CAPTULO 15.

ANLISE DE COVARINCIA

15.1 INTRODUO
Alm da varivel dependente y, pode existir uma ou mais variveis quantitativas que
so medidas em cada unidade experimental (ou sujeito) em uma situao de anlise
de varincia. Se essas variveis extras podem afetar os resultados do experimento,
elas podem ser includas no modelo como variveis independentes (xs), sendo co-
nhecidas como covariveis ou variveis concomitantes. A Anlise de covarincia
muitas vezes descrita como uma mistura de anlise de varincia e regresso.
A motivao principal para o uso de covariveis no experimento ganhar pre-
ciso pela reduo da varincia do erro. Em muitas situaes, a anlise de covarincia
pode ser usada para reduzir o efeito de fatores que o experimentador no pode contro-
lar efetivamente, porque uma tentativa de incluir vrios nveis de uma varivel quan-
titativa como um fator pode criar um delineamento pesado, de difcil manejo. Em tais
casos, a varivel pode ser includa como uma covarivel, sendo necessrio um ajuste
da varivel dependente, antes de comparar as mdias dos grupos. Variveis desse tipo
tambm podem ocorrer em situaes experimentais nas quais os sujeitos no podem
ser aleatoriamente distribudos aos tratamentos. Em tais casos, ns perdemos a impli-
cao da causalidade de um experimento delineado e a anlise de covarincia est
mais prxima de descrever a construo do modelo.
Em termos de um modelo com um fator (one-way model) e uma covarivel, a
anlise de covarincia ser bem sucedida se as trs suposies a seguir forem atendi-
das.

1. A varivel dependente (resposta) est linearmente relacionada com a covari-
vel. Se esta suposio est atendida, parte do erro no modelo previsvel e pode
ser removida para reduzir a varincia do erro. Esta suposio pode ser checada
testando H
0
: = 0, onde o coeficiente angular (slope) da regresso da vari-
vel dependente sobre a covarivel. Desde que a estimativa

nunca ser exata-

mente igual a zero, a anlise de covarincia sempre dar uma menor soma de
quadrados residual que a ANOVA correspondente (sem covarivel). Entretanto,
se

estiver prximo de zero, a pequena reduo na soma de quadrados residual

pode no compensar a perda de um grau de liberdade [ver (15.27) e um comen-
trio apresentado a seguir]. Este problema mais freqente quando temos mlti-
plas covariveis, especialmente se elas forem altamente correlacionadas.
2. Os grupos (tratamentos) tm o mesmo coeficiente angular (slope). Na suposio
1, est envolvido um nico coeficiente angular para todos os k grupos (assu-
mindo um modelo com um fator com k grupos). Ns podemos checar esta supo-
sio testando H
0
:
1
=
2
= =
k
, onde
i
o coeficiente angular no i-simo
grupo.
For Evaluation Only.
Copyright (c) by Foxit Software Company, 2004 - 2007
Edited by Foxit PDF Editor
314
3. A covarivel no afeta as diferenas entre as mdias dos grupos (tratamentos).
Se diferenas entre as mdias dos grupos forem reduzidas quando a varivel
dependente est ajustada para a covarivel, o teste para a igualdade das mdias
dos grupos ser menos eficaz. A suposio 3 pode ser checada realizando uma
ANOVA sobre a covarivel.

As covariveis podem ser constantes fixadas (valores escolhidos pelo pesqui-
sador) ou variveis aleatrias. Os modelos que consideraremos nesse captulo envol-
vem covariveis fixadas, mas na prtica, elas so geralmente aleatrias. Entretanto, os
procedimentos de estimao e testes de hipteses so idnticos em ambos os casos,
embora as propriedades dos estimadores e testes sejam um pouco diferentes para
covariveis fixadas ou aleatrias. Por exemplo, no caso de covariveis fixadas, o
poder dos testes depende dos valores reais escolhidos para a covarivel, enquanto no
caso de covariveis aleatrias, o poder dos testes depende da matriz de covarincias
(populacional) das covariveis.
Como uma ilustrao do uso de anlise de covarincia, suponha que desejamos
comparar trs mtodos de ensinar lnguas. Trs classes esto disponveis e ns desig-
namos uma classe a cada um dos mtodos de ensino. Os alunos so livres para esco-
lher uma dessas trs classes, no sendo designados aleatoriamente. Uma das classes
pode terminar com uma poro desproporcional dos melhores alunos, e neste caso,
no podemos afirmar que os mtodos de ensino produziram diferenas significativas
nas notas finais. Mas ns podemos usar notas anteriores ou outras medidas de perfor-
mance como covariveis e ento comparar os escores ajustados dos estudantes para
os trs mtodos.
A seguir, ns faremos uma abordagem geral para a estimao e testes de hip-
teses na Seo 15.2 e ento cobrimos modelos balanceados especficos nas Sees
15.3, 15.4 e 15.5. Modelos desbalanceados sero brevemente discutidos na Seo
15.6. Ns usamos modelos superparametrizados para o caso balanceado nas Sees
15.2-15.5 e usamos o modelo de mdias de caselas na Seo 15.6.


15.2 ESTIMAO E TESTES DE HIPTESES
Ns introduziremos e ilustraremos o modelo de anlise de covarincia na Seo
15.2.1 e discutiremos estimao e testes de hipteses para este modelo nas Sees
15.2.2 e 15.2.3.

15.2.1 O modelo de anlise de covarincia
Em geral, um modelo de anlise de covarincia pode ser escrito como:
y = Z + X + , (15.1)

315
onde Z contem 0s e 1s, contem e parmetros como
i
,
j
e
ij
representando fa-
tores e interaes (ou outros efeitos), X contem os valores das covariveis e contem
os coeficientes das covariveis. Assim as covariveis aparecem do lado direito de
(15.1) como variveis independentes. Note que Z o mesmo que X nos modelos
de ANOVA dos captulos 11, 12 e 13, enquanto que neste captulo, ns usamos X
para representar as covariveis no modelo.
Ns ilustramos (15.1) com alguns dos modelos que sero considerados neste
captulo. Um modelo com um fator (balanceado) e uma covarivel pode ser expresso
como:
y
ij
= +
i
+ x
ij
+
ij
i = 1, 2, , k , j = 1, 2, , n, (15.2)
onde
i
o efeito de tratamento, x
ij
uma covarivel observada nas mesmas unidades
amostradas e um coeficiente angular (slope) relacionando y
ij
com x
ij
. [Se (15.2)
visto como um modelo de regresso, ento os parmetros +
i
, i = 1, 2, , k, ser-
vem como os interceptos da regresso para os k grupos]. As kn observaes de (15.2)
podem ser escritas na forma y = Z + X + como em (15.1), onde
Z =
(
(
(
(
(
(
(

1 0 0 1
0 1 0 1
0 0 1 1
0 0 1 1
L
M M M M
L
L
M M M M
L
, =
(
(
(
(

k
1

M
, X = x =
(
(
(
(
(
(
(

kn
2n
1n
11
x
x
x
x
M
M
, (15.3)
e = . Neste caso, Z o mesmo que X em (12.6).
Para um modelo com um fator (balanceado) e q covariveis, o modelo fica:
y
ij
= +
i
+
1
x
ij1
+ +
q
x
ijq
+
ij

i = 1, 2, , k , j = 1, 2, , n. (15.4)
Neste caso, Z e so dados em (15.3), e X tem a forma:
X =
(
(
(
(

knq kn2 kn1

12q 122 121
11q 112 111
x x x
x x x
x x x
L
M M M
L
L
(
(
(
(

q
2
1

M
. (15.5)
Para um modelo com dois fatores e uma covarivel, temos:
y
ijk
= +
i
+
j
+
ij
+ x
ijk
+
ijk

i = 1, 2, , a, j = 1, 2, , c, k = 1, 2, , n, (15.6)
Z tem a forma dada em (13.4) e X = x = [x
111
, x
112
, , x
acn
]. Este modelo pode
ser estendido para incluir diversas covariveis.
316
15.2.2 Estimao
Agora ns desenvolvemos estimadores de e para o caso geral em (15.1), y = Z
+ X + . Assumimos que Z de posto incompleto como nos modelos superparame-
trizados de ANOVA e X de posto completo como nos modelos de regresso. Ns
tambm assumimos que
E( ) = 0 e cov( ) =
2
I.
O modelo pode ser expresso como
y = Z + X +


= [Z, X]
(

+
= U +

(15.7)
onde U = [Z, X] e =
(

. O sistema de equaes normais para (15.7) fica

UU

= Uy
que pode ser escrito na forma particionada como
(

X
Z
[Z, X]

=
(

X
Z
y

(

X X Z X
X Z Z Z
(

=
(

y X
y Z
(15.8)
Ns podemos expressar (15.8) como dois conjuntos de equaes em e

:
ZZ + ZX

= Zy (15.9)
XZ + XX

= Xy (15.10)
Usando uma inversa generalizada de ZZ, ns podemos resolver (15.9) para :
= (ZZ)

Zy (ZZ)

ZX

=
0
(ZZ)

ZX

(15.11)
onde
0
= (ZZ)

Zy uma soluo para as equaes normais para o modelo y = Z

+ sem as covariveis [ver (11.13)].
Para resolver para

, ns substitumos (15.11) em (15.10) para obter

XZ[(ZZ)

Zy (ZZ)

ZX

] + XX

= Xy
ou
XZ(ZZ)

Zy + X[I Z(ZZ)

Z]X

= Xy (15.12)
317
Definindo
P = Z(ZZ)

Z (15.13)
podemos escrever (15.12) como
X(I P)X

= Xy XPy = X(I P)y

Desde que os elementos de X tipicamente exibem um modelo no relacionado com os
0s e 1s em Z, ns podemos assumir que as colunas de X so linearmente indepen-
dentes das colunas de Z. Ento X(I P)X no singular (ver Problema 15.1) e uma
soluo para

dada por

= [X(I P)X]
1
X(I P)y (15.14)
=
1
xx
E e
xy
, (15.15)
onde
E
xx
= X(I P)X e e
xy
= X(I P)y (15.16)

