ANÁLISE DE VARIÂNCIA MULTIVARIADA - MANOVA

Apresentação em tema: "ANÁLISE DE VARIÂNCIA MULTIVARIADA - MANOVA"— Transcrição da apresentação:

1 ANÁLISE DE VARIÂNCIA MULTIVARIADA - MANOVA
Outubro de 2008

2 OBJETIVOS DA AULA Usar o R para realizar análises de variância univariadas (aov) e multivariadas (manova). Realizar comparações simultâneas no caso de rejeição da hipótese nula de ausência de efeito de tratamento.

3 EXEMPLO 1 Para começar vamos trabalhar com a base de dados milk.txt.
Descrição dos dados: as unidades de observação referem-se a caminhões de transporte de leite e os dados observados são custos (combustível, consertos, capital) associados ao veículo. O fator refere-se ao tipo de combustível que pode ser gasolina ou diesel.

4 Dados de transporte de leite
Primeiro, é necessário verificar se as suposições básicas do modelo são plausíveis: normalidade e variância constante. milk=read.table( Para isso vamos usar as funções Shapiro.test (verifica a normalidade dos dados) e var.test (realiza um teste de comparação das variâncias nos dois tipos de combustível).

5 Dados de transporte de leite
Verificadas as suposições básicas, estamos prontos para realizar a análise de variância univariada para verificar a hipótese de não haver diferença nas médias de custo de combustível. comb=aov(milk$x1~milk$comb)

6 TABELA ANOVA PARA CUSTO DE COMBUSTÍVEL
summary(comb) g.l. SQ QM F p-valor tratamento , ,96 2,7874 0,1007 resíduos , ,16 Total ,76 Portanto, não rejeitamos a hipótese nula de igualdade entre os custos médios de combustível.

7 Análise de variância do custo sobre consertos
cons=aov(milk$x2~milk$comb) summary(cons) g.l. SQ QM F p-valor tratamento , , * resíduos , Portanto, ao nível de significância de 5%, rejeitamos a hipótese nula de igualdade entre as médias de custo de conserto para os dois tipos de caminhão.

8 Análise de variância do custo sobre capital
cap=aov(milk$x3~milk$comb) summary(cap) gl SQ QM F p-valor Tratamento , ,25 39, e-08 Residuals , ,85 Portanto, para esse custo também rejeitamos a hipótese nula.

9 Análise de variância multivariada
Agora vamos realizar a análise de variância multivariada. Observe que aqui também é necessário verificar as suposições básicas do modelo, a saber, normalidade, variância igual e independência entre as diferentes observações. Será necessário carregar o pacote stats do R.

10 ESTATÍSTICAS PARA TESTAR A HIPÓTESE DE AUSÊNCIA DE EFEITO DE TRATAMENTO
Vimos em aula a estatística lambda de Wilks dada pela razão entre os determinantes da matriz de somas de quadrados e produtos cruzados devida aos resíduos sobre o determinante da matriz de somas de quadrados e produtos cruzados da variação total. Quanto menor for o valor dessa estatística, maior a evidência a favor da hipótese nula de ausência de efeito de tratamento.

11 Estatística de Hotelling-Lawley: Estatística de Pillai:
ESTATÍSTICAS PARA TESTAR A HIPÓTESE DE AUSÊNCIA DE EFEITO DE TRATAMENTO Outras estatísticas usadas para esse teste são baseadas nos auto-valores da matriz Sejam Estatística de Hotelling-Lawley: Estatística de Pillai: Estatística de Roy: os respectivos auto-valores

12 ESTATÍSTICAS PARA TESTAR A HIPÓTESE DE AUSÊNCIA DE EFEITO DE TRATAMENTO
O R calcula todas essas estatísticas. Voltando aos dados de transporte de leite, suponha que após análise inicial, as suposições básicas do modelo tenham sido consideradas adequadas (normalidade, variâncias iguais e independência das observações).

13 MANOVA Após carregar o pacote stats, defina o vetor-resposta Y de dimensão 3 por: Y=cbind(milk$x1,milk$x2,milk$x3) Defina o fator combustível por classe=milk$comb Faça então: geral=manova(Y~classe) geral2=summary.manova(geral)

14 Call: manova(Y ~ classe)
Terms: classe Residuals resp resp resp Deg. of Freedom Residual standard error: geral2$SS $classe [,1] [,2] [,3] [1,] [2,] [3,] $Residuals [1,] [2,] [3,]

15 geralW=summary.manova(geral,test="Wilks")
geralP=summary.manova(geral,test="Pillai") geralR=summary.manova(geral,test="Roy") geralHL=summary.manova(geral,test="Hotelling-Lawley") Df Wilks approx F num Df den Df Pr(>F) classe e-08 *** Df Pillai approx F num Df den Df Pr(>F) classe e-08 *** Df Roy approx F num Df den Df Pr(>F) classe e-08 *** Df Hotelling-Lawley approx F num Df den Df Pr(>F) classe e-08 *** Residuals 55 Signif. codes: 0 ‘***’ ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

16 Resultado Verifica-se então que os dados não trazem evidência a favor da hipótese nula, de modo que rejeita-se H0.

17 Comparações Múltiplas
Quando a hipótese de ausência de efeito de tratamento é rejeitada, os efeitos que levaram à rejeição da hipótese são de interesse. Para comparações duas a duas, a abordagem de Bonferroni pode ser usada para construir intervalos simultâneos de confiança para as diferenças dos efeitos de tratamento tomados dois a dois. Esses intervalos serão mais estreitos que os intervalos simultâneos T2 obtidos para todos os contrastes.

18 MODELO

19

20

21

22

23 No exemplo de transporte de leite, a hipótese nula foi rejeitada.
Obtenha os intervalos de confiança de Bonferroni. Observe que como k=2 e p=3, teremos ao todo 3 contrastes a serem analisados, referindo-se às diferenças nas médias de cada uma das três componentes.

24 Como exercício obtenha os três intervalos e tire
Suas conclusões.

25 Como segunda atividade vamos analisar os dados crabs sobre medidas morfológicas de duas espécies de caranguejos. Será necessário carregar o pacote MASS para obter os dados.