1. RI UFLA
  2. Programas de Pós-Graduação - Teses e Dissertações
  3. Estatística e Experimentação Agropecuária - Doutorado (Teses)
Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/1713
Registro completo de metadados
Campo DCValorIdioma
dc.creatorSouza, Francisco Regilson-
dc.date.accessioned2014-02-26T20:07:33Z-
dc.date.available2014-02-26T20:07:33Z-
dc.date.copyright2014-
dc.date.issued2014-02-26-
dc.date.submitted2013-07-18-
dc.identifier.citationSOUZA, F. R. Modelagem de experimentos planejados com respostas discretas. 2013. 92 p. Tese (Doutorado em Estatística e Experimentação Agropecuária) - Universidade Federal de Lavras, Lavras, 2014.pt_BR
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/1713-
dc.descriptionTese apresentada à Universidade Federal de Lavras, como parte das exigências do Programa de Pós-Graduação em Estatística e Experimentação Agropecuária, área de concentração em Estatística e Experimentação Agropecuária, para a obtenção do título de Doutor.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)pt_BR
dc.description.sponsorshipFundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG)pt_BR
dc.languagept_BRpt_BR
dc.publisherUNIVERSIDADE FEDERAL DE LAVRASpt_BR
dc.rightsacesso abertopt_BR
dc.subjectModelo binomialpt_BR
dc.subjectModelo Poissonpt_BR
dc.subjectModelo linear generalizadopt_BR
dc.subjectModelo linear generalizado mistopt_BR
dc.subjectBinomial modelpt_BR
dc.subjectPoisson modelpt_BR
dc.subjectGeneralized linear modelpt_BR
dc.subjectGeneralized linear mixed modelpt_BR
dc.titleModelagem de experimentos planejados com respostas discretaspt_BR
dc.title.alternativeModelling planned experiments with discrete responsespt_BR
dc.typetesept_BR
dc.publisher.programDEX - Programa de Pós-graduaçãopt_BR
dc.publisher.initialsUFLApt_BR
dc.publisher.countryBRASILpt_BR
dc.description.concentrationEstatística e Experimentação Agropecuáriapt_BR
dc.contributor.advisor1Bueno Filho, Júlio Sílvio de Souza-
dc.contributor.referee1Muniz, Joel Augusto-
dc.contributor.referee1Balestre, Marcio-
dc.contributor.referee1Ledo, Carlos Alberto da Silva-
dc.contributor.referee1Tavares, Marcelo-
dc.description.resumoMuitos experimentos planejados apresentam valores discretos para a variável resposta. Nestes casos é comum utilizar os modelos lineares generalizados (MLG) para analisar os dados. Quando se tomam observações em cada unidade experimental (UE), o modelo deveria considerar a variação entre UE. No entanto, sabe-se que o modelo usual (MLG) não o faz, ocasionando diagnósticos como superdispersão e falta de ajuste do modelo. Neste trabalho se apresenta uma justificativa para utilização dos modelos lineares generalizados mistos (MLGM) como opção para esses casos, adicionando um componente aleatório no preditor linear, para capturar as variações entre UE existentes. Isto é feito comparando as duas análises em experimentos simulados com respostas discretas (oriundas ou da distribuição binomial ou da Poisson). Foi considerado um arranjo experimental de UE em um delineamento inteiramente casualizado e simulados experimentos supondo que os efeitos destas UE eram conhecidos. As respostas dos tratamentos foram combinadas às das UE em um modelo linear . A partir daí, simulou-se respostas discretas usando os inversos das ligações canônicas dos modelos binomial e Poisson. Os experimentos resultantes foram analisados das duas formas (MLG e MLGM). As análises foram feitas usando Software R 2.14 com 4.000 simulações para cada configuração, com diferentes valores de . Foram utilizados como parâmetros de comparação: Taxas de erro tipo I, Deviance residual, critério de informação de Akaike – AIC, critério bayesiano de Schwarz – BIC e o acurácia das estimativas de efeitos (em relação aos valores paramétricos conhecidos). Para o caso binomial, a análise MLGM preservou as taxas de erro tipo I o que não ocorreu com o MLG cujas taxas excederam sistematicamente os valores nominais. Para resposta Poisson, a análise MLGM também foi consideravelmente mais rigorosa que o MLG. Os critérios de informação do ajuste foram sempre melhores no MLGM em comparação com o MLG, o mesmo ocorrendo com a acurácia. Em todas as situações analisadas os MLGM mostraram-se mais bem ajustados aos dados dos experimentos do que os MLG e devem ser utilizados em sua substituição.pt_BR
dc.description.resumoMany planned experiments present discrete values for the response variable. In these cases it is common practice to use Generalized Linear Models (GLM) to analyze the data. When m observations are taken (m>1) from each experimental unit (EU) the model should consider the variations between EU. However, it is known that that is not the case with GLM, casing diagnostics with overdispersion and lack of model adjustment. In this dissertation we present a justification for the use of Generalized Linear Mixed Model (GLMM) as an option for these cases, adding a random effect component to the linear predictor in order to capture the variation between EU. This is done comparing both analyses in simulated experiments with discrete responses (derived from either Binomial or Poisson distributions). We considered an EU experimental arrangement in a completely randomized design and simulated experiments in which we supposed that the effects of the EU were known. The responses from the treatments were to those of the EU in a linear model. From this, discrete responses were simulated using the inverse of the canonical link functions for Binomial and Poisson distributions. The resulting experiments were analyzed using GLMM and GLM. Analyses were conducted using R 2.14 software with 4000 simulations per configuration, with different m values. Comparisons were based on: Type I error rates, Residual Deviance, Akaike´s Information Criterion, Bayesian (Schwarz) Information Criterion and accuracy of estimated effects (related to known parametric values). For the Binomial case, the GLMM analysis preserved the type I error rates which did not occur with the GLM, in which the rates systemically exceeded the nominal values. For the Poisson case, GLMM analysis was also considerably more rigorous than GLM analysis. The information criteria of the adjustment were always better in GLMM than in GLM, the same occurring with the accuracy. In all analyzed situations the GLMM was more well-adjusted to the experimental data and should be used to replace GLM.pt_BR
dc.subject.cnpqCNPQ_NÃO_INFORMADOpt_BR
Aparece nas coleções:Estatística e Experimentação Agropecuária - Doutorado (Teses)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
TESE_Modelagem de experimentos planejados com respostas discretas.pdf988,96 kBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Recomendar este item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.