Para o modelo de anlise de covarincia (15.1) ou (15.7) ns denotamos SQRes
como SQRes
y.x
. Por (11.20), a SQRes
y.x
pode ser expressa como
SQRes
y.x
= yy

Uy = yy [ ,

]
(

y X
y Z

= yy Zy

Xy
= yy [
0

XZ(ZZ)

]Zy

Xy [por (15.11)]
= yy
0
Zy

X[I Z(ZZ)

Z]y
= SQRes
y

X[I P]y (15.17)

onde
0


definido em (15.11), P definido em (15.13) e SQRes
y
= yy
0
Zy
igual a SQRes do modelo de ANOVA y = Z + sem covariveis. Usando (15.16),
ns podemos escrever (15.17) na forma
SQRes
y.x
= e
yy
(e
xy
)
1
xx
E e
xy
(15.18)
onde
e
yy
= SQRes
y
= y(I P)y (15.19)

Em (15.18), ns vemos a reduo na SQRes que foi notada no segundo par-
grafo da Seo 15.1. A prova que E
xx
= X(I P)X no singular (ver o Problema
15.1) pode ser estendida para mostrar que E
xx
positiva definida. Sendo assim, temos
que (e
xy
)
1
xx
E e
xy
> 0 e que SQRes
y.x
< SQRes
y
.
318
15.2.3 Teste de hipteses
Para testar hipteses, ns assumimos que em (15.1) distribudo como N
n
(0,
2
I),
onde n o nmero de linhas de Z ou X. Usando o modelo (15.7), podemos expressar
uma hiptese sobre (nveis do fator) na forma H
0
: C = 0, onde C = [C
1
, 0]:
H
0
: [C
1
, 0]
(

= 0 ou H
0
: C
1
= 0.
Ns podemos ento usar um teste de hiptese linear geral. Alternativamente, pode-
mos incorporar a hiptese ao modelo e usar a abordagem do modelo completo versus
modelo reduzido.
Hipteses sobre (covariveis) podem ser expressas na forma H
0
: C = 0:
H
0
: [0, C
2
]
(

= 0 ou H
0
: C
2
= 0.
Uma hiptese bsica de interesse H
0
: = 0, isto , que a(s) covarivel(eis) no per-
tence(m) ao modelo (15.1). Para realizar um teste de hiptese linear geral de H
0
: =
0, ns precisamos de cov(

), onde

= [X(I P)X]
1
X(I P)y [ver (15.14)]. Desde
que I P idempotente (ver Teoremas 2.13E e 2.13F), cov(

) pode ser obtida facil-

mente de (3.42) como:
cov(

) = [X(I P)X]
1
X(I P)
2
I(I P)X[X(I P)X]
1

=
2
[X(I P)X]
1
(15.20)
Ento a SQHip para testar H
0
: = 0 dada pelo Teorema 8.4A(ii) como:
SQHip =

X(I P)X

(15.21)
Usando (15.16), ela pode ser expressa como:
SQHip = (e
xy
)
1
xx
E e
xy
(15.22)
Vale notar que SQHip em (15.22) igual reduo em SQRes devida s covariveis;
ver (15.17), (15.18) e (15.19).
Agora ns discutiremos alguns modelos especficos, comeando pelo modelo
com um fator na Seo 15.3.


15.3 MODELO COM UM FATOR (ONE-WAY) E COM UMA COVARIVEL
Ns revisamos o modelo com um fator na Seo 15.3.1, consideramos estimadores de
parmetros na Seo 15.3.2 e discutimos testes de hipteses na Seo 15.3.3.


319
15.3.1 O modelo
O modelo com um fator, balanceado, foi introduzido em (15.2):
y
ij
= +
i
+

x
ij
+
ij
, i = 1, 2, , k , j = 1, 2, , n. (15.23)
As kn observaes podem ser escritas na forma de (15.1),
y = Z + X + = Z + x + ,
onde Z, e x so dados em (15.3).


15.3.2 Estimao
Por (15.11), (12.11) e (12.12) um estimador de obtido como:
=
0
(ZZ)

ZX

=
0
(ZZ)

Zx

=
(
(
(
(
(
(

k
2
1
y
y
y
0
M

(
(
(
(
(
(

k
2
1
x
x
x
0

M
=
(
(
(
(
(
(

k k
2 2
1 1
x y
x y
x y
0

M
(15.24)
(ver Problema 15.4). Neste caso, com uma nica covarivel x, E
xx
e e
xy
passam a ser
escalares, como e
yy
:
E
xx
= e
xx
= ( )

= =

k
i
n
j
i ij
x x
1 1
2

e
xy
= e
xy
= ( )( )

k
i
i ij
n
j
i ij
y y x x
1 1
(15.25)
e
yy
= ( )

= =

k
i
n
j
i ij
y y
1 1
2

Agora, por (15.15), o estimador de

=
xx
xy
e
e
=
( )( )
( )

ij
i ij
ij
i ij i ij
x x
y y x x
2
(15.26)
Por (15.18), (15.19) e os trs resultados em (15.25),
SQRes
y.x
= e
yy
(e
xy
)
1
xx
E e
xy
= e
yy

xx
2
xy
e
e

Ou ento:
320
SQRes
y.x
= ( )

ij
i ij
y y
2

( )( ) [ ]
( )

ij
ij
ij
i ij i ij
x x
y y x x
2
2
(15.27)
que tem k(n 1) 1 graus de liberdade. Note que os graus de liberdade de SQRes
y.x

foram reduzidos por 1 pela estimao de , visto que SQRes
y
= e
yy
tem k(n 1) graus
de liberdade e que
2
xy
e /
xx
e tem 1 grau de liberdade. Utilizando a anlise de covarin-
cia, o pesquisador espera que a reduo da SQRes
y
para SQRes
y.x
compense a perda
de um grau de liberdade.

15.3.3 Teste de hipteses
Para testar hipteses, ns assumimos que os
ij
s em (15.23) sejam independente-
mente distribudos como N(0,
2
). Ns vamos iniciar com um teste para a igualdade
dos efeitos de tratamentos.

15.3.3a Tratamentos
Para testar
H
01
:
1
=
2
= =
k

ajustado para a covarivel, ns usamos a abordagem do modelo completo versus o
modelo reduzido. O modelo completo (15.23) e o modelo reduzido (com
1
=
2
=
=
k
)
y
ij
= + + x
ij
+
ij
=
*
+ x
ij
+
ij
, i = 1, 2, , k, j = 1, 2, , n. (15.28)
Este essencialmente o mesmo modelo de regresso linear (6.1). Por (6.13), a SQRes
para o modelo reduzido (denotado por SQRes
red
) dada por
SQRes
red
= ( )

ij
ij
y y
2

( )( ) [ ]
( )

ij
ij
ij
ij ij
x x
y y x x
2
2
(15.29)
que tem (kn 1) 1 = kn 2 graus de liberdade.

Usando a mesma notao adotada nas Sees 8.2, 12.4 e 13.4, ns expressamos
a soma de quadrados para testar H
01
como:
SQ( | , ) = SQ(, , ) SQ(, ).
Em (15.27), SQRes
y.x
est relacionada ao modelo completo e em (15.29), SQRes
red

est relacionada ao modelo reduzido. Ento, elas podem ser escritas como SQRes
y.x
=
yy SQ(, , ) e SQRes
red
= yy SQ(, ). Portanto
SQ( | , ) = SQRes
red
SQRes
y.x
(15.30)
321
que tem kn 2 [k(n 1) 1] = (k 1) graus de liberdade. A estatstica de teste para
H
01
:
1
=
2
= =
k
dada por
F =
( ) ( )
( ) [ ] 1 1
1

n k SQRes
k |, SQ
y.x
(15.31)
que distribuda como F[k 1, k(n 1) 1] quando a hiptese H
01
verdadeira.
De (15.30), ns temos:
SQRes
red
= SQ( | , ) + SQRes
y.x

Portanto, SQRes
red
funciona como a soma de quadrados total para o teste dos efei-
tos dos tratamentos ajustados para a covarivel. Podemos ento denotar SQRes
red
por
SQT
y.x
de tal forma que a expresso anterior passa a ser escrita como:
SQT
y.x
= SQ( | , ) + SQRes
y.x
(15.32)
Para completar a analogia com SQRes
y.x
=
yy
e
2
xy
e /
xx
e em (15.27), ns escre-
vemos (15.29) como:
SQT
y.x
= t
yy

xx
2
xy
t
t
(15.33)
onde
SQT
y.x
= SQRes
red

t
yy
= ( )

ij
ij
y y
2
, t
xy
= ( )( )


ij
ij ij
y y x x , t
xx
= ( )

ij
ij
x x
2
(15.34)

Note que o procedimento usado para obter (15.30) fundamentalmente dife-
rente daquele usado para obter SQRes
y.x
e SQRes
red
em (15.27) e (15.29). A soma de
quadrados SQ( | , ) em (15.30) obtida como uma diferena entre as somas de
quadrados dos modelos completo e reduzido, no como um ajuste para SQ(

|

) =
n ( )


i
i
y y
2
em (12.24) anlogo ao ajuste usado em SQRes
y.x
e SQT
y.x
em (15.27)
e (15.33). Ns devemos usar a abordagem do modelo completo versus o modelo re-
duzido para calcular SQ( | , ), porque no temos os mesmos valores de covari-
veis para cada tratamento e o delineamento portanto desbalanceado (mesmo quando
os ns so iguais). Se SQ(

|

, ) fosse calculada de uma forma ajustada como em
(15.27) ou (15.33), ento SQ( | , ) + SQRes
y.x
no seria igual a SQT
y.x
como em
(15.32). Na Seo 15.4, ns seguiremos um esquema computacional similar ao de
(15.30) e (15.32) para cada termo de um modelo com dois fatores (balanceado).

