi retirado do modelo, deve-se s~ verificar novamente o que ocorre com as estruturas da matriz de covarincias. Os novos valores do AIC para o modelo reduzido so apresentados na Tabela 14.

Tabela 14. Critrio de Informao de Akaike para o modelo reduzido.

Estruturas da Matriz de Covarincias Sem Estrutura com Correlao Sem Estrutura Primeira Antedependncia Toeplitz Estrutura Fator Analtico Toeplitz Hete~ognea~ Auto-regressiva de 1 Ordem Heterognea Toeplitz "Banded' - S Auto-regressiva de 1 Ordem Huynh-Feldt Auto-regressiva de l* Ordem Medias Mveis Simetria Composta Componente de Varincia Simetria Composta Heterognea Diagonal Principal "Banded' AIC -169,545 -169,545 -170,294 -172,824 -172,877 -173,010 -173,395 -176,229 -176,458 -176,619 -179,800 -179,358 -179,829 -181,127 -181,654

Sendo escolhida dessa forma a estrutura da matriz de covarincias do tipo

UNR (Sem Estrutura com Correlaes) por apresentar o maior valor de AIC.
Na Tabela 15 so apresentados os testes para os efeitos fixos do modelo reduzido. Como todos os efeitos so significativos, nenhum ser retirado do modelo.

Tabela 15. Testes para os efeitos fixos do modelo reduzido com a estrutura da matriz de covarincias do tipo Sem Estrutura com Correlaes.
Causas de Variao BLOCOS TRAT DIAS TRAT*DIAS DIAS~ TRAT*DIAS' DIAS~
GL Numerador 3 4 1 4 1 4 1
GL Denominador 12 12 12 12 12 12 12
F 27,06 O, 63 585,55 12,31 1588,64 6/63 1601,54

Pr > F O, O001 O, 6480 o, 0001 O, 0003 O, O001 O, 0047 o, 0001

Pode-se, ento, realizar testes para verificar se os efeitos dos tratamentos podem ser considerados sem diferenas, ou seja, se uma nica curva pode explicar o comportamento de mais de um tratamento. Esses testes, no proc MIXED, so realizados pelo comando LSMEANS. No caso o teste utilizado foi o de Tukey-Kramer. Tambm possvel obter as estimativas para os parmetros do modelo atravs da opo S no comando MODEL, apresentados no programa a seguir:

proc mixed data=univ; class blocos trat parcela; model nf=blocos trat dias tratfdias dias*dias trat*dias*dias diasfdias*dias / noint s; id trat blocos dias parcela; repeated / type=unr subject=parcela ; lsmeans trat / pdiff adjust=tukey; run ;

O teste de Tukey-Kramer para os tratamentos (Tabela 16) mostra que as

comparaes entre os tratamentos T1 e T5, T3 e T4 no so significativas, sugerindo que
possvel unir os tratamentos T1 (casca de P i m s + turfa + perlita) e T5 (Xaxim + turfa +

perlita) e os tratamentos T3 (Coxim + turfa

+ perlita) e T4 (Fibra de coco + turfa +

perlita). Sendo assim, tm-se 3 curvas explicando o comportamento dos 5 tratamentos.

Tabela 16. Teste de Tukey-Kramer para o fator tratamentos do modelo reduzido com a estrutura da matriz de covarincias do tipo Sem Estrutura com Correlaes.
TRATAMENTOS T1 - T2 D I FERENAS 1,34276669 O , 71136001 O , 96613642 O , ll57OO6l -0,63140668 -0,37663027 -1,22706608 0,25477641 -0,59565940 ERRO PADRO O , 19973087 O , 19973087 O , 19973087 O , 19973087 O , 19973087 O , 19973087 O , 19973087 O , 19973087 O, 19973087
GL 13 13 13 13 13 13 13 13 13

t 6/72 3/56 4/84 O , 58 -3,16 -1,89 -6,14 1/28 -2,98

Pr > I t l O , O001 O , 0035 O , 0003 O , 5723 O , 0075 O , 0819 O , 0001 O , 2244 0,0106

Depois de r e a l i i os testes para o modelo obtiveram-se as seguintes curvas de crescimento, que so apresentadas na Figura 7.

Figura 7. Modelo ajustado para os tratamentos ao longo dos dias.

