terça-feira, 19 de maio de 2020

Aula 20/05/2020

- Terminar com todos os detalhes de arranjos fatoriais de tratamentos
- Gráficos de Controle - Uniformidade - Capacidade
- Chi Quadrado
- Planejar Apresentações:
   - Robson Machine Learning - Instalação
   - Suélen Regressão Logística (e Series Temporais Utilizando Random Forest)
   - Tamires dados de mestrado
   - Gustavo Trabalho de Mestrado
   - Gabriela Dissertação
   - Gabriel Dissertação



Postado por às Nenhum comentário:

Fatorial sem Interação - Programa e Dados

Fatorial sem Interação - Programa e Dados
Autora: Ana Carolina Donofre





data fatorial;

input Linhagem $ Densidade $ GP;

cards;

C 10 2.44

C 10 2.39

C 10 2.42

C 10 2.45

C 14 2.03

C 14 1.99

C 14 2.05

C 14 2.07

C 18 1.78

C 18 1.83

C 18 1.81

C 18 1.73

R 10 2.37

R 10 2.30

R 10 2.34

R 10 2.38

R 14 1.88

R 14 1.90

R 14 1.87

R 14 1.92

R 18 1.65

R 18 1.69

R 18 1.70

R 18 1.67

;

proc print;
run;
/* Linhagem e Densidade sao os fatores sao causa do fenomeno
   GP é a variavel de resposta efeito do fenomeno
Exemplo Tamires:
 model Efi Bio PH Sal Ac_Org = Tratamento (veja que é somente 1 fator: Tratamento e 
    5 variaveis de resposta)
 manova 
 Novo Fator Tempo
 model Efi Bio PH Sal Ac_Org = Tratamento Tempo Tratamento*Tempo agora sao dois fatores 
       e 5 variaveis de resposta)
       Tempo: Niveis (7_dias 14_dias 21_dias)
Gustavo: Existe o Teste de Friedman que permite trabalhar com dosi fatores de forma
         Nao Parametrica, porem nao sei se trabalha com interação       
*/   
   
Proc glm;
class Linhagem Densidade;
model GP = Linhagem Densidade Linhagem*Densidade;
means Linhagem / Tukey lines alpha= 0.01;
means Densidade / Tukey lines;
run;



Fatorial sem Interação - Resultados
Autora: Ana Carolina Donofre





ObsLinhagemDensidadeGP
1C102.44
2C102.39
3C102.42
4C102.45
5C142.03
6C141.99
7C142.05
8C142.07
9C181.78
10C181.83
11C181.81
12C181.73
13R102.37
14R102.30
15R102.34
16R102.38
17R141.88
18R141.90
19R141.87
20R141.92
21R181.65
22R181.69
23R181.70
24R181.67

The GLM Procedure

Class Level Information
ClassLevelsValues
Linhagem2C R
Densidade310 14 18
Number of Observations Read24
Number of Observations Used24

The GLM Procedure

 

Dependent Variable: GP

SourceDFSum of SquaresMean SquareF ValuePr > F
Model51.835150000.36703000365.00<.0001
Error180.018100000.00100556  
Corrected Total231.85325000   
R-SquareCoeff VarRoot MSEGP Mean
0.9902331.5640200.0317102.027500
SourceDFType I SSMean SquareF ValuePr > F
Linhagem10.072600000.0726000072.20<.0001
Densidade21.758325000.87916250874.31<.0001
Linhagem*Densidade20.004225000.002112502.100.1514
SourceDFType III SSMean SquareF ValuePr > F
Linhagem10.072600000.0726000072.20<.0001
Densidade21.758325000.87916250874.31<.0001
Linhagem*Densidade20.004225000.002112502.100.1514

The GLM Procedure


The GLM Procedure

 

Tukey's Studentized Range (HSD) Test for GP

Note:This test controls the Type I experimentwise error rate, but it generally has a higher Type II error rate than REGWQ.

Alpha0.05
Error Degrees of Freedom18
Error Mean Square0.001006
Critical Value of Studentized Range2.97105
Minimum Significant Difference0.0272

The GLM Procedure

 


The GLM Procedure

 

Tukey's Studentized Range (HSD) Test for GP

Note:This test controls the Type I experimentwise error rate, but it generally has a higher Type II error rate than REGWQ.

Alpha0.05
Error Degrees of Freedom18
Error Mean Square0.001006
Critical Value of Studentized Range3.60930
Minimum Significant Difference0.0405




Postado por às Nenhum comentário:

Arranjo Fatorial de Tratamentos com Interação

Arranjo Fatorial de Tratamentos com Interação

Videoaulas:
https://www.youtube.com/watch?v=UHijiDGwNt8&authuser=0
https://www.youtube.com/watch?v=gQOmMDbbsGo&authuser=0
https://www.youtube.com/watch?v=ALDHPEWB1Eo&authuser=0



- Fatorial - Interação
Arranjo Fatorial de Tratamentos

- Interação (ou relacionamento entre os fatores) no Fatorial
  - Comparações de um fator dentro do outro 