Ns apresentamos na Tabela 15.1 as vrias somas de quadrados para testar H
01
:

1
=
2
= =
k
.


322
Tabela 15.1 Anlise de covarincia para testar H
01
:
1
=
2
= =
k
em um modelo
one-way com uma covarivel.
Fonte SQ ajustada para a covarivel g.l. ajustado
Tratamentos SQ( | , ) = SQT
y.x
SQRes
y.x
k 1
Resduo SQRes
y.x
=
yy
e
2
xy
e /
xx
e k(n 1) 1
Total SQT
y.x
= t
yy

xx
2
xy
t t kn 2



15.3.3b Coeficiente angular (slope)
Ns agora consideramos um teste para
H
02
: = 0.
Por (15.22), a abordagem da hiptese linear geral leva a SQHip = (e
xy
)
1
xx
E e
xy
para
testar H
0
: = 0. Para o caso de uma nica covarivel, essa expresso se reduz a
SQHip =
xx
2
xy
e
e
, (15.35)
onde e
xy
e e
xx
esto definidos em (15.25). A estatstica F para testar H
02
: = 0 ,
portanto, dada por
F =
( ) [ ] 1 1
2
n k SQRes
e e
y.x
xx xy
(15.36)
que distribuda como F[1, k(n 1) 1] quando a hiptese H
02
verdadeira.


15.3.3c Homogeneidade dos coeficientes angulares
Os testes para H
01
:
1
=
2
= =
k
e H
02
: = 0 assumem um coeficiente angular
comum para todos os k grupos. Para checar essa suposio, ns podemos testar a
hiptese de que os coeficientes angulares so iguais em todos os grupos,
H
03
:
1
=
2
= =
k
, (15.37)
onde
i
o coeficiente angular no i-simo grupo. Dessa forma, H
03
estabelece que as
k linhas de regresso so paralelas.
O modelo completo permitindo coeficientes angulares diferentes para os dife-
rentes grupos pode ser escrito como:
y
ij
= +
i
+
i
x
ij
+
ij
, i = 1, 2, , k , j = 1, 2, , n. (15.38)
323
O modelo reduzido com um nico coeficiente angular (15.23). Na forma matricial,
as kn observaes em (15.38) podem ser expressas como y = Z + X + , onde Z e
so dadas em (15.3) e
X =
(
(
(
(

k
x
x
x
L
M M M
L
L
0 0
0 0
0 0
2
1
(
(
(
(

k
2
1

M
, (15.39)
com x
i
= [x
i1
, x
i2
, , x
in
]. De (15.14) e (15.15),

=
1
xx
E e
xy
= [X(I P)X]
1
X(I P)y.

Para calcular E
xx
e e
xy
, ns primeiramente notamos que, por (12.11), (12.25) e
(12.26), temos:
I P = I Z(ZZ)

Z =
(
(
(
(
(
(
(

J I 0 0
0 J I 0
0 0 J I
n
n
n
1
1
1
L
M M M
L
L
(15.40)
onde I em I P kn x kn e na expresso
|
.
|

\
|
J I
n
1
n x n. Ento por (15.16),
E
xx
= X(I P)X
=
(
(
(
(
(
(
(
(

|
.
|

\
|

|
.
|

\
|

|
.
|

\
|

k k
n
n
n
x J I x
x J I x
x J I x
1
0 0
0
1
0
0 0
1
2 2
1 1
L
M M M
L
L

=
( )
( )
( )
(
(
(
(
(

j
k kj
j
j
j
j
x x
x x
x x
2
2
2 2
2
1 1
0 0
0 0
0 0
L
M M M
L
L
(15.41)
324
=
(
(
(
(

xx,k
xx,2
xx,1
e 0 0
0 e 0
0 0 e
L
M M M
L
L
(15.42)
onde e
xx,i
= ( )

j
i ij
x x
2
. Para encontrar e
xy
, ns particionamos o vetor y como y =
[y
1
, y
2
, , y
k
] onde y
i
= [y
i1
, y
i2
, , y
in
]. Ento por (15.16),
e
xy
= X(I P)y
=
(
(
(
(
(

t
k
t
t
x
x
x
L
M M M
L
L
0 0
0 0
0 0
2
1
(
(
(
(
(
(
(

J I
J I
J I
n
n
n
1
0 0
0
1
0
0 0
1
L
M M M
L
L
(
(
(
(

k
y
y
y
M
2
1

=
(
(
(
(
(
(
(

|
.
|

\
|

|
.
|

\
|

|
.
|

\
|

k
t
k
t
t
n
n
n
y J I x
y J I x
y J I x
1
1
1
2 2
1 1
M
=
( )( )
( )( )
( )( )
(
(
(
(
(

j
k kj k kj
j
j j
j
j j
y y x x
y y x x
y y x x
M
2 2 2 2
1 1 1 1
(15.43)
=
(
(
(
(

xy,k
xy,2
xy,1
e
e
e
M
(15.44)
onde e
xy,i
= ( )( )


j
i ij i ij
y y x x . Ento por (15.15), temos:

=
1
xx
E e
xy
=
(
(
(
(

xx,k xy,k
xx, xy,2
xx, xy,1
e e
e e
e e
M
2
1
(15.45)

Por analogia com (15.30) ns obtemos as somas de quadrados para o teste de
H
03
em (15.37), subtraindo SQRes
y.x
para o modelo completo de SQRes
y.x
para o
modelo reduzido, isto , SQRes(reduzido)
y.x
SQRes(completo)
y.x
. Para o modelo
completo em (15.38), SQRes(completo)
y.x
dado por (15.18), (15.44) e (15.45) como:
325
SQRes(completo)
y.x
= e
yy
(e
xy
)
1
xx
E e
xy
= e
yy
(e
xy
)

= e
yy
[e
xy,1
, e
xy,2
, , e
xy,k
]
(
(
(
(

xx,k xy,k
xx, xy,
xx, xy,
e e
e e
e e
M
2 2
1 1

= e
yy

=
k
i xx,i
xy,i
e
e
1
2
, (15.46)
que tem k(n 1) k = k(n 2) graus de liberdade. O modelo reduzido sob H
03
:
1
=

2
= =
k
= dado por (15.23), para o qual SQRes(reduzido)
y.x
encontrado em
(15.27) como
SQRes(reduzido)
y.x
= e
yy

xx
2
xy
e
e
, (15.47)
que tem k(n 1) 1 graus de liberdade. Assim, a soma de quadrados para testar H
03

SQRes(reduzido)
y.x
SQRes(completo)
y.x
=

=
k
i xx,i
xy,i
e
e
1
2

xx
2
xy
e
e
, (15.48)
que tem k(n 1) 1 k(n 2) = k 1 graus de liberdade. A estatstica do teste
F =
[ ] ( )
( ) 2 ) (
1
2
1
2

=
n k completo SQRes
k e e e e
y.x
xx xy
k
i
xx,i xy,i
(15.49)
que distribudo como F[(k1), k(n 2)] quando H
03
:
1
=
2
= =
k
verdadeira.

Se a hiptese de coeficientes angulares iguais for rejeitada, a hiptese de igual-
dade dos efeitos de tratamentos ainda pode ser testada, mas a interpretao mais
difcil. O problema parecido com a interpretao de um efeito principal em uma
ANOVA com dois fatores na presena de interao. Num sentido, o termo
i
x
ij
em
(15.38) uma interao. Para maiores detalhes sobre anlise de covarincia com
heterogeneidade de coeficientes angulares, veja Reader (1973) e Hendrix, Carter &
Scott (1982).

Exemplo 15.3.3. Para investigar o efeito de dieta no peso de maturao de guppy fish
(Poecilia reticulatia), trs grupos de peixes foram alimentados com diferentes dietas.
Os pesos resultantes, y, so apresentados na Tabela 15.2 (Morrison, 1983, p. 475),
como tambm os pesos iniciais, x. Note que k = 3 e n = 7.
Ns primeiramente estimamos usando x como covarivel. Pelos trs resulta-
dos em (15.25), ns temos:
e
xx
= 350,2857, e
xy
= 412,71429, e
yy
= 1465,7143.
326
Ento por (15.26),

=
xx
xy
e
e
=
2857 350
71429 412
,
,
= 1,1782.


Tabela 15.2 Peso de maturao e peso inicial (mg) de Guppy Fish
Grupo 1 Grupo 2 Grupo 3
y x y x y x
49 35 68 33 59 33
61 26 70 35 53 36
55 29 60 28 54 26
69 32 53 29 48 30
51 23 59 32 54 33
38 26 48 23 53 25
64 31 46 26 37 23

Agora ns testamos a igualdade das mdias de tratamentos ajustadas para a cova-
rivel, H
01
:
1
=
2
=
3
. De (15.27), ns temos:
SQRes
y.x
= e
yy

xx
2
xy
e
e
= 1465,7143
( )
2857 350
7143 412
2
,
,
= 979,4453
com k(n 1) 1 = 17 graus de liberdade. De (15.29) e (15.33), ns temos SQT
y.x
=
1141,4709 com kn 2 = 19 graus de liberdade. Assim por (15.30),
SQ( | , ) = SQT
y.x
SQRes
y.x
= 1141,4709 979,4453 = 162,0256
com (k 1) = 2 graus de liberdade. A estatstica F dada por (15.31) como
F =
( ) ( )
( ) [ ] 1 1
1

n k SQRes
k |, SQ
y.x
=
17 4453 979
2 0256 162
,
,
= 1,4061.
O p-valor 0,260 e ns no rejeitamos H
01
:
1
=
2
=
3
, ou seja, podemos admitir
que os pesos mdios dos trs grupos de guppy fish so iguais.