Observando-se a Figura 7 e sendo justificado pelo teste de Tukey-Kramer (Tabela 16), no h diferena estatisticamente significativa para os tratamentos Casca de

Pinus + turfa + perlita e Xaxim + turfa + perlita (TI e T5), para os tratamentos Coxim +
turfa + perlita e Fibra de coco + turfa + perlita (T3 e T4). Sendo assim, 3 curvas podem explicar o comportamento dos 5 tratamentos. Os modelos estimados foram:

A verificao do ajuste do modelo pode ser realizada atravs da analise

grfica dos resduos (Figuras 8 e 9), que permitem afrmar que o modelo apresentou um ajuste razovel. Os grficos mostram que os resduos tm distribuio normal e que no foram observados "outliers".

Dispers%o dos Valores Estimados vs. Resduos

Valores Estimados

Figura 8. Disperso dos valores estimados vs. resduos.

Grfico de Probabilidade Normal

Figura 9. Grfico de probabilidade normal.

As estimativas dos parmetros das curvas de crescimento para o modelo escolhido so apresentadas na Tabela 17, e as curvas de crescimento apresentadas na Figura 10, onde T1 a curva de crescimento para Casca de Pinus + turfa + perlita e Xaxim + turfa + perlita, T2 a curva para Casca de Eucaliptos e T3 para Coxim + turfa

+ perlita e Fibra de coco + turfa + perlita.

Tabela 17. Estimativas do modelo final ajustado.
EFEITOS BLOCOS BLOCOS BLOCOS BLOCOS TRAT TRAT TRAT TRAT*DIAS TRAT*DIAS TRAT*DIASTRAT*DIASL TRAT*DIAS~ TRAT*DIAS> DIAS~ BLOCOS 1 2 3 4 TRAT ESTIMATIVAS 6,66579226 6,49860808 6,53154954 7,07715326 O , O4630970 -0,00050911 O , 00000000 -0,03319041 -0,04302124 -0,03755778 O , O0035145 O , O0036575 O , O0035543 -0,00000051 ERRO PADRO O , 06858996 O , 06858996 O , 06858996 O , 06858996 O , 06887007 O , 08434827 GL 14 14 14 14 14 14
r

1 2 3 1 2 3 1 2 3

t 97,18 94,75 95,23 103,18 O , 67 -0,Ol

t

Pr > I t l O , O001 O , O001 O , O001 O , 0001 O , 5123 O , 9953

I

0 , 00159272 0,00177231 0,00159272 O , 00000888 O , 00000901 O , 00000888

t

14 14 14 14 14 14
I

-20,84 -24,27 -23,58 39,59 40,59 40,04

I

O , O001 O , 0001 0,0001 O , O001 0, 0001 O , 0001

I

Figura 10. Modelo final ajustado para os tratamentos ao longo dos dias.

Considerando que o Xaxim est ficando escasso, o objetivo deste experimento era encontrar um substrato que apresentasse resultados semelhantes ou melhores para as plantas, neste caso bromlias. E com os resultados obtidos pode-se considerar que o substrato contendo Casca de Pznus apresentou resultados semelhantes aos do Xaxim, quando utilizada a proporo (5:4: 1) para o substrato.

4.2 Simulaes
Os experimentos simulados no SAS levaram em conta o delineamento de blocos ao acaso no esquema de parcelas subdivididas no tempo, com 4 blocos, 5 tratamentos e 6 tempos.

No total foram considerados 80 casos para as simulaes, levando em conta as combinaes entre a distribuio normal com as 8 estruturas da matriz de covarincias, efeitos nulos e no nulos, dados balanceados e desbalanceados. Da mesma forma, para a distribuio normal contaminada com suas respectivas ponderaes. Para cada caso, 1.000 experimentos foram simulados. Detalhes sobre esses itens so apresentados a seguir. Com relao aos efeitos dos fatores:

pj : efeitos de blocos com j = 1,. ..,4;

a i

: efeitos de tratamentos com i = 1,..., 5 ;

z : efeitos de tempos com k = 1,...,6 e k arik : efeitos da interao tratamentos*tempos,

dois casos foram observados:

Efeitos no nulos: p ~ 0108, p2=0,538, p3=-0,438, p4=O; , a1=1,045, a2=-0,856, a3=-0,065, a4=-0,480, a5=O; 21=-9,945, t2=-7,288, ~3=-4,320,t4=-2,988, t5=-0,748, t6=0; ar1i=-0,74, at12=-0,963, a~13=1,428, arl4=-0,125, arl5=-O,188, arl6=(),

a221=1,105, az22=-0,583, ar==-0,803, ~ X ~ ~ = - O aO ~,~ = - 0 , 2~ 3 , ~ ~ar31=0,645, , ~I 0T =O,

O desbalanceamento dos dados tambm foi estudado, pois foram

simulados experimentos balanceados e desbalanceados com uma casela vazia, onde as observaes para i = 2, k = 2 e j
=

1, 2, 3 e 4 foram retiradas.

