The hardware and bandwidth for this mirror is donated by dogado GmbH, the Webhosting and Full Service-Cloud Provider. Check out our Wordpress Tutorial.
If you wish to report a bug, or if you are interested in having us mirror your free-software or open-source project, please feel free to contact us at mirror[@]dogado.de.
Exemplo: Experimento em DBC com dados
Mistos
Alcinei Mistico Azevedo (ICA-UFMG)
2024-04-08
Ativando o pacote
Após a instalação do pacote é preciso ativa-lo. Para isso, deve-se
utilizar a função library ou require
library(MultivariateAnalysis)
#> ############################################################
#> Obrigado por utilizar o MultivariateAnalysis
#> Author: Alcinei Mistico Azevedo (ICA-UFMG)
#> Veja tutoriais sobre este e outros pacotes no youtube:
#> https://www.youtube.com/channel/UCDGyvLCJnv9RtTY1YMBMVNQ
#> Se inscreva e compartilhe para ajudar o canal a crescer.
#> ############################################################
Abrindo o conjunto de dados
Posteriormente, deve-se carregar no R o conjunto de dados a serem
analizados. Isso pode ser feito de diferentes formas.
Uma possibilidade é utilizando a função read.table.
Neste exemplo vamos trabalhar com o banco de dados do pacote, o qual
pode ser carregado com a função data.
data("Dados.DBC.Misto")
head(Dados.DBC.Misto)
#> Acesso Bloco ProdCom ProdTot NumRaiz CorRama TamRama TipoLobulosFolha
#> 1 Arruba 1 20.042 32.500 2.500 1 6 5
#> 2 Cambraia 1 19.125 34.500 2.625 3 5 7
#> 3 Cariruvermelha 1 27.917 46.542 4.500 9 5 7
#> 4 Coquinha 1 6.875 10.625 3.000 1 6 5
#> 5 Espanhola 1 17.958 26.833 3.000 1 6 5
#> 6 Licuri 1 27.083 39.208 5.333 1 6 7
#> FormatoLobulo PigmentacaoNervura CorFolha
#> 1 6 7 3
#> 2 6 7 4
#> 3 6 5 9
#> 4 6 7 1
#> 5 6 6 3
#> 6 6 4 4
Analise de variancia Multivariada
Quando se quer saber se há diferença entre os “Tratamentos” do ponto
de vista multivariado, pode-se fazer a analise de variância
multivariada. Para isso, deve-se utilizar a função MANOVA.
Dessa função deve-se considerar o delineamento desejado no argumento
Modelo:
1 = Delineamento inteiramente casualizado (DIC)
2 = Delineamento em blocos casualizados (DBC)
3 = Delineamento em quadrado latino (DQL)
4 = Esquema fatorial em DIC
5 = Esquema fatorial em DBC
Res=MANOVA(Dados.DBC.Misto[,1:5],Modelo=2)
Res
#> __________________________________________________________________________
#> MANOVA com o teste Pillai
#> Df Pillai approx F num Df den Df
#> Trat 9 1.42080007707336 2.69908842404249 27 81
#> Bloco 3 0.850965245237817 3.56378005994039 9 81
#> Residuals 27
#> Pr(>F)
#> Trat 0.000319509414350262
#> Bloco 0.000902575136153416
#> Residuals
#>
#> MANOVA com o teste Wilks
#> Df Wilks approx F num Df den Df
#> Trat 9 0.0955012834922687 3.36866086165212 27 73.6552121942445
#> Bloco 3 0.35647163286373 3.57701543314339 9 60.9940366951145
#> Residuals 27
#> Pr(>F)
#> Trat 1.93403537406567e-05
#> Bloco 0.0012660522907648
#> Residuals
#>
#> MANOVA com o teste Hotelling
#> Df Hotelling-Lawley approx F num Df den Df
#> Trat 9 4.85767878020045 4.25796535054607 27 71
#> Bloco 3 1.27524841232468 3.35343101018712 9 71
#> Residuals 27
#> Pr(>F)
#> Trat 5.17749339202821e-07
#> Bloco 0.00179807124388821
#> Residuals
#>
#> MANOVA com o teste Roy
#> Df Roy approx F num Df den Df
#> Trat 9 3.93880792222087 11.8164237666626 9 27
#> Bloco 3 0.694133101322297 6.24719791190067 3 27
#> Residuals 27
#> Pr(>F)
#> Trat 2.76081734174698e-07
#> Bloco 0.00231769557967965
#> Residuals
#>
#> As medias dos tratamentos podem ser acessados com o $Med
#> Os Graus de liberdade do residuo podem ser acessados com o $GLres
#> A matriz de (co)variancias residuais pode ser acessada com o $CovarianciaResidual
#> __________________________________________________________________________
Obtenção de medidas de dissimilaridade
Muitas são as opções que este pacote oferece de medidas de
dissimilaridade. Convidamos os usuários a ler o manual da funcao
Distancia (?Distancia).