Para testar H
02
: = 0, ns usamos (15.36),
F =
( ) [ ] 1 1
2
n k SQRes
e e
y.x
xx xy
=
( )
( ) 17 4453 979
2857 350 7143 412
2
,
, ,
= 8,4401.
O p-valor 0,0099 e ns rejeitamos H
02
: = 0, ou seja, podemos admitir que o efeito
da covarivel na varivel resposta significativo.
327
Para testar a igualdade de coeficientes angulares iguais nos trs grupos, H
03
:
1

=
2
=
3
, ns primeiro estimamos
1
,
2
e
3
usando (15.45):
1

= 0,7903,
2

= 1,9851,
3

= 0,8579.
Ento por (15.46) e (15.47),
SQRes(completo)
y.x
= 880,5896, SQRes(reduzido)
y.x
= 979,4453.
A diferena SQRes(reduzido)
y.x
SQRes(completo)
y.x
usada no numerador da esta-
tstica F em (15.49):
F =
( )
( )( ) 5 3 5896 880
2 5896 880 4453 979
,
, ,
= 0,8420.
O p-valor 0,450 e ns no rejeitamos H
03
:
1
=
2
=
3
, o que nos leva a concluir
que os coeficientes angulares dos trs grupos podem ser considerados iguais.
A Tabela 15.2A apresenta os pesos mdios dos quatro grupos, sem e com o
ajuste pela covarivel. No clculo das mdias ajustadas, utilizamos ( )

x x y
i i

,
para i = 1, 2, 3.

Tabela 15.2A. Pesos mdios (mg) de maturao de Guppy Fish
Grupo Mdia Mdia ajustada
1 55,29 55,73
2 57,71 57,49
3 51,14 50,92



15.4 MODELO COM DOIS FATORES (TWO-WAY) E UMA COVARIVEL
Nesta seo, ns discutiremos o modelo com dois fatores de efeitos fixos, balanceado
e com uma covarivel. O modelo foi introduzido em 15.6 como
y
ijk
= +
i
+
j
+
ij
+ x
ijk
+
ijk
, (15.50)
i = 1, 2, , a , j = 1, 2, , c, k = 1, 2, , n,
onde
i
o efeito do fator A,
j
o efeito do fator C,
ij
o efeito da interao AC e

x
ijk
uma covarivel medida na mesma unidade experimental y
ijk
.

15.4.1 Testes para os efeitos principais e interao
Para encontrar SQRes
y.x
, ns consideramos a hiptese de no efeito de todos os trata-
mentos, isto , no efeito de A, de C e da interao. A soma de quadrados geral de
tratamentos denotada por SQ(, , | , ) (ver comentrio que precede o Teorema
13.4B). Por analogia a (15.28), o modelo reduzido
328
y
ijk
=
*
+ x
ijk
+
ijk
(15.51)
Por analogia a (15.29), a SQRes para o modelo reduzido dada por:
SQRes
red
= ( )

= = =

a
i
c
j
n
k
ijk
y y
1 1 1
2

( )( ) [ ]
( )

ijk
ijk

ijk
ijk ijk
x x
y y x x
2
2

=

ijk
ijk
y
2

acn
y
2


( )( ) [ ]
( )

ijk
ijk

ijk
ijk ijk
x x
y y x x
2
2
(15.52)
Por analogia a (15.27), SQRes para o modelo completo em (15.50) dada por
SQRes
y.x
= ( )

ijk
ij ijk
y y
2

( )( ) [ ]
( )

ijk
ij ijk

ijk
ij ijk ij ijk
x x
y y x x
2
2

=

ijk
ijk
y
2

ij
ij
n
y
2

( )( ) [ ]
( )

ijk
ij ijk

ijk
ij ijk ij ijk
x x
y y x x
2
2
(15.53)
que tem [ac(n 1) 1] graus de liberdade. Note que o nmero de graus de liberdade
para SQRes
y.x
foi reduzido de 1 por causa do ajuste da covarivel.

Agora, por analogia a (15.30), a soma de quadrados geral de tratamentos :
SQ(, , | , ) = SQRes
red
SQRes
y.x

=

ij
ij
n
y
2

acn
y
2

+
( )( ) [ ]
( )

ijk
ij ijk

ijk
ij ijk ij ijk
x x
y y x x
2
2


( )( ) [ ]
( )

ijk
ijk

ijk
ijk ijk
x x
y y x x
2
2
(15.54)
que tem ac 1 graus de liberdade.
Usando (13.47), (13.69) e (13.70), o termo

ij
ij
n y
2
acn y
2

em (15.54),
representa a soma de quadrados geral dos tratamentos e pode ser particionada como
em (13.40):

ij
ij
n
y
2

acn
y
2

= cn ( )


i
i
y y
2
+ an ( )


j
j
y y
2

+ n ( )

+
ij
j i ij
y y y y
2
(15.55)
= SQA
y
+ AQC
y
+ SQAC
y

329
Para que a notao fique conforme, ns definimos:
SQRes
y
= ( )

ijk
ij ijk
y y
2

Ns temos uma partio anloga da soma de quadrados geral de tratamentos
para a covarivel x:

ij
ij
n
x
2

acn
x
2

= SQA
x
+ SQC
x
+ SQAC
x
, (15.56)
onde, por exemplo,
SQA
x
= cn ( )


i
i
x x
2
.
Ns tambm definimos
SQRes
x
= ( )

ijk
ij ijk
x x
2
.
A soma de produtos geral de tratamentos

ij
ij ij
n y x acn y x

pode
ser particionada de uma forma anloga a (15.55) e (15.56) (ver Problema 15.8):

ij
ij ij
n
y x

acn
y x

= cn ( )( )


i
i i
y y x x
+ an ( )( )


j
j j
y y x x
+ n ( )( )

+ +
ij
j i ij j i ij
y y y y x x x x (15.57)
= SPA + SPC + SPAC.
Ns tambm definimos
SPRes = ( )( )


ijk
ij ijk ij ijk
y y x x .

Desse modo ns podemos escrever SQRes
y.x
em (15.53) na forma simplificada
SQRes
y.x
= SQRes
y

( )
x
SQRes
SPRes
2
.
Essas somas de quadrados e de produtos esto mostradas na Tabela 15.3.

Agora ns desenvolveremos testes de hipteses para o fator A, fator C e inte-
rao AC. A ortogonalidade do delineamento balanceado perdida quando so feitos
ajustes para a covarivel [veja comentrios aps (15.34) e Bingham & Feinberg
(1982)].
330
Ns obteremos um total para cada termo (A, C ou AC) adicionando o SQ ou SP do
resduo aos termos SQ ou SP de cada x, y e xy (ver as entradas de A+Res, C+Res e
AC+Res na Tabela 15.3). Os totais so anlogos a SQT
y.x
= SQ(

|

, ) + SQRes
y.x
em
(15.32) para o modelo com um fator. Os totais so usados para obter as somas de
quadrados ajustados para a covarivel de uma maneira anloga quela empregada no
modelo com um fator [ver (15.30) ou a linha para tratamentos na Tabela 15.1]. Por
exemplo, a soma de quadrados ajustada SQA
y.x
para o fator A obtida como segue:
SQ(A+Res)
y.x
= SQA
y
+ SQRes
y

( )
x x
SQRes SQA
SPRes SPA
+
+
2
(15.58)
SQRes
y.x
= SQRes
y

( )
x
SQRes
SPRes
2
(15.59)
SQA
y.x
= SQ(A + Res)
y.x
SQRes
y.x
(15.60)


TABELA 15.3 Somas de quadrados e produtos para x e y em um modelo two-way
SQ e SP corrigidas para a mdia
Fonte
y x xy
A SQA
y
SQA
x
SPA

C SQC
y
SQC
x
SPC
AC SQAC
y
SQAC
x
SPAC
Resduo (Res) SQRes
y
SQRes
x
SPRes
A + Res SQA
y
+ SQRes
y
SQA
x
+ SQRes
x
SPA + SPRes
C + Res SQC
y
+ SQRes
y
SQC
x
+ SQRes
x
SPC + SPRes
AC + Res SQAC
y
+ SQRes
y
SQAC
x
+ SQRes
x
SPAC + SPRes

Inspecionando (15.58), (15.59) e (15.60), ns vemos que SQA
y.x
tem a 1 graus de li-
berdade. A estatstica do teste para H
01
:
1
=
2
= =
a
, correspondente ao efeito
principal de A, dada por
F =
[ ] 1 1
1

) ac(n / SQRes
) /(a SQA
y.x
y.x
(15.61)
que tem distribuio F[a 1, ac(n 1) 1] se H
01
verdadeira. Testes para o fator C
e a interao AC so desenvolvidos de forma anloga.

Exemplo 15.4.1. Em cada um dos trs distritos de Iowa, uma amostra de fazendas foi
tomada de um grupo de fazendas onde proprietrio e inquilino so parentes e de
fazendas onde proprietrio e inquilino no so parentes. A Tabela 15.4 (Ostle & Men-
331
sing, 1975, p. 480) apresenta os dados de y = valor das colheitas produzidas e x =
tamanho da fazenda.

Tabela 15.4 Valor de colheitas y e tamanhos x de fazendas em trs distritos de Iowa
Distrito 1 Distrito 2 Distrito 3
y x y x y x
Proprietrio e inquilino so parentes
6399 160 2490 90 4489 120
8456 320 5349 154 10026 245
8453 200 5518 160 5659 160
4891 160 10417 234 5475 160
3491 120 4278 120 11382 320
Proprietrio e inquilino no so parentes
6944 160 4936 160 5731 160
6971 160 7376 200 6787 173
4053 120 6216 160 5814 134
8767 280 10313 240 9607 239
6765 160 5124 120 9817 320

Primeiramente ns obtemos as somas de quadrados e de produtos presentes na
Tabela 15.3, onde o fator A est relacionado ao status e o fator C o distrito. Ento
temos que: a = 2, c = 3 e n = 5. Os resultados so apresentados na Tabela 15.5 onde,
por exemplo, SQA
y
= 2378956,8, SQA
y
+ SQRes
y
= 141184822 e SPAC + SPRes =
3469048,9.