So apresentadas na Tabela 18, as estruturas das matrizes de covarincias utiiizadas para as simulaes com a distribuio normal e a distribuio normal contaminada. Na primeira coluna da Tabela 18 encontram-se as matrizes utilizadas para a simulao de dados da distribuio normal. Com relao a simulao de dados da distribuio normal contaminada as duas colunas foram utilizadas, sendo que para as matrizes da primeira coluna foram usadas as seguintes ponderaes 0,05, 0,10, 0,15 e 0720, e para as matrizes da segunda coluna, as ponderaes 0,95, 0,90, 0,85 e 0,80, respectivamente. As estruturas utilizadas foram: VC - Componentes de varincias; CS - Simetria composta; HF - Huynh-Feldt; UN(1) - Diagonal principal "banded; UN Desestruturada; UNR - Desestruturada com correlaes; TOEP(2) - Toeplitz "banded e AR(1) - Auto regressiva de primeira ordem.

Para os casos com efeitos nulos, so apresentados nas Tabelas 19 e 20 os resultados da estatstica X2 para o teste de aderncia da distribuio de frequncia dos nveis mnimos de significncia, dos valores da estatstica F para os fatores Dias (subparcela) e da interao TratamentosxDias (parcelaxsubparcela), a distribuio uniforme (0,l). Os resultados apresentados na Tabela 19 so referentes aos simulados com a distribuio normal, e os da Tabela 20 com a distribuio normal contaminada. Os valores da estatstica X2 das Tabelas 19 e 20 so comparados com o valor tabelado da estatstica
X:,9,0,05,=

30,14. A hiptese de aderncia rejeitada com 5%

Tabela 19. Valores da estatstica X2 para o teste de aderncia da distribuio de frequncia dos nveis mnimos de significncia associados aos valores da estatstica F para Dias e interao TratamentosxDias, com dados balanceados e desbalanceados, para a distribuio normal.
Estatstica F ~ a l . ' Dias ~ e s Dias . ~ Bal. Trat*Dias Des. Trat*Dias
1

VC CS 11,84 25,76 16,56 21,40 17,12 18,16 25,68 18,12

Estruturas da matriz de covarincias HF UN(1) UN UNR TOEP(2) AR(1) 99,44 34,44 1350,76 1517,84 58,OO 37,88 112,36 32,16 1088,24 1206,88 57,84 31,92 109,32 29,76 1296,44 1251,68 59,04 49,76 167,16 35,52 1134,36 1234,20 44,44 46,76

Dados Balanceados. L Dados Desbalanceados.

Dessa forma, observando-se os resultados da Tabela 19, conclui-se que para os casos simulados a partir da distribuio normal, somente para as estruturas da matriz de covarincias VC e CS a hiptese de aderncia dos nveis mnimos de significncia a distribuio uniforme no foram rejeitadas, tanto para os casos de dados balanceados como para os desbalanceados. Para a matriz UN(1) os valores da estatstica
X2

ficaram prximos da regio de aceitao e somente para a interao

TratamentosxDias, no caso balanceado, o teste de aderncia no foi rejeitado. Porm,

Tabela 20. Valores da Estatstica X 2 para o teste de aderncia da distribuio de frequncia dos nveis mnimos de significncia associados aos valores da estatstica F para Dias e interao TratamentosxDias, com dados balanceados e desbalanceados, para a distribuio normal contaminada.
a = 0,05 e (l-a) = 0,95 Estatstica F VC Bal. Dias 13,60 Des. Dias 24,12 Bal. Trat*Dias 11,20 Des. Trat*Dias 22,72 a =0,10 e ( l u ) = 0,90 Estatstica F VC Bal. Dias 17,16 Des. Dias 13,OO Bal. Trat*Dias 11,80 Des. Trat*Dias 10,12 a = O,l5 e ( l u ) = O,85 Estatstica F VC Bal. Dias 12,52 Des. Dias 23,60 Bal. Trat*Dias 15,32 Des. Trat*Dias 26,24 a = 0,20 e ( l u ) = 0,80 Estatstica F VC Bal. Dias 15,52 Des. Dias 22,32 Bal. Trat*Dias 10,60 Des. Trat*Dias 12,60