Sites Legais:
- http://paginapessoal.utfpr.edu.br/sheilaro/AULA11DelineamentoFatorial.pdf/at_download/file
 http://sweet.ua.pt/andreia.hall/Bioestat%C3%ADstica/ANOVAcontinua.pdf
- Livro Montgomery - Experimental Designs
   https://2alamen.files.wordpress.com/2008/10/design-and-analysis-of-experiments-5th-edition-douglas-c-montgomery.pdf
   https://www.sas.com/storefront/aux/en/spdesignanlysisjmp/66584_excerpt.pdf.

https://2alamen.files.wordpress.com/2008/10/design-and-analysis-of-experiments-5th-edition-douglas-c-montgomery.pdf
data fatorial;
input Genero $ Categ $ IMC;
/* Fatorial 2 x 4 */
cards;
F AT 19.7
F AT 20.3
F AT 19.3
F AT 20.9
F SEM 22.4
F SEM 21.9
F SEM 23.8
F SEM 24.1
F SED  26.3
F SED  23.5
F SED  24.8
F SED  26.6
F PR 26.2
F PR 24.2
F PR 25.4
F PR 24.9
M AT 20.2
M AT 21.3
M AT 19.3
M AT 21.1
M SEM 21.2
M SEM 20.1
M SEM 19.7
M SEM 21.1
M SED  27.3
M SED  23.4
M SED  25.2
M SED  26.4
M PR 22.3
M PR 22.2
M PR 22.1
M PR 23.3
;
proc print;
run;
Proc glm;
/* glm : General Liner Models */
class Genero Categ;
/* Agora são 2 Fatores
Clasificatorios no One Way ANOVA 
era somente um Ex. Somente Categorias
nao tinha Genero */
model IMC = Genero Categ Genero*Categ;
run;

The GLM Procedure

Class Level Information
ClassLevelsValues
Genero2F M
Categ4AT PR SED SEM
Number of Observations Read32
Number of Observations Used32

The GLM Procedure

 

Dependent Variable: IMC

SourceDFSum of SquaresMean SquareF ValuePr > F
Model7151.587187521.655312519.38<.0001
Error2426.81750001.1173958  
Corrected Total31178.4046875   
R-SquareCoeff VarRoot MSEIMC Mean
0.8496824.6305581.05706922.82813
SourceDFType I SSMean SquareF ValuePr > F
Genero110.237812510.23781259.160.0058
Categ3123.743437541.247812536.91<.0001
Genero*Categ317.60593755.86864585.250.0063
SourceDFType III SSMean SquareF ValuePr > F
Genero110.237812510.23781259.160.0058
Categ3123.743437541.247812536.91<.0001
Genero*Categ317.60593755.86864585.250.0063






/*lsmeans Genero*Categ / slice=Genero adjust=tukey PDIFF=all;
lsmeans Genero*Categ / slice=Categ adjust=tukey PDIFF=all;
run;*/
means Genero / Tukey lines;




Tabela de Médias Aritméticas


AT

PR

SED

SEM

F

20,05

25,175

25,3

23,05

M

20,475

22,475

25,575

20,525




Variações do programa:
Proc glm;
class Genero Categ;
model IMC = Genero Categ Genero*Categ;

lsmeans Genero*Categ / slice=Genero adjust=tukey PDIFF=all;
lsmeans Genero*Categ / slice=Categ adjust=tukey PDIFF=all;
/*
lsmeans Categ;
means Categ / Tukey lines;

means Genero*Categ / tukey lines;
*/

run;



Para Calculo de Efeitos Principais:
Proc anova;
class Genero Categ;
model IMC = Genero Categ Genero*Categ;
means Categ / Tukey lines;

run;
Arquivo de Saida (Tipo Word) para download:




Fazer os gráficos no Excel utilizando tabela dinâmica.

Gráficos para comparação de Categorias de Atividade Física dentro de cada um dos níveis do Fator Gênero, ou seja comparação de Nível de Atividade Física dento do Gênero Feminino e mesma coisa dentro do Nível Masculino:






Agora colocando as Letras das Comparações Múltiplas:



Podemos ver que os gráficos são diferentes, e que as concussões estatísticas também o são.
Veja que no gráfico do gênero feminino professor e sedentário não diferem (as duas barras, medias aritméticas tem a letra A).
No gratifico do Gênero Masculino as categorias Sedentário Professor diferem (Sedentário tem letra A e Professor letra B).





Gráficos para Comparação entre Gêneros dentro de Categorias de Atividade Física:









Veja que tivemos resultados diferentes entre sexos, considerando as categorias Atletas e Professores:
No primeiro gráfico de comparação entre gêneros, dentro da categoria Atletas, temos que a media de Masculino foi maior do que Feminino e que não existem diferenças estatisticamente significativas entre os gêneros (somente a Letra A).
Essa inversão de medias e a falta de diferença significativa dentro do Nível Atleta para os Gêneros e diferença significativa entre os gêneros para a Categoria Professores, indicam a presença de interação, o que corrobora a significância de interação (p < 0.0063) no quadro de ANOVA.

No segundo gráfico para a categoria Professores, temos uma inversão de medias, a maior foi para o Gênero Feminino, sendo que a diferença é significativa estatisticamente.




Foto das Louças Onde Discutimos os Resultados







Agora Podemos Analisar o Fatorial como Um One Way ANOVA com 2*4 = 8 Níveis de um único fator:

Fazermos isso! Resultado para Download, colocar!





Postado por às Nenhum comentário:
Assinar: Postagens (Atom)