Uma abordagem para análise de dados com medidas repetidas utilizando modelos lineares mistos

• Main Author: Michele Barbosa
• Other Authors: Cesar Goncalves de Lima
• Language: Portuguese
• Published: Universidade de São Paulo 2009
• Subjects: Análise de dados longitudinais; Leite - Experimentos; Medidas repetidas; Modelos lineares; Software livre.; Analysis of longitudinal data; Free software.; Linear models; Milk-experiments; Repeated measures
• Online Access: http://www.teses.usp.br/teses/disponiveis/11/11134/tde-14102009-084734/

No presente trabalho propôs-se uma abordagem simples visando à escolha de um modelo linear misto a ser ajustado a dados com medidas repetidas. A construção do modelo envolveu a escolha dos efeitos aleatórios, dos efeitos fixos e da estrutura de covariâncias utilizando técnicas gráficas e analíticas. O uso do Teste da Razão de Verossimilhança e dos Critérios de Informação de Akaike - AIC e de Schwarz - BIC pode levar a escolhas diferentes da estrutura de covariâncias, o que pode influenciar os resultados das inferências feitas sobre os parâmetros de efeitos fixos. A abordagem foi aplicada a conjuntos de dados resultantes de estudos agropecuários utilizando o software livre R. Foram feitas comparações dos resultados obtidos de modelos implementados com o proc mixed do SAS e com a função lme() do R, observando as vantagens e restrições destes dois softwares. === In this present work was proposed a simple approach to know how to choose a linear mixed model that can be adjustable to data with repeated measures. The construction of the model involved the choice of random effects, the fixed effects and covariance structure, using graphical and analytical techniques. The use of the Likelihood Ratio Test and the Akaike Information Criteria - AIC and Schwarz - BIC can lead to different choices of the structure of covariance, which may influence the results of inferences made about the parameters of fixed effects. The approach was applied to data sets that was resulted from farming studies using the software R. Comparisons of the results of models implemented were made with the proc mixed of SAS and with the function lme() of R, noting the advantages and limitations of these two softwares.