Estruturas da matriz de covarincias CS HF UN(1) UN UNR TOEP(2) AR(1) 19,52 33,28 19,40 763,80 724,24 16,04 32,40 24,60 42,04 33,80 683,12 649,08 34,84 29,40 8,00 33,96 14,72 1075,88 839,60 51,OO 57,36 21,08 39,36 27,20 857,36 827,20 48,60 33,08 Estruturas da matriz de covarincias CS HF UN(1) UN UNR TOEP(2) AR(]) 8,60 30,52 43,64 970,92 792,08 20,60 32,56 19,OO 46,32 26,72 726,12 720,48 33,16 20,40 21,20 45,12 37,20 842,64 875,12 47,72 64,56 10,32 81,36 34,32 1008,96 1134,28 32,60 26,OO Estruturas da matriz de covarincias CS HF UN(1) UN UNR TOEP(2) AR(1) 21,28 30,48 18,24 656,56 783,76 23,44 23,08 26,72 16,12 52,08 812,56 721,24 43,80 39,08 26,56 37,28 23,92 1068,52 909,40 44,56 32,36 15,16 50,52 40,20 1009,80 790,96 28,36 23,04 Estruturas da matriz de covarincias UNR UN TOEP(2) AR(1) HF UN(1) 46,40 30,24 51,52 39,36 929,28 903,84 32,64 31,16 529,48 791,80 27,88 23,40 95,40 36,36 958,08 851,96 43,04 25,12 41,OO 29,28 35,44 23,96 785,64 935,28

CS 26,38 13,40 12,40 17,12

Casos simulados a partir da distribuio normal contaminada, encontrados na Tabela 20, mostram que para as matrizes VC e CS, com as ponderaes a
=

0,05,

0,10, 0,15 e 0,20, a hiptese de aderncia dos nveis mnimos de significncia a distribuio uniforme no foi rejeitada, tanto para os casos de dados balanceados como desbalanceados.

Observando-se os resultados da estrutura HF, verifica-se que os valores de

x2

ficaram mais prximos da regio de aceitao e em alguns casos como a

0,15 e

0,20 para o fator Dias com desbalanceamento, a hiptese de aderncia no foi rejeitada. Para a estrutura UN(1) a acurcia da anlise de varincia satisfatria quando a = 0,05 e 0,20. As estruturas UN e UNR no apresentaram, em nenhuma ocasio, a indicao de acurcia satisfatria da anlise de varincia.

A estrutura TOEP(2) com a = 0,05, 0,10 e 0,15 no rejeitou a hiptese de

aderncia para o fator Dias com desbalanceamento e com a TratamentosxDias com desbalanceamento. A estrutura AR(l), apresentou acurcia da anlise, ou seja, a hiptese de aderncia no foi rejeitada quando a desbalanceamento, e para a
= =

0,15 para o fator

0,05 e 0,10 para o fator Dias com

=

0,15 para o fator Dias com balanceamento, e com a

0,15 e 0,20 para a interao TratamentosxDias com desbalanceamento. Dessa forma, somente as matrizes VC e CS, que satisfazem a condio de esfencidade (condio de H-F), apresentaram acurcia satisfatria da anlise de varincia, tanto para os dados simulados com a distribuio normal, como para a distribuio normal contaminada. Saliente-se ainda que no caso da distribuio normal os valores da estatstica X 2 foram maiores (mais distantes da regio de aceitao). Com relao aos dados provenientes da distribuio normal contaminada as estruturas UN(l), TOEP(2) e AR(1) em algumas situaes no rejeitaram a hiptese de aderncia dos nveis mnimos de significncia a distribuio uniforme. Para os casos considerados com efeitos no nulos, as frequncias observadas dos nveis mnimos de significncia foram dispostos nas classes de frequncias (0,OO
-

0,051, (0,05

0,101, (0,lO - 0,151 e (0,15

0,201, e so apresentados nas

Tabelas 21, 22, 23, 24 e 25. Foram consideradas essas classes de frequncias por se

tomarem decises sobre testes de hipteses baseando-se em um nvel de significncia menor do que 0,20.

