Vejamos agora a análise de covariância do exemplo da apostila do curso. Clique aqui para ver e copiar o arquivo com conjunto de dados para sua área de trabalho.
Começamos com a leitura e organização dos dados. Note que neste caso temos 2 variáveis numéricas, a resposta ( resp) e a covariável (cov).
> ex12 <- read.table("exemplo12.txt", header=T) > ex12 > dim(ex12) [1] 15 3 > names(ex12) [1] "maq" "cov" "resp" > > ex12$maq <- as.factor(ex12$maq) > is.numeric(ex12$cov) [1] TRUE > is.numeric(ex12$resp) [1] TRUE > > summary(ex12) maq cov resp 1:5 Min. :15.00 Min. :32.0 2:5 1st Qu.:21.50 1st Qu.:36.5 3:5 Median :24.00 Median :40.0 Mean :24.13 Mean :40.2 3rd Qu.:27.00 3rd Qu.:43.0 Max. :32.00 Max. :49.0
Na análise de covariância os testes de significância tem que ser obtidos em ajustes separados. Isto é porque não temos ortogonalidade entre os fatores.
Primeiro vamos testar o intercepto (coeficiente ) da reta de regressão. Na análise de variância abaixo devemos considerar apenas o teste referente à variável cov que neste caso está corrigida para o efeito de maq. Note que para isto a variável cov tem que ser a última na especificação do modelo.
> ex12.av <- aov(resp ~ maq + cov, data=ex12) > summary(ex12.av) Df Sum Sq Mean Sq F value Pr(>F) maq 2 140.400 70.200 27.593 5.170e-05 *** cov 1 178.014 178.014 69.969 4.264e-06 *** Residuals 11 27.986 2.544 --- Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
A seguir testamos o efeito do fator maq corrigindo para o efeito da covariável. Para isto basta inverter a ordem dos termos na especificação do modelo.
> ex12.av <- aov(resp ~ cov + maq, data=ex12) > summary(ex12.av) Df Sum Sq Mean Sq F value Pr(>F) cov 1 305.130 305.130 119.9330 2.96e-07 *** maq 2 13.284 6.642 2.6106 0.1181 Residuals 11 27.986 2.544 --- Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1Paulo Justiniano Ribeiro Jr