Para se ter diferentes medidas de dissimilaridade basta colocar o
respectivo numero no argumento Metodo dentro da função
Distancia:
Dissimilaridade para os dados quantitativos:
1 = Distancia euclidiana.
2= Distancia euclidiana media.
3 = Quadrado da distancia euclidiana media.
4 = Distancia euclidiana padronizada.
5 = Distancia euclidiana padronizada media.
6 = Quadrado da distancia euclidiana padronizada media.
7 = Distancia de Mahalanobis.
8 = Distancia de Cole Rodgers.
DadosMed=Res$Med
DistMaha=Distancia(DadosMed,Metodo = 7,Cov = Res$CovarianciaResidual)
Informações importantes podem ser obtidas dessa matriz com a função
SummaryDistancia:
resumo=SummaryDistancia(DistMaha)
resumo
#> _________________________________________________________________________
#> Tabela com o resumo da matriz dissimilaridade
#> Medio Minimo Maximo sd MaisProximo MaisDistante
#> Arruba 3.80 0.09 8.88 3.44 Palmas TCarro1
#> Cambraia 4.06 0.26 11.16 3.71 Palmas Coquinha
#> Cariruvermelha 8.79 0.95 25.92 8.85 Licuri Coquinha
#> Coquinha 14.30 4.00 30.71 9.09 TCarro2 TCarro1
#> Espanhola 3.91 0.13 9.52 3.36 Arruba TCarro1
#> Licuri 6.74 0.95 19.04 6.48 Cariruvermelha Coquinha
#> Palmas 3.77 0.09 9.54 3.59 Arruba Coquinha
#> Princesa 4.84 1.79 13.35 4.33 Espanhola Coquinha
#> TCarro1 11.39 3.25 30.71 9.61 Cariruvermelha Coquinha
#> TCarro2 11.27 4.00 24.68 7.94 Coquinha TCarro1
#>
#> Menor Distancia: 0.08995549
#> Maior Distancia: 30.70898
#> Media das Distancias: 7.286518
#> Amplitude das Distancias: 30.61903
#> Desvio Padrao das Distancias: 7.265315
#> Coeficiente de variacao das Distancias: 99.70901
#> Individuos mais proximos: Arruba Palmas
#> Individuos mais distantes: Coquinha TCarro1
#> _________________________________________________________________________
Dissimilaridade para os dados qualitativos:
Opções de medidas para dados qualitativos
Dados qualitativos: binarios ou multicategoricos
9 = Frequencia de coincidencia.
10 = Frequencia de discordancia.
11 = indice Inverso de 1+coincidencia = 1/(1+c)
Dadosquali=Dados.DBC.Misto[,6:11]
#Excluindo os valores NA
id=is.na(Dadosquali$CorFolha)==FALSE
Dadosquali2=Dadosquali[id,]
#Colocando o nome dos tratamentos na matriz
rownames(Dadosquali2)=Dados.DBC.Misto[id,1]
Distquali=Distancia(Dadosquali2,Metodo = 10)
Obtendo a média ponderada das matrizes de dissimilaridade
#Criando list com as matrizes
dissimilaridades=list(DistMaha,Distquali)
n=c(ncol(DadosMed),ncol(Dadosquali2))
#Calculando a media ponderada
DistMisto=MediaDistancia(dissimilaridades,n)
DistMisto
#> Arruba Cambraia Cariruvermelha Coquinha Espanhola
#> Cambraia 0.44784038
#> Cariruvermelha 0.62137298 0.38988736
#> Coquinha 0.19938334 0.56561782 0.83692668
#> Espanhola 0.11251594 0.56437701 0.62767207 0.29614257
#> Licuri 0.37228812 0.37048266 0.45478809 0.53998338 0.37638866
#> Palmas 0.44542087 0.66952651 0.71910793 0.65912197 0.44781930
#> Princesa 0.68704895 0.68766317 0.48901959 0.81153120 0.57494561
#> TCarro1 0.65189350 0.41233327 0.47974207 0.88888889 0.76997345
#> TCarro2 0.50042758 0.73296801 0.90727161 0.59893358 0.50091940
#> Licuri Palmas Princesa TCarro1
#> Cambraia
#> Cariruvermelha
#> Coquinha
#> Espanhola
#> Licuri
#> Palmas 0.58358742
#> Princesa 0.70958440 0.68675915
#> TCarro1 0.62648640 0.75464494 0.70554673
#> TCarro2 0.73598043 0.06915459 0.78707948 0.93454414
Obtendo Dendrograma para as 3 medidas de dissimilaridade
A fim de resumir as informações da matriz de dissimilaridade a fim de
melhorar a visualização da dissimilaridade, pode-se fazer um Dendrograma
com o auxilio da função Dendrograma. Varios algoritimos
podem ser utilizados para a construção deste Dendrograma. Para isso,
deve-se indicar no argumento Metodo:
1 = Ligacao simples (Metodo do vizinho mais proximo).
