Curso ministrado pelo Professor M.Sc. Walmes Marques Zeviani aos Pesquisadores da Embrapa Arroz e Feijão. O Curso tem o objetivo de apresentar o programa R e sua aplicação na análise de dados de experimentos agronômicos. O Curso será ministrado na sede Embrapa Arroz e Feijão no período de 07 à 11 de novembro de 2011, das 08:00 às 12:00 e 13:00 às 17horas.
<googlemap width="1000px" height="400px" lat="16.502406" lon="-49.281367" type="hybrid" zoom="16">
</googlemap>
—
Introdução a linguagem e interface de trabalho; Importação de dados; Análise exploratória de dados; Testes de significâncias; Análise de regressão linear e não linear; Análise de dados em delineamentos experimentais; Análise de experimentos com respostas do tipo proporção e contagem.
O Curso será importante para aprofundar a teoria de planejamento e análise de experimentos além de instrumentalizar os participantes com as funcionalidades do aplicativo estatístico R e expandir o conhecimento em métodos de análise de dados.
Data | Conteúdo |
---|---|
SEG 07 | Introdução sobre o R, páginas de download e IDEs. Objetos, importação, análise gráfica exploratória, estatística descritiva básica, testes de hipótese e intervalos de confiança, ajuste de modelos de regressão linear. |
TER 08 | Medidas de influência em regressão linear múltipla, predição, considerações sobre o R², testes de hipóteses e contrastes em modelos de regressão. Modelos de regressão não linear, modelos aplicados às ciências agrárias, considerações sobre estimação e obtenção de valores iniciais, ajuste de uma ou mais curvas, teste de hipótese sobre igualdade de parâmetros. |
QUA 09 | Análise de experimentos em delineamento inteiramente casualizado, experimentos em blocos completos casualizados e blocos incompletos. |
QUI 10 | Análise de experimento fatorial duplo com fatores categóricos, análise de covariância, análise de fatorial com fatores contínuos, modelagem da heterogeneidade de variâncias, uso de pesos no ajuste. |
SEX 11 | Análise de experimento fatorial com ajuste de polinômios, análise de experimentos em parcela subdivida, subsubdividida e dados longitudinais, análise conjunta de experimentos, análise de dados de proporção (glm binomial). |
Clique para responder o questionário sobre avaliação do Curso. Não é necessário identificação. O questionário serve para aperfeiçoamento do Curso, portanto, resposta às questões com total sinceridade. Certo de sua colaboração, agradeço.
# instala os pacotes oficiais usados durante curso via web install.packages(c('agricolae', 'aod', 'car', 'contrast', 'DTK', 'ellipse', 'fBasics', 'fmsb', 'GAD', 'geoR', 'gmodels', 'gplots', 'HH', 'laercio', 'lattice', 'latticeExtra', 'lme4', 'MASS', 'multcomp', 'mutoss', 'nlme', 'nls2', 'nlstools', 'plotrix', 'plyr', 'reshape', 'rpanel', 'ScottKnott', 'gWidgetsRGtk2'), dep=TRUE, repos='http://cran-r.c3sl.ufpr.br/') # link para a página de download do pacote ExpDes browseURL(URLencode("https://sites.google.com/site/ericbferreira/unifal/downloads-1"))
#----------------------------------------------------------------------------- # diretório web onde estão os arquivos dire <- "http://www.leg.ufpr.br/~walmes/ensino/ce223-2011-01/" #----------------------------------------------------------------------------- # lendo a tabela com nome dos arquivos (via ctrol+c) tab <- read.table("clipboard", header=FALSE, sep="\t", stringsAsFactors=FALSE) str(tab) #----------------------------------------------------------------------------- # segunda coluna corresponde ao nome dos arquivos arq <- tab$V2 #----------------------------------------------------------------------------- # suponha que eu queira apenas os arquivos de extensão *.R, eles são extR <- grep(".R$", arq, value=TRUE) #----------------------------------------------------------------------------- # formar o nome dos links para download, colocar o wget antes pois é o comando links <- paste("wget ", dire, extR, sep="") links[1] #----------------------------------------------------------------------------- # usar a função system() para fazer download com wget sapply(links, system) #----------------------------------------------------------------------------- # pronto, todos os downloads foram feitos. Agora você pode ir na página desses # caras sabidões e ter as notas de aulas, arquivos, seminários para poder # aprender. Visite essas páginas: # http://www.commanster.eu/ # http://socserv.mcmaster.ca/jfox/ # http://www.stat.wisc.edu/~bates/ # http://www.stat.missouri.edu/~ferreiram/ # http://www.isid.ac.in/~deepayan/ # http://www.math.mcmaster.ca/~bolker/ #-----------------------------------------------------------------------------
# gera dados da <- data.frame(x=runif(100), z=5*rpois(100, lambda=7), w=runif(100, 50, 100)) da$y <- with(da, 12+0.1*x+0.05*z+0.34*w+0.2*sqrt(z)+0.1*x*w)+rnorm(100,0,0.1) # vetor com as fórmulas específicando diferentes modelos lineares form <- c(mod1=y~x, mod2=y~x+z, mod3=y~x+I(x^2), mod4=y~x+z+w) # ajuste dos modelos ajustes <- lapply(form, function(f){ m0 <- lm(f, data=da); m0 }) lapply(ajustes, summary) # quadro geral de estimativas e qualidade lapply(ajustes, anova) # quadro de anova sequencial lapply(ajustes, coef) # vetor de estimativas sapply(ajustes, function(a){ summary(a)$r.squared}) # R² sapply(ajustes, function(a){ summary(a)$adj.r.squared}) # R² ajustado sapply(ajustes, function(a){ summary(a)$sigma}) # QMR sapply(ajustes, deviance) # SQR sapply(ajustes, df.residual) # GLR lapply(ajustes, function(a){ summary(a)$coeff}) # tabela de estimativas do.call(rbind, lapply(ajustes, function(a){ summary(a)$coeff})) # junta das tabelas sapply(ajustes, fitted) # valores ajustados sapply(ajustes, residuals) # resíduos da análise sapply(ajustes, vcov) # matriz de covariância das estimativas apply(sapply(ajustes, residuals), 2, shapiro.test) # normalidade dos resíduos
# importa dados soja <- read.table("http://www.leg.ufpr.br/~walmes/cursoR/soja.txt", header=TRUE, sep="\t", dec=",") str(soja) # ajusta um modelo e pede anova m1 <- aov(rengrao~bloco+agua*potassio, soja) anova(m1) # cria uma lista com as variáveis resposta respostas <- do.call(c, apply(soja[,4:7], 2, list)) do.call(c, respostas) # faz o ajuste para todas as respostas ajustes <- lapply(respostas, function(r){ m0 <- aov(r~bloco+agua*potassio, data=soja) m0 }) # pede todas as anovas lapply(ajustes, anova) # extrai o QMR com o sinal da significância e salva numa planilha xls QMR <- do.call(cbind, lapply(ajustes, function(a){ qmr <- anova(a)[,"Mean Sq"] sig <- anova(a)[,"Pr(>F)"] sig <- ifelse(sig<=0.01,"**", ifelse(sig<=0.05,"*","ns")) sig[is.na(sig)] <- "" qmr <- formatC(qmr, digits=4, format="f") paste(qmr, sig, sep="") })) quadro <- cbind(FV=rownames(anova(m1)), GL=anova(m1)[,"Df"], QMR) write.table(quadro, file="resumoanova.xls", quote=FALSE, row.names=FALSE, sep="\t")
volume.txt
, aplicar uma transformação para corrigir a heterogeneidade de variâncias.Dê sua opinião e me ajude a melhorar o curso. Critique, comente, sugira, tire dúvidas, peça a inclusão de novos procedimentos, discuta, expresse-se. Sua opinião é muito importante.
search?q=pessoais%3Awalmes%3Acursorufgd%3Adiscussion&btnI=lucky
~~DISCUSSION~ ~