Tabela 15.5 Somas de quadrados e produtos para x e y
SQ e SP corrigidas para a mdia
Fonte y x xy
A 2378956,8 132,30 17740,8
C 8841441,3 7724,47 249752,8
AC 1497572,6 2040,20 41440,3
Resduo (Res) 138805865,0 106870,00 3427608,6
A + Res 141184822,0 107002,30 3445349,4
C + Res 147647306,0 114594,50 3677361,4
AC + Res 140303437,0 108910,20 3469048,9
332
Por (15.58), (15.59) e (15.60), ns temos:
SQ(A + R)
y.x
= 30248585,0 SQRes
y.x
= 28873230,0 SQA
y.x
= 1375355,1.
Ento por (15.61), para o fator A, ns temos:
F =
[ ] 1 1
1

) ac(n / SQRes
) /(a SQA
y.x
y.x
=
23 0 , 28873230
1 1 1375355,
=
8 1255357
1 1375355
,
,
= 1,0956.
O p-valor 0,306 e ns no rejeitamos a hiptese H
01a
:
1
=
2
, ou seja, podemos
concluir que os valores mdios das colheitas das propriedades onde o proprietrio e
inquilino so parentes e onde no so parentes podem ser admitidos como iguais.
Similarmente, para o fator C, ns temos:
F =
8 1255357
2 1 766750
,
,
= 0,3054
com p-valor igual a 0,740. Ns no rejeitamos a hiptese H
01c
:
1
=
2
=
3
e conclui-
mos que os valores mdios das colheitas das propriedades localizadas nos trs distri-
tos podem ser admitidos como iguais.
Para a interao AC, ns obtemos:
F =
8 1255357
2 5 932749
,
,
= 0,3715
O p-valor igual a 0,694 e no rejeitamos a hiptese de inexistncia de interao
entre os fatores A e C.

15.4.2 Teste para o coeficiente angular (slope)
Para testar a hiptese H
02
: = 0, a soma de quadrados devida a (SPRes)
2
/SQRes
x

e a estatstica F do teste dada por
F =
( )
[ ] 1 1
2
) ac(n SQRes
SQRes SPRes
y.x
x
, (15.62)
que tem distribuio F[1, ac(n 1) 1] se H
02
(e H
03
) verdadeira.

Exemplo 15.4.2. Para testar H
02
: = 0 para os dados das fazendas na Tabela 15.4,
ns usamos SPRes e SQRes
x
da Tabela 15.5 e SQRes
y.x
do Exemplo 15.4.1. Usando
(15.62),
F =
( )
[ ] 1 1
2
) ac(n SQRes
SQRes SPRes
y.x
x
=
( )
8 1255357
0 , 106870 6 3427608
2
,
,
= 87,5708.
O p-valor igual a 2,63 x 10
9
e a hiptese H
02
: = 0 rejeitada, ou seja, existe um
efeito linear e significativo do tamanho da fazenda no valor da colheita.
333
15.4.3 Teste para a homogeneidade dos coeficientes angulares (slopes)
O teste de homogeneidade dos coeficientes angulares (slopes) pode ser feito separa-
damente para o fator A, fator C e interao AC. Ns descreveremos o teste de homo-
geneidade dos coeficientes angulares (slopes) entre os nveis de A. A hiptese de in-
teresse pode ser escrita como:
H
03
:
1
=
2
= =
a

ou seja, as linhas de regresso para os a nveis do fator A so paralelas. Os intercep-
tos, naturalmente, podem ser diferentes. Para obter um estimador do coeficiente an-
gular
i

para o i-simo nvel de A, definimos SQRes

x
e SPRes para o i-simo nvel de
A como:
SQRes
x,i
= ( )

= =

c
j
n
k
ij ijk
x x
1 1
2
(15.63)
SPRes
i
= ( )( )


jk
ij ijk ij ijk
y y x x
Ento
i

obtido como
i

=
x,i
i
SQRes
SPRes

e a soma de quadrados devido a
i
igual a (SPRes
i
)
2
/SQRes
x,i
.
Por analogia a (15.46), a soma de quadrados para o modelo completo no qual
os
i
s so diferentes dada por:
SQ(completo) = SQRes
y

( )

=
a
i x,i
i
SQRes
SPRes
1
2

e por analogia a (15.47), a soma de quadrados no modelo reduzido com um nico
coeficiente angular
SQ(reduzido) = SQRes
y

( )
x
SQRes
SPRes
2
.
Nossa estatstica de teste para H
03
:
1
=
2
= =
a
similar a (15.49):
F =
[ ]
[ ] a ) ac(n o) SQ(complet
) (a o) SQ(complet o) SQ(reduzid


1
1

=
( ) ( ) [ ] ( )
( ) [ ] [ ] a ) ac(n SQRes SPRes SQRes
a SQRes SPRes SQRes SPRes
a
i
x,i i y
a
i
x x,i i

=
=
1
1
1
2
1
2 2
(15.64)
que (sob H
03
) tem distribuio F[a 1, ac(n 1) a]. Os testes para homogeneidade
dos coeficientes angulares de C e AC so construdos de maneira similar.

334
Exemplo 15.4.3. Para testar a homogeneidade dos coeficientes angulares para o fator
A, ns primeiramente encontramos
1

e
2

para os dois nveis de A:

1

=
1
1
x,
SQR
SPR
=
2 359 61
8 839 141 2
, .
, . .
= 34,9066
2

=
2
2
x,
SQR
SPR
=
8 510 45
8 768 285 1
, .
, . .
= 28,2519
Ento
SQ(completo) = SQRes
y

( )

=
a
i x,i
i
SQRes
SPRes
1
2
= 27716088,7
SQ(reduzido) = SQRes
y

( )
x
SQRes
SPRes
2
= 28873230,0
A diferena SQ(reduzido) SQ(completo) = 1157140,94. Ento por (15.64),
F =
( )
( ) 22 70 27716088
1 94 1157140
,
,
= 0,9185.
Como p-valor = 0,348, ns no rejeitamos H
03
:
1
=
2
e podemos admitir que os coe-
ficientes angulares dos dois grupos (o proprietrio e inquilino so parentes ou no)
so iguais.
Para a homogeneidade dos coeficientes angulares para os nveis o fator C, ns
temos:
1

= 23,2104,
2

= 50,0851,
3

= 31,6693,
F =
( )
( ) 21 50 19367195
2 16 9506034
,
,
= 5,1527
Como p-valor = 0,0151, conclumos que os coeficientes angulares para os nveis do
fator C so diferentes.



15.5 MODELO ONE-WAY COM MLTIPLAS COVARIVEIS

15.5.1 O modelo
Em alguns casos, o pesquisador tem mais de uma covarivel disponvel. Note, entre-
tanto, que cada covarivel diminui o nmero de graus de liberdade do resduo de
uma unidade e que a incluso de muitas covariveis pode levar perda de poder.
Para o modelo com um fator e q covariveis, ns usamos (15.4):
y
ij
= +
i
+
1
x
ij1
+
2
x
ij2
+ +
q
x
ijq
+
ij

= +
i
+ x
ij
+
ij
, (15.65)
i = 1, 2, , k, j = 1, 2, , n.
335
onde = [
1
,
2
,

,
q
] e x
ij
= [x
ij1
, x
ij2
, , x
ijq
]. Para este modelo, ns desejamos
testar H
01
:
1
=
2
= =
k
e H
02
: = 0. Ns tambm desejamos estender o modelo
para permitir um vetor diferente para cada um dos k grupos e testar a igualdade des-
ses vetores .
O modelo em (15.65) pode ser escrito matricialmente como
y = Z + X + ,
onde Z e so dados em (15.3) e X dado por (15.5):
X =
(
(
(
(

knq kn2 kn1

12q 122 121
11q 112 111
x x x
x x x
x x x
L
M M M
L
L
(
(
(
(

q
2
1

M
.
O vetor y kn x 1 e a matriz X kn x q. Ns podemos escrever y e X na
forma particionada correspondendo aos k grupos
y =
(
(
(
(

k
y
y
y
M
2
1
, X =
(
(
(
(

k
X
X
X
M
2
1
, (15.66)
onde
y
i
=
(
(
(
(

in
i2
i1
y
y
y
M
e X
i
=
(
(
(
(

inq in2 in1

i2q i22 i21
i1q i12 i11
x x x
x x x
x x x
L
M M M
L
L
.


