Baixe o app para aproveitar ainda mais
Prévia do material em texto
Na última aula... ✓ Por que não posso parar só na ANAVA? ➢ Pois a ANAVA só mostra que há diferença entre seus tratamentos, mas para saber onde ela está, é preciso realizar um teste de médias (para fatores qualitativos) ou uma análise de regressão (para fatores quantitativos) ✓ Pra que serve o teste de médias? ➢ Para comparar as médias entre os tratamentos e te dizer onde está a diferença entre eles, mostrando qual foi melhor e qual foi pior ✓ Como o teste de médias consegue dizer qual tratamento diferiu do outro? ➢ Ele compara a diferença entre as médias dos tratamentos com um parâmetro chamado de diferença mínima significante (DMS). Valores superiores ao DMS são considerados diferentes. Valores inferiores são considerados iguais ✓ Como o teste identifica o que é diferente do que é igual? ➢ Através de letras. Mesma letra = igualdade entre os tratamentos. Letras diferentes = diferença entre os tratamentos. ANAVA Pr > Fc = probabilidade de os tratamentos serem iguais entre si ▪ Se a probabilidade deles serem iguais for > 5% (0,05), aceita-se que não existem diferenças entre os tratamentos ▪ Se a probabilidade deles serem iguais for < 5% (0,05), aceita-se que existem diferenças entre os tratamentos Probabilidade dos tratamentos serem iguais é de apenas 2,24% (0,0224) → Logo, aceita-se que existem diferenças entre os tratamentos ANAVA Ok, a análise de variância mostrou que eu tenho diferença entre meus tratamentos. Mas e agora? Como saber qual é o melhor e qual é o pior? Teste de médias Regressão Fatores qualitativos ✓ Cultivares ✓ Produtos ✓ Tipos de manejo Fatores quantitativos ✓ Doses (0,0; 0,1; 0,2; 0,3; 0,4 L ha-1) ✓ Épocas (0; 3; 6; 9; 12 dias após o fungicida) ✓ População (100; 200; 300; 400 mil plantas ha-1) Análise de regressão Prof. Msc. Gabriel Bressiani Melo Exemplo 1 População de plantas x Produtividade Imagine que você está testando cinco populações de plantas (100, 200, 300, 400 e 500 mil plantas ha-1), ou seja, um fator quantitativo... Você já executou a ANAVA e observou que houve diferença significativa entre os tratamentos... Análise de regressão População Repetição PROD 100 1 4.782 100 2 5.087 100 3 4.871 100 4 4.877 Média 4.904 200 1 4.455 200 2 4.897 200 3 4.560 200 4 4.765 Média 4.669 300 1 4.632 300 2 3.957 300 3 4.300 300 4 4.854 Média 4.436 400 1 4.721 400 2 4.859 400 3 4.911 400 4 4.393 Média 4.721 500 1 4.028 500 2 4.051 500 3 4.419 500 4 4.259 Média 4.189 Como se comportará a produtividade a medida que eu aumento minha população?? Vai aumentar ou diminuir? Para obter essas informações você precisa realizar uma análise de regressão Qual população de plantas vai ser mais produtiva, e qual vai ser menos? População Repetição PROD 100 1 4.782 100 2 5.087 100 3 4.871 100 4 4.877 Média 4.904 200 1 4.455 200 2 4.897 200 3 4.560 200 4 4.765 Média 4.669 300 1 4.632 300 2 3.957 300 3 4.300 300 4 4.854 Média 4.436 400 1 4.721 400 2 4.859 400 3 4.911 400 4 4.393 Média 4.721 500 1 4.028 500 2 4.051 500 3 4.419 500 4 4.259 Média 4.189 Quando se está trabalhando com fatores quantitativos (que seguem uma escala de proporção numérica) é possível saber não apenas qual é o melhor tratamento, mas também como a variável se comporta a medida que você diminui ou aumenta o nível dos seus tratamentos. Se eu fizer um gráfico relacionando as médias obtidas com os níveis dos meus tratamentos, eu terei um diagrama de dispersão. Análise de regressão 4904 4669 4436 4721 4189 3900 4200 4500 4800 5100 100 200 300 400 500 P ro d u ti v id a d e ( k g h a -1 ) População de plantas (mil plantas ha-1) Com o diagrama de dispersão pronto, agora eu ierei testar modelos que expliquem o comportamento dos meus dados. Existem diversos tipos de modelos de ajuste dos pontos. Entretanto, na agronomia, só se consegue explicar modelos lineares (em linha reta) ou quadráticos (em curva). Análise de regressão População de plantas + + - - P ro d u ti v id a d e Linear População de plantas + + - - P ro d u ti v id