Tabela 21. Frequncias dos nveis mnimos de significncia nas primeiras classes, associados aos valores da estatstica F para Dias e interao TratamentosxDias, com dados balanceados e desbalanceados, para a distribuio normal.
Dias TratamentosxDias Estnitura classes classes 0,00-0,05 0.05-0,lO 0.10-0,15 0.15-0.20 ~0.00-0,05 0.05-0,lO 0,10-0.15 0,15-0,20 de C o o o ; 999 o o o VC 999 B CS 999 O 999 O O O O O A HF 999 30 14 6 O : 941 O O O O 992 4 1 O O L UN(1) 999 A UN 999 O O O 426 82 53 55 N UNR 999 O O 424 78 64 38 O C. TOEP(2) 999 989 7 O O O O O
'

Tabela 22. Frequncias dos nveis mnimos de significncia nas primeiras classes, associados aos valores da estatstica F para Dias e interao TratamentosxDias, com dados balanceados e desbalanceados, para a distribuio normal contaminada com = 0,05 e (I-a) = 0,95.
Estrutura Classes de C 0,004,05 0,054.10 0.104.15 0,154.20 vc 999 o o o B CS O O O 999 A HF 999 o o o o O o 999 L W l ) A UN 999 o o o N UNR 999 o o O C. TOEP(2) O O O 999 TratamentosxDias Classes ),004,05 0,054,lO 0,104.15 0,154,20 932 28 13 8 945 34 8 3 822 77 23 25 815 90 35 22 412 78 62 44 412 80 64 45 922 32 9 7

D E

CS HF

B A L.

UN UNR TOEP(2) fw1)

999 999 999 999 999 999 999

o o o
O O

o
O O

o o
O O O O

Tabela 23. Frequncias dos nveis mnimos de significncia nas primeiras classes, associados aos valores da estatstica F para Dias e interao TratamentosxDias, com dados balanceados e desbaianceados, para a distribuio normal contaminada com a = 0,10 e (I-a) = 0,90.
Dias TratamentosxDias Estrutura Classes Classes 0,00-0,05 0,054,lO 0,104,15 0,154.20 ' 0.00-0.05 0,054,lO 0.10-0,15 0,154.20 de C VC 999 O O 956 O 25 7 1 B CS 999 O O 0 1 964 25 3 2 A HF 999 O O 865 O 60 26 19 L 999 O O 868 75 21 12 0 i A UN 999 O O O 441 85 58 51 N UNR 999 94 46 41 O i 457 O O C. TOEP(2) 999 O O i 949 O 23 11 2

D E

B A L.

CS HF m(1) UN UNR TOEP(2) m(1)

999 999 999 999 999 999 999

O O O O O O O

O O O O O O O

O O O O O O O

968 864 877 404 463 927 949

19 63 58 87 101 32 28

6 25 25 64 58 16 6

1 15 12 46 41

5
4

Tabela 24. Frequncias dos nveis mnimos de significncia nas primeiras classes, associados aos valores da estatstica F para Dias e interao TratarnentosxDias, com dados balanceados e desbalanceados, para a distribuio normal contaminada com a = 0,15 e (1-a) 0,85. =
Dias TratamentosxDias Estrutura Classes Classes de C 0,00-0,05 0.05-0,lO 0.10-0,15 0.15-0.20 0.00-0,05 0.05-0.10 0.10-0,15 0.15-0.20 VC 999 O O O 969 14 5 3 CS 999 O O O 984 1O 1 0 HF 999 O O O 90 1 45 25 10 999 O O O 913 44 19 9 UN(1) UN 999 O 0 O 456 86 54 57 UNR 999 O O O 460 109 55 49 TOEP(2) 999 O 0 O 965 17 5 2 999 O O O 975 13 O 4 AR( 1) VC 999 O O O 964 O 18 9 CS 999 O 0 O 974 18 1 0 HF 999 O O O 902 48 24 7 O O 999 O W(1) 923 37 20 6 UN 999 O O O 465 51 83 62 UNR 999 O O O 472 84 63 43 TOEP(2) 999 O O O 96 1 20 3 4 O O O 966 17 9 2 AR(1) 999

B A L A N C.

D E

s
B A L.