15.5.2 Estimao
Ns primeiramente obtemos E
xx
, e
xy
e e
yy
para usar em

e SQRes
y.x
. Por (15.16),
E
xx
= X(I P)X
Usando X particionada como em (15.66) e I P na forma dada em (15.40), E
xx
pode
ser escrito como:
E
xx
=

=
|
.
|

\
|

k
i
i i
n
1
1
X J I X (15.67)
(veja o Problema 15.10). Similarmente, usando y particionado como em (15.66), e
xy

dado por (15.16) como
336
e
xy
= X(I P)y =

=
|
.
|

\
|

k
i
i i
n
1
1
y J I X (15.68)
Por (15.19) e (15.40),
e
yy
= y(I P)y =

=
|
.
|

\
|

k
i
i i
n
1
1
y J I y (15.69)
Os elementos de E
xx
, e
xy
e de e
yy
so extenses das somas de quadrados e produtos en-
contrados nas trs expresses em (15.25).
Para examinar os elementos da matriz E
xx
, primeiramente notamos que I
(1/n)J uma matriz simtrica, idempotente e que
i i
n
1
X J I X
|
.
|

\
|
em (15.67) pode ser
escrito como:
i i
n
1
X J I X
|
.
|

\
|
=
i i
n
1
n
1
X J I J I X
|
.
|

\
|

|
.
|

\
|
=
ci
X
ci
X , (15.70)
onde
ci
X =
i
n
X J I
|
.
|

\
|

1
a matriz X
i
centrada:
ci
X =
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
(
(
(
(

q i inq 2 i in2 1 i in1
q i i2q 2 i i22 1 i i21
q i i1q 2 i i12 1 i i11
x x x x x x
x x x x x x
x x x x x x
L
M M M
L
L
(15.71)
[veja (7.34) e o Problema 7.15], onde
2 i
x , por exemplo, a mdia da segunda coluna
de X
i
, isto ,
2 i
x

=
n
j
ij
n x
1
2
. Pelo Teorema 2.2C(i), os elementos da diagonal de
ci
X
ci
X so:
( )

n
j
r i ijr
x x
1
2
r = 1, 2, , q (15.72)
e os elementos fora da diagonal so:
( )( )

=


n
j
s i ijs r i ijr
x x x x
1
r s. (15.73)
Por (15.67) e (15.72), os elementos da diagonal de E
xx
so:
( )

= =

k
i
n
j
r i ijr
x x
1 1
2
r = 1, 2, , q (15.74)
Por (15.67) e (15.73) os elementos fora da diagonal so:
( )( )

= =


k
i
n
j
s i ijs r i ijr
x x x x
1 1
r s. (15.75)
337
Essas duas expresses so anlogas para e
xx
= ( )

ij
i ij
x x
2
em (15.25).
Para examinar os elementos do vetor e
xy
, notamos que por um argumento simi-
lar quele usado para obter (15.70),
i i
n
y J I X
|
.
|

\
|

1
em (15.68) pode ser escrito como:
i i
n
y J I X
|
.
|

\
|

1
=
t
i
n
|
.
|

\
|
J I X
1
i
n
y J I
|
.
|

\
|

1
=
ci
X
ci
y
onde
ci
X dado em (15.71) e
y
ci
=
(
(
(
(

i in
i i2
i i1
y y
y y
y y
M

com
i
y =

=
n
j
ij
n y
1
. Assim os elementos de
ci
X
ci
y so da forma
( )( )

=


n
j
i ij r i ijr
y y x x
1
r = 1, 2, , q,
e por (15.68), os elementos de e
xy
so
( )( )

= =


k
i
n
j
i ij r i ijr
y y x x
1 1
r = 1, 2, , q.
Similarmente, e
yy
em (15.69) pode ser escrito como:
e
yy
=

=
|
.
|

\
|

|
.
|

\
|

k
i
i i
n n
1

1 1
y J I J I y =

k
i
ci ci
1
y y = ( )

= =

k
i
n
j
i ij
y y
1 1
2
(15.76)
Por (15.15),

=
1
xx
E e
xy

onde E
xx
dada por (15.67) e e
xy
dada por (15.68). Igualmente, por (15.18),
SQRes
y.x
= e
yy
(e
xy
)
1
xx
E e
xy
(15.77)
onde e
yy
dado por (15.69) ou (15.76). O nmero de graus de liberdade de SQRes
y.x

k(n 1) q. Por (15.11) e (12.12),
=
0
(ZZ)

ZX

=
(
(
(
(
(
(

k
2
1
y
y
y
0
M

(
(
(
(
(
(

k
0
x
x
x

2
1
M
=
(
(
(
(
(
(

k k
2
1
y
y
y
0
x
x
x

2
1
M
(15.78)
338
Ou ento:
=
( )
( )
( )
(
(
(
(
(

+ + +
+ + +
+ + +



q k q 2 k 2 1 k 1 k
q 2 q 2 2 2 1 2 1 2
q 1 q 2 1 2 1 1 1 1
x x x y
x x x y
x x x y



L
M
L
L
(15.79)


15.5.3 Testando hipteses

15.5.3a Tratamentos
Para testar
H
01
:
1
=
2
= =
k

ajustado para as q covariveis, ns usamos a abordagem do modelo completo versus
modelo reduzido como na Seo 15.3.3a. O modelo completo dado por (15.65) e o
modelo reduzido (com
1
=
2
= =
k
= ) :
y
ij
= + + x
ij
+
ij

=
*
+ x
ij
+
ij
, (15.80)
que essencialmente o mesmo modelo de regresso mltipla (7.3).Por (7.38) e (7.40)
e por analogia com (15.33),
SQRes
red
= SQT
y.x
= t
yy
(t
xy
)
1
xx
T t
xy
(15.81)
onde t
yy
dado por:
t
yy
= ( )

ij
ij
y y
2

Os elementos de t
xy
so
( )( )

y y x x
ij
ij
r ijr
, r = 1, 2, , q,
e os elementos de T
xx
so
( )( )


ij
s ijs r ijr
x x x x , r = 1, 2, , q, s = 1, 2, , q.

Assim, por analogia com (15.30), ns usamos (15.81) e (15.77) para obter
SQ( | , ) = SQT
y.x
SQRes
y.x

= t
yy
(t
xy
)
1
xx
T t
xy
e
yy
+ (e
xy
)
1
xx
E e
xy
= ( )

ij
ij
y y
2
( )

ij
i ij
y y
2
(t
xy
)
1
xx
T t
xy
+ (e
xy
)
1
xx
E e
xy

339
Ou ento
SQ( | , ) = n ( )


i
i
y y
2
(t
xy
)
1
xx
T t
xy
+ (e
xy
)
1
xx
E e
xy
(15.82)
que tem (k 1) graus de liberdade (veja o Problema 15.13). Ns apresentamos essas
somas de quadrados e produtos na Tabela 15.6.

Tabela 15.6 Anlise de covarincia para testar H
01
:
1
=
2
= =
k
em um modelo
one-way com q covariveis
Fonte SQ ajustada para as covariveis g.l. ajustados
Tratamentos SQ( | , ) = SQT
y.x
SQRes
y.x
k 1
Resduo SQRes
y.x
= e
yy
(e
xy
)
1
xx
E e
xy
k(n 1) q
Total SQT
y.x
= t
yy
(t
xy
)
1
xx
T t
xy
kn q 1


A estatstica do teste para H
01
:
1
=
2
= =
k

F =
( ) ( )
[ ] q ) k(n SQRes
k |, SQ
y.x

1
1
(15.83)
que (sob H
01
) distribuda como F[k 1, k(n 1) q].

15.5.3b Vetor de coeficientes angulares (slopes)
Para testar
H
02
: = 0,
a soma de quadrados dada por (15.22) como
SQHip = (e
xy
)
1
xx
E e
xy

onde E
xx
dado por (15.67) e e
xy
dado por (15.68). A estatstica F ento
F =
[ ] q ) k(n SQRes
q
y.x
xy xx xy

1
1
e E e
(15.84)
que distribuda como F[q, k(n 1) q] se H
02
: = 0 verdadeira.


15.5.3c Homogeneidade dos vetores de coeficientes angulares
Os testes para H
01
:
1
=
2
= =
k
e H
02
: = 0 assumem um mesmo vetor de
coeficientes para todos os k grupos. Para checar essa suposio ns podemos estender
340
o modelo (15.65) para obter um modelo completo admitindo diferentes vetores de
coeficientes angulares:
y
ij
= +
i
+ (
i
)x
ij
+
ij
i = 1, 2, , k, j = 1, 2, , n. (15.85)
O modelo reduzido com um nico vetor de coeficientes angulares dado por (15.65).
Ns agora desenvolveremos um teste para a hiptese
H
03
:
1
=
2
= =
k

isto , que os k planos de regresso (para os k tratamentos) so paralelos.
Por extenso de (15.46) e (15.47), ns temos:
SQRes(completo)
y.x
= e
yy

k
i
xy,i xx,i i xy
1
1
,
e E e (15.86)
SQRes(reduzido)
y.x
= e
yy
(e
xy
)
1
xx
E e
xy
(15.87)
onde
E
xx,i
=
i i
n
X X
|
.
|

\
|
J
1
I e e
xy,i
=
i i
n
y X
|
.
|

\
|
J
1
I
so os termos do somatrio em (15.67) e (15.68). Os graus de liberdade associados a
SQRes(completo)
y.x
e SQRes(reduzido)
y.x
so k(n1) kq = k(n q 1) e k(n1) q,
respectivamente. Note que SQRes(reduzido)
y.x
em (15.87) o mesmo que SQRes
y.x

em (15.77). O estimador de
i
para o i-simo grupo
i

=
1
xx,i
E
i xy,
e . (15.88)
Por analogia a (15.48), a soma de quadrados para testar H
03
:
1
=
2
= ... =
k

dada por:
SQRes(reduzido)
y.x
SQRes(completo)
y.x
=

k
i
xy,i xx,i xy,i
1
1
e E e (e
xy
)
1
xx
E e
xy
,
que tem k(n 1) q [k(n 1) kq] = q(k 1) graus de liberdade. A estatstica de
teste para H
03
:
1
=
2
= ... =
k
:
F =
[ ]
) 1 ( ) (
) 1 ( ) ( ) (


q n k completo SQRes
k q completo SQRes reduzido SQRes
y.x
y.x y.x
(15.89)
que distribuda como F[q(k 1), k(n q 1)] se H
03
verdadeira. Note que se n no
grande, n q 1 pode ser pequeno e o teste ter um baixo poder.

Exemplo 15.5.3. Na Tabela 15.7, ns temos a classificao do instrutor y e as classi-
ficaes em dois cursos x
1
e x
2
para cinco instrutores em cada um dos trs cursos
(Morrison, 1983, p. 470).