2 = Ligacao completa (Metodo do vizinho distante).
3 = Ligacao media entre grupo (UPGMA).
4 = Metodo de Ward.
5 = Metodo de ward (d2).
6= Metodo da mediana (WPGMC).
7= Metodo do centroide (UPGMC).
8 = Metodo mcquitty (WPGMA).
#Dendrograma com o metodo UPGMA
Dendrograma(DistMaha,Metodo=3,Titulo="Dados quantiativos")
#> _________________________________________________________________________
#> Estimativa de correlacao cofenetica:
#> [1] 0.7302818
#> Significancia da correlacao cofenetica pelo teste Mantel
#> pvalor: 0.001
#> Hipotese alternativa: A correlacao e maior que 0
#>
#> Criterio de Corte
#> k=1.25
#> 9.215353
#>
#> Agrupamentos
#> Cluster
#> Arruba 1
#> Cambraia 1
#> Cariruvermelha 1
#> Coquinha 2
#> Espanhola 1
#> Licuri 1
#> Palmas 1
#> Princesa 1
#> TCarro1 1
#> TCarro2 2
#> _________________________________________________________________________
Dendrograma(Distquali,Metodo=3, Titulo="Dados qualitativos")
#> _________________________________________________________________________
#> Estimativa de correlacao cofenetica:
#> [1] 0.8915022
#> Significancia da correlacao cofenetica pelo teste Mantel
#> pvalor: 0.001
#> Hipotese alternativa: A correlacao e maior que 0
#>
#> Criterio de Corte
#> k=1.25
#> 0.9039087
#>
#> Agrupamentos
#> Cluster
#> Arruba 1
#> Cambraia 1
#> Cariruvermelha 1
#> Coquinha 1
#> Espanhola 1
#> Licuri 1
#> Palmas 1
#> Princesa 2
#> TCarro1 1
#> TCarro2 1
#> _________________________________________________________________________
Dendrograma(DistMisto,Metodo=3,Titulo= "Qualitativos + Quantiativos")
#> _________________________________________________________________________
#> Estimativa de correlacao cofenetica:
#> [1] 0.788377
#> Significancia da correlacao cofenetica pelo teste Mantel
#> pvalor: 0.001
#> Hipotese alternativa: A correlacao e maior que 0
#>
#> Criterio de Corte
#> k=1.25
#> 0.6697798
#>
#> Agrupamentos
#> Cluster
#> Arruba 1
#> Cambraia 2
#> Cariruvermelha 2
#> Coquinha 1
#> Espanhola 1
#> Licuri 2
#> Palmas 1
#> Princesa 2
#> TCarro1 2
#> TCarro2 1
#> _________________________________________________________________________
Adcionalmente, pode-se fazer o agrupamento Tocher com o auxilio da
função Tocher:
#> _________________________________________________________________________
#> Agrupamento Tocher
#> Cluster1:
#> Palmas TCarro2 Arruba Espanhola Coquinha
#>
#> Cluster2:
#> Cambraia Licuri Cariruvermelha
#>
#> Cluster3:
#> Princesa
#>
#> Cluster4:
#> TCarro1
#>
#> Distancia intra e intercluster:
#> Cluster1 Cluster2 Cluster3 Cluster4
#> Cluster1 0.3829839 0.6200606 0.7094729 0.7999890
#> Cluster2 0.6200606 0.4050527 0.6287557 0.5061872
#> Cluster3 0.7094729 0.6287557 0.0000000 0.7055467
#> Cluster4 0.7999890 0.5061872 0.7055467 0.0000000
#>
#>
#> Correlacao Cofenetica: 0.7114534
#> pvalor: 0.001 baseado no teste Mantel
#> Hipotese alternativa: A correlacao e maior que 0
#> _________________________________________________________________________
Estimativas de correção entre as medidas de dissimilaridade
CorrelacaoMantel(DistMaha,DistMisto)
#> Estimativa de correlacao: 0.5400622
#> P-valor obtido pelo teste Mantel: 0.002
#> Hipotese alternativa: bilateral
CorrelacaoMantel(DistMaha,Distquali)
#> Estimativa de correlacao: 0.1649969
#> P-valor obtido pelo teste Mantel: 0.365
#> Hipotese alternativa: bilateral
CorrelacaoMantel(Distquali,DistMisto)
#> Estimativa de correlacao: 0.9191985
#> P-valor obtido pelo teste Mantel: 0.001
#> Hipotese alternativa: bilateral
These binaries (installable software) and packages are in development.
They may not be fully stable and should be used with caution. We make no claims about them.
Health stats visible at Monitor.