Tabela 25. Frequncias dos nveis mnimos de significncia nas primeiras classes, associados aos valores da estatstica F para Dias e interao TratamentosxDias, com dados balanceados e desbalanceados, para a distribuio normal contaminada com a = 0,20 e (I-a) 0,80. =
Dias TratamentosxDias Estnitura Classes Classes de C ~.oO-0.05 0.05-0,lO 0.10-0.15 0.154.20 0.00-0.05 0.05-0,lO 0.10-0.15 0.15-0.20 VC 999 O O O 986 5 3 O B CS 999 O O O A HF 999 o o o L 999 o o o A UN o O o 999 N UNR 999 O 0 O C. TOEP(2) O O O 999

D E

CS HF
UN UNR TOEP(2) AR(1)

B A L.

999 999 999 999 999 999 999

O O O O O O O

O O O O O O O

O O O O O O O

994 943 934 497 487 976 980

4 27 34 99 81 11 11

O 11 16 59 49 6 4

O 2 3 50 43 0 O

Atravs

das

Tabelas 21,

22,

23,

24

25

observa-se que

independentemente do tipo da distribuio, se normal ou normal contaminada, bem como do balanceamento ou desbalanceamento dos dados, com os efeitos utilizados, em todos os casos das estruturas da matriz de covarincias, o teste superestima a indicao de efeitos, quando esses existem. Isso tanto para os testes do fator Dias, como para a interao TratamentosxDias. Para os nveis mnimos de significncia do fator Dias, em nenhum dos casos as frequncias (0,05-0,l O], (0,lO-0,151 e (0,15-0,201 apresentaram uma observao sequer. Isso se deve ao fato de que os efeitos utilizados apresentam muita diferena. Pode-se verificar isso observando os efeitos no nulos para o fator Dias que so
TI=-

9,945, t2=-7,288, t2=-4,320, t4=-2,988, t5=-0,748, t6=0, por exemplo, tem-se -9,945 para o primeiro tempo e zero para o tempo 6. Malheiros (1999), que trabalhou com diferentes estruturas de covarincias, considerando, porm, que todas as estruturas tinham a mesma varincia, diferindo somente as covarincias, e apresentando efeitos dos parmetros pequenos, obteve resultados em que as matrizes de covarincias sem estruturada com correlaes

linearmente crescentes e decrescentes apresentaram acurcia satisfatria para a anlise univariada. Tambm encontrou estruturas em que o teste no superestima a indicao dos efeitos quando eles existem. Pode-se, ento, concluir que dependendo dos efeitos dos parmetros que o experimento apresenta, estes influenciam o resultado dos testes no sentido de superestimar a indicao dos efeitos, quando esses efeitos tm o intervalo de variao grande, e tambm quando as estruturas da matriz de covarincias utilizadas no apresentam varincias iguais. Para esse caso em que as estruturas das matrizes de covarincias para as simulaes no apresentaram varincias iguais e o intervalo de variao dos efeitos grande, conclui-se que a anlise de vanncia univariada s apresenta resultados vlidos para as estatsticas F dos fatores intra-indivduos, se a matriz de covarincias atender a condio de esfericidade. Caso a matriz no atenda a essa condio, correes devero

ser utilizadas para os nmeros de graus de liberdade dos fatores intra-indivduos, ou ento, optar por modelos multivariados ou modelos mistos.

De acordo com as metodologias empregadas neste trabalho, e com base nos resultados obtidos, pode-se chegar as seguintes concluses: a) Com relao aos procedimentos do SAS, proc GLM e proc MIXED, pode-se concluir que ambos so de grande valia na anlise de medidas repetidas. O proc GLM mais limitado por no permitir que se trabalhe com dados desbalanceados, mas para a anlise univariada e multivariada apresenta a maioria dos testes usuais implementados. O proc MIXED tem a vantagem de permitir a utilizao de dados desbalanceados, a escolha do mtodo de estimao, e para modelos mistos, apresenta vrias estruturas de covarincias j implementadas. b) As simulaes foram importantes por confirmar que a condio de esfericidade suficiente e necessria para que se tenha uma boa acurcia da anlise da varincia, para dados de medidas repetidas no tempo, no esquema de parcelas subdivididas (modelo univariado).

c) Os resultados das simulaes utilizando a distribuio normal e a

normal contaminada, apresentaram resultados semelhantes, ou seja, confirmaram atravs dos testes de aderncia que a utilizao de matrizes de covarincias, que no atendam a condio de esfericidade, levam a resultados invlidos para os testes dos fatores intra-indivduos. Somente as estruturas VC (componente de varincia) e CS (simetria composta) apresentaram varincia. acurcia satisfatria para a anlise de

d) Com relao a estrutura H-F (Huynh-Feldt) mais estudos devem ser realizados para se verificar o fato de que dados simulados a partir dessa estrutura, que uma condio necessria e suficiente, no apresentem resultados razoveis quanto a acurcia das anlises.