341
Tabela 15.7 Classificao do instrutor y e as classificaes em dois cursos x
1
e x
2
em
trs cursos
Curso 1 Curso 2 Curso 3
y x
1
x
2
y x
1
x
2
y x
1
x
2

2,14 2,71 2,50 2,77 2,29 2,45 1,11 1,74 1,82
1,34 2,00 1,95 1,23 1,83 1,64 2,41 2,19 2,54
2,50 2,66 2,69 1,37 1,78 1,83 1,74 1,40 2,23
1,40 2,80 2,00 1,52 2,18 2,24 1,15 1,80 1,82
1,90 2,38 2,30 1,81 2,14 2,11 1,66 2,17 2,35

Primeiramente encontramos

e SQRes
y.x
. Usando (15.67), (15.68) e (15.69)
ns obtemos:
E
xx
=
(

2363 1 6791 0
6791 0 0619 1
, ,
, ,
, e
xy
=
(

9394 1
0229 1
,
,
, e
yy
= 3,6036.
Ento por (15.15),

=
1
xx
E e
xy
=
(

6026 1
0617 0
,
,
.
Por (15.77) e (15.81), ns temos:
SQRes
y.x
= 0,5585, SQT
y.x
= 0,7840.
Ento por (15.82),
SQ( | , ) = SQT
y.x
SQRes
y.x
= 0,2254.
A estatstica F para testar H
01
:
1
=
2
=
3
dada por (15.83) como
F =
( ) ( )
[ ] q ) k(n SQRes
k , | SQ
y.x

1
1
=
10 5585 0
2 2254 0
,
,
= 2,0182
Como p-valor = 0,184, no rejeitamos H
01
e conclumos que as classificaes mdias
dos instrutores nos trs cursos so iguais.
Para testar H
02
: = 0, ns usamos (15.84) para obter:
F =
[ ] q ) k(n SQR
q
y.x
xy xx xy

1
1
e E e
= 27,2591
Como p-valor < 0.0001 ns rejeitamos H
02
e conclumos que as classificaes nos
dois cursos tm efeitos significativos sobre a classificao dos instrutores.
342
Antes de testar a homogeneidade dos vetores de coeficientes angulares, H
03
:
1

=
2
=
3
, ns primeiramente estimamos
1
,
2
e
3
usando (15.88):
1

=
1
1

xx,
E
1 xy,
e =
1
4039 0 1900 0
1900 0 4236 0

(

, ,
, ,
(

6254 0
2786 0
,
,
=
(

5703 1
0467 0
,
,

2

=
1
4161 0 2758 0
2758 0 2037 0

(

, ,
, ,
(

6649 0
4370 0
,
,
=
(

7159 1
1781 0
,
,

3

=
1
4163 0 2133 0
2133 0 4346 0

(

, ,
, ,
(

6492 0
3073 0
,
,
=
(

5993 1
0779 0
,
,

Ento por (15.86) e (15.87),
SQRes(completo)
y.x
= e
yy

k
i
xy,i xx,i i xy
1
1
,
e E e = 0,55725
SQRes(reduzido)
y.x
= e
yy
(e
xy
)
1
xx
E e
xy
= 0,55855.
A estatstica F para testar H
03
:
1
=
2
=
3
dada por (15.89) como:
F =
[ ]
) 1 ( ) (
) 1 ( ) ( ) (


q n k completo SQRes
k q completo SQRes reduzido SQRes
y.x
y.x y.x

=
6 55725 0
4 0012993 0
,
,
= 0,003498.
Como o p-valor 1, no rejeitamos H
03
e conclumos que os trs vetores de coeficien-
tes angulares so iguais.


15.6 ANLISE DE COVARINCIA COM MODELOS DESBALANCEADOS
Os resultados apresentados nas sees anteriores foram para modelos ANOVA com
dados balanceados. O caso no qual o modelo ANOVA desbalanceado antes da in-
cluso de uma covarivel foi tratado por Hendrix, Carter e Scott (1982), que tambm
discutiram a heterogeneidade das inclinaes. A abordagem seguinte baseada no
modelo de mdias de caselas do Captulo 14, como sugerido por Bryce (1998).
Para um modelo de anlise de covarincia com uma nica covarivel e um coe-
ficiente de inclinao comum , estendemos o modelo de mdias de caselas (14.3) ou
(14.18) como
y = [W, x]
(

+ = W + x + . (15.90)
343
Este modelo pode ser usado tanto para desbalanceamento nos n
ij
s quanto para
o desbalanceamento inerente nos modelos de anlise de covarincia [ver Bingham e
Feinberg (1982) e um comentrio abaixo de (15.34)]. O vetor contem as mdias
para um modelo one-way como em (14.2), um modelo two-way como em (14.17) ou
algum outro modelo. Hipteses sobre os efeitos principais, interaes, a covarivel,
ou outros efeitos podem ser testadas utilizando contrastes sobre
(

, como na Seo
14.3.
A hiptese H
02
: = 0 pode ser expressa na forma H
02
: [0, , 0, 1]
(

= 0. Para
testar H
02
ns usamos uma estatstica anloga a (14.29) ou (14.32). Para testar a ho-
mogeneidade dos coeficientes angulares, H
03
:
1
=
2
= =
k
para um modelo one-
way (ou H
03
:
1
=
2
= =
a
para os coeficientes angulares dos a nveis do fator A
em um modelo two-way, e assim por diante), ns expandimos o modelo (15.90) para
incluir os
i
s:
y = [W, W
x
]
(

+ = W + W
x
+ , (15.91)
onde = [
1
,
2
, ,
k
] e W
x
tem um nico valor de x
ij
em cada linha com todos os
outros elementos 0s. (O valor de x
ij
em W
x
est na mesma posio que o correspon-
dente 1 em W.) Ento H
03
:
1
=
2
= =
k
pode ser expressa como
H
03
: [0, C]
(

= C = 0,
onde C uma matriz (k 1) x k de posto k 1 tal que Cj = 0. Ns podemos testar
H
03
: C = 0 usando uma estatstica anloga a (14.33).
Restries sobre os s e os s podem ser introduzidas inserindo-se matrizes
no-singulares A e A
x
em (15.91):
y = W
1
A

A + W
x
1
x
A

A
x
+ . (15.92)
A matriz A tem a forma ilustrada em (14.37) para restries sobre os s. A
matriz A
x
proporciona as restries sobre os s. Por exemplo, se:
A
x
=
(

C
j'
,
onde C uma matriz (k 1) x k de posto k 1, tal que Cj = 0 como acima, ento o
modelo (15.92) tem um coeficiente angular comum. Em muitos casos, as matrizes A
e A
x
podero ser a mesma.

344
APNDICE: Programa no proc iml para resolver o Exerccio 15.3.3

proc iml ;
y = {49,61,55,69,51,38,64,68,70,60,53,59,48,46,59,53,54,48,54,53,37};
x = {35,26,29,32,23,26,31,33,35,28,29,32,23,26,33,36,26,30,33,25,23};
t = {1,1,1,1,1,1,1,2,2,2,2,2,2,2,3,3,3,3,3,3,3};
k=3; * nmero de grupos;
n=7; * nmero de repeties por grupo;
nk=n*k; * nmero total de observaes;
In = I(n);
Jn = J(n,n,1);
Ink = I(nk);
Jnk = J(nk,nk,1);
Z = J(nk,1,1)||design(t); * calcula a matriz Z;
PZ = Z*ginv(t(Z)*Z)*t(Z); * calcula P = Z(ginv(Z'Z))Z';
*Calcula as somas de quadrados usando (15.25);
exx = t(X)*(Ink-PZ)*X;
exy = t(X)*(Ink-PZ)*y;
eyy = t(y)*(Ink-PZ)*y;
Beta = exy/exx; * calcula Beta usando (15.26);
*Calcula a SQ resduo ajustado para a covarivel;
SQResyx = eyy - (exy)**2/exx; * calcula SQResy.x usando (15.27);
gl_Ryx = k*(n-1)-1; * calcula gl associado a SQResy.x;
*Calcula a SQ resduo sem o ajuste para a covarivel;
tyy = t(y)*(Ink-Jnk/nk)*y; * calcula tyy usando (15.34);
txy = t(X)*(Ink-Jnk/nk)*y; * calcula txy usando (15.34);
txx = t(X)*(Ink-Jnk/nk)*X; * calcula txx usando (15.34);
SQTyx = tyy - txy**2/txx; * calcula Ty.x usando (15.33);
gl_Tyx = k*n-2; * calcula gl associado Ty.x;
print 'Somas de quadrados importantes',,, exx exy eyy SQResyx gl_Ryx
SQTyx gl_Tyx, Beta /;

Obtendo-se:
Somas de quadrados importantes

EXX EXY EYY SQResYX GL_RYX SQTYX GL_TYX
350.28571 412.71429 1465.7143 979.44529 17 1141.4709 19

BETA
1.1782219

345
*Testando a hiptese H01: alfa1 = alfa2 = alfa3;
SQH01 = SQTyx - SQResyx; * calcula SQ(alfa|mi,beta) usando (15.30);
gl_H01 = gl_Tyx - gl_Ryx; * calcula gl associado SQ(alfa|mi,beta);
F01 = (SQH01/gl_H01)/(SQResyx/gl_Ryx); * calcula F para testar H01
usando (15.31);
Prob_F01 = 1-probf(F01, gl_H01, gl_Ryx); * calcula p-valor para F01;
print 'Testando a hiptese H01: alfa1 = alfa2 = alfa3';
print SQH01 gl_H01 F01 Prob_F01;
print SQResyx gl_Ryx /;

Resultando em:
Testando a hiptese H01: alfa1 = alfa2 = alfa3

SQH01 GL_H01 F01 PROB_F01
162.02561 2 1.40612 0.2721952


SQResYX GL_RYX
979.44529 17



* Testando a hiptese H02: Beta = 0;
SQH02 = exy**2/exx; * calcula SQH0 usando (15.35);
gl_H02 = 1;
F02 = SQH02/(SQResyx/gl_Ryx); * calcula F para testar H02 usando (15.36);
Prob_F02 = 1-probf(F02, gl_H02, gl_Ryx); * calcula p-valor associado a
F02;
print 'Testando a hiptese H02: Beta = 0';
print SQH02 gl_H02 F02 Prob_F02;
print SQResyx gl_Ryx /;

Resultando em:

Testando a hiptese H02: Beta = 0

SQH02 GL_H02 F02 PROB_F02
486.26899 1 8.4400558 0.0098538

SQResYX GL_RYX
979.44529 17



346
* Testando a hiptese H03: Beta1 = Beta2 = Beta3';
x1=x[1:7,]; x2=x[8:14,]; x3=x[15:21,];
XX = block(x1, x2, x3); * constri matriz X como definido em (15.39);
Exx = t(XX)*(Ink-PZ)*XX; * calcula Exx usando (15.41);
exy = t(XX)*(Ink-PZ)*y; * calcula exy usando (15.43);
Betas = inv(Exx)*Exy; * calcula os betas usando (15.45);
SQFyx = eyy-t(Exy)*Betas; * calcula SQRes(completo)y.x usando (15.46);
gl_Fyx=k*(n-2); * calcula gl associado a SQRes(completo)y.x;
SQH03 = SQResyx - SQFyx; * calcula SQH03 usando (15.48);
gl_H03 = gl_Ryx-k*(n-2); * calcula gl associado a SQH03;
F03 = (SQH03/gl_H03)/(SQFyx/gl_Fyx); * calcula F associado a H03;
Prob_F03 = 1-probf(F03, gl_H03, gl_Fyx);* calcula p-valor associado a
F03;
print 'Testando a hiptese H03: Beta1 = Beta2 = Beta3';
print SQH03 gl_H03 F03 Prob_F03;
print SQFyx gl_Fyx, ;
print 'Estimativas de Beta1, Beta2 e Beta3', Betas;
quit;

Testando a hiptese H03: Beta1 = Beta2 = Beta3

SQH03 GL_H03 F03 PROB_F03
98.855707 2 0.8419561 0.4502464

SQFYX GL_FYX
880.58959 15


Estimativas de Beta1, Beta2 e Beta3

BETAS
0.7902778
1.9851351
0.8578629

347
Apndice 2: Programa no proc glm para resolver o Exerccio 15.3.3

data Ex15_3_3;
input Grupo Rep y x;
cards;
1 1 49 35
1 2 61 26
1 3 55 29
1 4 69 32
1 5 51 23
1 6 38 26
1 7 64 31
2 1 68 33
2 2 70 35
2 3 60 28
2 4 53 29
2 5 59 32
2 6 48 23
2 7 46 26
3 1 59 33
3 2 53 36
3 3 54 26
3 4 48 30
3 5 54 33
3 6 53 25
3 7 37 23
;
proc glm data=Ex15_3_3;
title 'Testa as hipteses H01 e H02';
class Grupo;
model y = grupo x / ss2 solution;
run;

Resultando em:
Source DF Type II SS Mean Square F Value Pr > F
Grupo 2 162.0256063 81.0128031 1.41 0.2722 (1)
x 1 486.2689932 486.2689932 8.44 0.0099 (2)

Standard
Parameter Estimate Error t Value Pr > |t|
Intercept 16.46947099 B 12.27500014 1.34 0.1973
Grupo 1 4.81612678 B 4.06386179 1.19 0.2523
Grupo 2 6.57142857 B 4.05724850 1.62 0.1237
Grupo 3 0.00000000 B . . .
X 1.17822186 0.40555935 2.91 0.0099(3)

Onde:
(1) Traz as informaes do teste da hiptese H
01
:
1
=
2
=
3

(2) Traz as informaes do teste da hiptese H
02
: = 0
(3) Traz informaes sobre a estimativa

do coeficiente angular e teste t para a

hiptese H: = 0.
348
proc glm data=Ex15_3_3;
title 'Testar a hiptese H03';
class Grupo;
model y = grupo grupo*x / solution noint ss2;
contrast 'Betas iguais' grupo*x -2 1 1, grupo*x 0 1 -1;
run;

Resulta em:
Contrast DF Contrast SS Mean Square F Value Pr > F
Betas iguais 2 98.85570672 49.42785336 0.84 0.4502 (4)

Standard
Parameter Estimate Error t Value Pr > |t|
Grupo 1 32.48055556 21.99254382 1.48 0.1604
Grupo 2 -0.70540541 22.12062868 -0.03 0.9750
Grupo 3 25.89717742 19.16113371 1.35 0.1966
x*Grupo 1 0.79027778 0.75548164 1.05 0.3121 (5)
x*Grupo 2 1.98513514 0.74520250 2.66 0.0177 (5)
x*Grupo 3 0.85786290 0.64362711 1.33 0.2025 (5)

Onde:
(4) Traz as informaes do teste da hiptese H
01
:
1
=
2
=
3

(5) Traz informaes sobre as estimativas dos coeficientes angulares associados aos
trs grupos e teste t para a hiptese H:
i
= 0, i = 1, 2, 3.

349
Apndice 3: Programa no proc glm para resolver o Exerccio 15.4.1

data Ex15_4_1;
input C A Rep y x;
cards;
1 1 1 6399 160
1 1 2 8456 320
1 1 3 8453 200
1 1 4 4891 160
1 1 5 3491 120
1 2 1 6944 160
1 2 2 6971 160
1 2 3 4053 120
1 2 4 8767 280
1 2 5 6765 160
2 1 1 2490 90
2 1 2 5349 154
2 1 3 5518 160
2 1 4 10417 234
2 1 5 4278 120
2 2 1 4936 160
2 2 2 7376 200
2 2 3 6216 160
2 2 4 10313 240
2 2 5 5124 120
3 1 1 4489 120
3 1 2 10026 245
3 1 3 5659 160
3 1 4 5475 160
3 1 5 11382 320
3 2 1 5731 160
3 2 2 6787 173
3 2 3 5814 134
3 2 4 9607 239
3 2 5 9817 320
;
proc glm;
title 'Testa as hiptese H01 e H02';
class A C;
model y = A C A*C x / ss3 solution noint;
run;

Resultando em:
Testa as hiptese H01 e H02
Source DF Type III SS Mean Square F Value Pr > F
A 1 1375355.1 1375355.1 1.10 0.3061 (1)
C 2 766750.1 383375.0 0.31 0.7398 (2)
A*C 2 932749.5 466374.8 0.37 0.6938 (3)
x 1 109932635.1 109932635.1 87.57 <.0001 (4)

Standard
Parameter Estimate Error t Value Pr > |t|
x 32.0726921 3.427330 9.36 <.0001 (5)

350
Onde:
(1) Traz as informaes do teste da hiptese H
01
:
1
=
2
(fator A)
(2) Traz as informaes do teste da hiptese H
01
:
1
=
2
(fator C)
(3) Traz as informaes do teste da hiptese H
01
:
11
=
12
=
21
=
22
(interao AC)
(4) Traz as informaes do teste da hiptese H
02
: = 0.
(5) Traz informaes sobre a estimativa

do coeficiente angular e teste t para a hi-

ptese H: = 0.


* Fator A: compara os Betas;
proc glm;
title 'Fator A: Testa H03';
class A C;
model y = A C A*C x(A)/ ss1 solution noint;
contrast 'Fator A: Betas iguais' x(A) 1 -1;
run;

Resultando em:

Source DF Type I SS Mean Square F Value Pr > F
A 2 1362431491 681215746 540.72 <.0001
C 2 8841441 4420721 3.51 0.0476
A*C 2 1497573 748786 0.59 0.5605
x(A) 2 111089776 55544888 44.09 <.0001 (6)

Contrast DF Contrast SS Mean Square F Value Pr > F
Fator A: Betas iguais 1 1157140.937 1157140.937 0.92 0.3483 (7)

Standard
Parameter Estimate Error t Value Pr > |t|
x(A) 1 34.906580 4.531216 7.70 <.0001 (8)
x(A) 2 28.251949 5.261352 5.37 <.0001 (8)

Onde:
(6) Traz informaes sobre o teste de que todos os coeficientes angulares para o fator
A so nulos (hiptese de pouca importncia!)
(7) Traz as informaes do teste da hiptese de homogeneidade dos coeficientes
angulares para o fator A.
(8) Traz as estimativas dos coeficientes dos coeficientes angulares (fator A) e teste t
para a hiptese H:
i
= 0, para i = 1, 2.


351
* Fator C: compara os Betas;
proc glm;
title 'Fator C: Testa H03';
class A C;
model y = A C A*C x(C)/ ss1 solution noint;
contrast 'Fator C: Betas iguais' x(C) 2 -1 -1, x(C) 0 1 -1;
run;

Resultando em:

Source DF Type I SS Mean Square F Value Pr > F
A 2 1362431491 681215746 738.65 <.0001
C 2 8841441 4420721 4.79 0.0193
A*C 2 1497573 748786 0.81 0.4575
x(C) 3 119438669 39812890 43.17 <.0001 (9)

Contrast DF Contrast SS Mean Square F Value Pr > F
Fator C:Betas iguais 2 9506034.164 4753017.082 5.15 0.0151 (10)
Standard
Parameter Estimate Error t Value Pr > |t|
x(C) 1 23.210417 4.900700 4.74 0.0001 (11)
x(C) 2 50.085129 6.794143 7.37 <.0001 (11)
x(C) 3 31.669261 4.361080 7.26 <.0001 (11)

Onde:
(9) Traz informaes sobre o teste de que todos os coeficientes angulares para o
fator C so nulos (hiptese de pouca importncia!)
(10) Traz as informaes do teste da hiptese de homogeneidade dos coeficientes na-
gulares para o fator C.
(11) Traz as estimativas dos coeficientes dos coeficientes angulares (fator C) e teste t
para a hiptese H:
j
= 0, para j = 1, 2, 3.