BOX, G.E.P. Some theorems on quadratic forms applied in the study of analysis of variance problems I. Effects of inequality of variance in the one-way classification. Annals of the Mathematical Statistics, v.25, p.290-302, 1954.

BOX, G.E.P. Some theorems on quadratic forms applied in the study of analysis of variance problems 11. Effects of inequality of variance and of correlation between erros in the two-way classification. Annals of the Mathematical Statistics, v.25, p.484-498, 1954.

r BOSWELL, M.T.; GORE, S.D.; PATIL, G.P.; et ai. The a t of computer generation of
random variables. In: RAO, C.R. (Ed.) Computacional statistics. North-Holland: Elsevier Science Publishers, 1993. cap.20, p.66 1-721.

CIL, A.M. Mtodos de estimao de componentes de varincia em modelos mistos. Campinas, 1982. 126p. Dissertao (M.S.) - Universidade Estadual de Campinas

CROWDER, M.J.; HAND, D.J. Analysis of repeated measures. London: Chapman & Hall, 1990, 256p.

DACHS, N. Estatstica computacional. Rio de Janeiro: Livros Tcnicos e Cientficos Editora, 1988, 236p.

DIAS, C.T.S. Planejamento de uma fazenda em condies de risco: programao linear e simulao multidimensionai. Piracicaba, 1996. 100p. Tese (Doutorado) Superior de Agriculhira "Luiz de Queiroz", Universidade de So Paulo.
-

Escola

DIGGLE, P.J. An approach to the analysis of repeated measurements. Biometrics, v.44, p.959-971, 1988.

DIGGLE, P.J.; LIANG, K-Y.; ZEGER, S.L.

Analysis of longitudinal data. 4.ed

New York : Oxford University Press Inc., 1998, 253p. (Oxford Statistical Science Series 13).

FERNANDEZ, G.C.J. Repeated measure analysis of line-source sprinkler experirnents. HortScience, v.26, n.4, p.339-342, 1991.

GEISSER, J.; GREENHOUSE, S.W. An extension of Box's results on the use of the F distribution in multivariate analysis. Annais of the Mathematicai Statistics, v.29, p.855-891, 1958.

GUIMARES, P.R.B.

Modelo linear misto de Laird-Ware; predio de efeitos

aleatrios e estimao de parmetros via filtro de Kaiman. Campinas, 1994. 135p. Dissertao (Mestrado) - Universidade Estadual de Campinas.

HARVILLE, D.A. Bayesian inference for variance components using only contrasts. Biometrika, v.61, p.383-385, 1974.

HUYNH, H.; FELDT, L.S. Conditions under which mean square rations in repeated
measurements designs have exact F-distributions. Journal of the American

Statistical Association, v.65, n.332, p. 1582-1589, Dez 1970.

HUYNH, H.; FELDT, L.S. Estimation of the Box correction for degrees of fieedom fiom sample data in the randornized block and split-plot designs.

Journal of

Educational Statistics, v. 1, n. 1, p.69-82, 1976.

HUYNH, H.; FELDT, L.S. Some aproximate tests for repeated measurement designs. Psychometrika, v.43, n.2, p. 161-175, Jun 1978.

JENNRICH, R.I.; SCHLUCHTER, M.D. Unbalanced repeated measures models with

stnictured covariance matrices. Biometrics, v.42, p.805-820, Dez 1986.

JOHNSON, M.E. Multivariate statistical simulation. New York: John Wiley and Sons, 1987, 230p.

KANASHIRO, S. Efeitos de diferentes substratos na produo da espcie Aechmea

fasciata (Lindley) baker em vasos. Piracicaba, 1999. 79p. Dissertao (Mestrado) Escola Superior de Agricultura 'Zuiz de Queiroz", Universidade de So Paulo.

KIRK, R.E. Experimental design: procedures for the behavioral.

p.243-267: Randornized block designs.

1995, cap.6,

KOCH, G.G; ELASSHOFF, J.D.; AMARA, I.A. Repeated measures studies: design and analysis. In: JOHNSON, N.L.; KOTZ, S. Encyclopedia of Statistical Sciences. New York: Jonh Wiley and Sons Inc., 1985, p.46-71

KSHIRSAGAR, A.M.; SMITH, W.B. Growth Curves. New York: Marcel Dekker Inc., 1995, 359p.

KUEHL, R.D. Statistical Principies of Research design and analysis duxbury press. Belmont California, 1994. cap. 15, p.499-528: Repeated measures designs.

LAIRD, N.M.; WARE, J.H. Random-effects models for longitudinal data. Biometrics, v.38, p.963-974, 1982. LIMA, C.G. Anlise de dados longitudinais provenientes de experimentos em blocos
casualizados. Piracicaba, 1996. 126p. Tese (Doutorado) - Escola Superior de Agricultura 'Zuiz de Queiroz", Universidade de So Paulo.

LITTELL, R.C.; HENRY, P.R.; AMMERMAN, C.B. Statistical analysis of repeated measures data using SAS procedures. American Society of Animal Science, v.76, p. 1216-1231, 1998.

MALHEIROS, E.B.

Preciso da anlise de dados longitudinais, com diferentes

estruturas para a matriz de variincias e covarincias, quando se utiliza o esquema em parcelas subdivididas. Revista de Matemtica e Estatstica, v.17, p.229-239, 1999.

MATSUSHITA, R.Y. Modelos longitudinais mistos com correlao serial nos erros. Campinas, 1994. Campinas. 188p. Dissertao (Mestrado)
-

Universidade Estadual de

MAUCHLY, J.W. Significance test for sphericity of a normal n-variate distribution. Annais of Mathematical Statistics, v. 11, p.204-209, 1940.

MEREDITH, M.P.; STEHMAN, S.V. Repeated measures experiments in forestry: focus

on analysis of response curves. Canadian Journai of Forest Research, v.21, p.957-965, 1991.

MILLIKEN, G.A.; JOHNSON, D.E.

Analysis of messy data v.1 designed

experiments. New York: Chapman & Hall, 1992, 473p.

MOOD, A.M.; GRAYBILL,F.A.; BOES, D.C. Introduction to the theory of statistics. 3.ed. New York: McGraw-Hill, 1974, 564p.

MULLER, K. E. & BARTON, C. N. Approximate power for repeated-measures ANOVA lacking sphericity. Journal of the American Statistical Association, v.84, n.406, p.549-555, Jun 1989.

SASBTAT Software: changes and anhancements through release 6.12. Institute Inc. Cary, NC. USA. 1997, 1l67p.

SAS

SHIMZZU, T. Simulao em computador digital. So Paulo: Edgard Blucher, editora da USP, 1975, 109p.

SINGER, J.M.; ANDRADE, D.F. Anlise de dados longitudinais. In: VI1 STMPSIO NACIONAL DE PROBABILIDADE E ESTATISTICA, 1986. 106p. Campinas, So Paulo,

STEEL, R.G.D.; TORRE, J.H. Principles and procedures of statisitics with special reference to the biological sciences. New York: Mc Graw-Hill Book Company Inc., 1960, 481p.

VON ENDE, C.N.

Repeated-measures analysis: Growth and other time-dependent

measures. In: SCHEINER, S.M.; GUREVITCH, J. (Ed.) Design and analysis of ecological experiments. New York: Chapman and Hall, 1993. cap.6, p. 113-137.

VONESH, F.E.; CHINCHILLI, V.M. Linear and nonlinear models for the analysis of repeated measurements. New York: Marcel Dekker, Inc. 1997. 560p.

WARE, J. H.

Linear models for the analysis of longitudinal studies. Statistical Association, v.39, n.2, p.95-101, 1985.

Amerrican

WOLFINGER, R. & CHANG, M. Comparing the SAS GLM and MIXED Procedures for repeated measures. SAS Institute Inc. Cary. NC. www.sas.corn~usergroups. (i 999).

D1AS.N repi'osef1t:j ttic n t h degret? polyr~omial coritr'ast

f o r DIAS

Type 111 SS ir.4 4 7 0 3 5 0 7 0 .33Bc>l)Otj% 3 .6644ij88 1

1.30935137!

Uii

~ v : i r l a t e T r > s t s s t Hypottieses f o r W i t t i i n S i i b ~ e c t E t f e c t s

G - G

O . IX'Y? 7

0 . i iOI' 1