a d e Quadrático Para saber qual modelo explica melhor às suas médias, é realizada a ANAVA da regressão para testar o ajuste de cada um dos modelos (linear ou quadrático) Análise de regressão FV GL SQ QM Fc Regressão Linear (RL.) 1 (ΣC1T)² / RK1 SQRL. / GLRL. QMRL. / QMRes. Regressão Quadrática (RQ.) 1 (ΣC2T)² / RK2 SQRQ. / GLRQ. QMRQ. / QMRes. Desvío da Regressão (DR.) GLTrat. - (GLRL. + GLRQ.) SQTrat. - (SQRL. + SQRQ.) SQDR. / GLDR. QMDR. / QMRes. Resíduo (Res.) (Nt - 1) * (Nr - 1) (SQTot. - SQTrat. - SQBloc.) SQRes. / GLRes. Legenda Letra Referência Nt Número de tratamentos Nr Número de repetições Após a etapa da ANAVA, é calculado o R², que nada mais é do que o coeficiente de ajuste do modelo, ou seja, o quanto aquele modelo consegue explicar seus resultados. Além disso, é calculado a equação do modelo para poder calcular sua linha de tendência. Também é calculado o ponto de máxima (ponto de maior valor), ou seja, descobrir qual o melhor tratamento Análise de regressão Modelos R² a b c Valor de y X máximo Regressão Linear (RL.) (SQRL. / SQTrat.) - (B1*M1) / q Ӯ + ((B1*M1*( * -1)) / q) y = c + bx - Regressão Quadrática (RQ.) (SQRL. + SQRQ.) / SQTrat. (B2*M2) / q² ((B2*M2*2*( * -1)) / q²) + ((B1*M1) / q) Ӯ + ((B1*M1*( * -1)) / q) + (B2*M2*(( / q)²-2)) y = c + bx + ax² |b / (2*a)| Fatores Variáveis Fórmula Letra Referência B1 RL ΣC1*T / Nr*K1 Nt número de tratamentos B2 RQ ΣC2*T / Nr*K2 Nr número de repetições q - X2 - X1 Np número de parcelas Médio X1 + X2 + X3 + X4 + X5 / Nt ΣTR² somatório dos tratamentos ao quadrado P1 RL Z Σy somatório do total P2 RQ Z²- (Nt)² -1) / 12) Σy² somatório das parcelas² Z RL (X - ) / q ΣB² total dos blocos² Z² RQ ((X - ) / q))² Ӯ Média de todo o experimento X1, X2, X3, X... Valores dos níveis do tratamento Fórmulas Legenda Modelos R² a b c Valor de y X máximo Regressão Linear (RL.) (SQRL. / SQTrat.) - (B1*M1) / q Ӯ + ((B1*M1*( * -1)) / q) y = c + bx - Regressão Quadrática (RQ.) (SQRL. + SQRQ.) / SQTrat. (B2*M2) / q² ((B2*M2*2*( * -1)) / q²) + ((B1*M1) / q) Ӯ + ((B1*M1*( * -1)) / q) + (B2*M2*(( / q)²-2)) y = c + bx + ax² |b / (2*a)| Fatores Variáveis Fórmula Letra Referência B1 RL ΣC1*T / Nr*K1 Nt número de tratamentos B2 RQ ΣC2*T / Nr*K2 Nr número de repetições q - X2 - X1 Np número de parcelas Médio X1 + X2 + X3 + X4 + X5 / Nt ΣTR² somatório dos tratamentos ao quadrado P1 RL Z Σy somatório do total P2 RQ Z²- (Nt)² -1) / 12) Σy² somatório das parcelas² Z RL (X - ) / q ΣB² total dos blocos² Z² RQ ((X - ) / q))² Ӯ Média de todo o experimento X1, X2, X3, X... Valores dos níveis do tratamento Fórmulas Legenda Encontrar o melhor tratamento Escolhendo o modelo ideal Análise de regressão Quando a regressão linear (b1) for significativa à 5% (0,05), significa que ela pode explicar o comportamento das médias Quando a regressão quadrática (b2) for significativa à 5% (0,05), significa que ela pode explicar o comportamento das médias Quando o desvio da regressão for significativo à 5% (0,05), significa que nenhum dos dois modelos consegue explicar o comportamento dos dados População Repetição PROD 100 1 4.782 100 2 5.087 100 3 4.871 100 4 4.877 Média 4.904 200 1 4.455 200 2 4.897 200 3 4.560 200 4 4.765 Média 4.669 300 1 4.632 300 2 3.957 300 3 4.300 300 4 4.854 Média4.436 400 1 4.721 400 2 4.859 400 3 4.911 400 4 4.393 Média 4.721 500 1 4.028 500 2 4.051 500 3 4.419 500 4 4.259 Média 4.189 Ambos os modelos são significativos Análise de regressão Como os dois modelos forem significativos, para escolher entre um deles, é preciso observar qual deles tem o maior R², ou seja, qual se ajusta melhor aos seus dados. Obs.: o R² precisa ser maior que 60% Como o R² foi muito próximo, o último critério é escolher qual modelo se encaixa melhor nos resultados esperados, ou seja, se qual deles vai explicar melhor os resultados encontrados Linear Quadrática R² muito próximos Escolhendo o modelo ideal População Repetição PROD 100 1 4.782 100 2 5.087 100 3 4.871 100 4 4.877 Média 4.904 200 1 4.455 200 2 4.897 200 3 4.560 200 4 4.765 Média 4.669 300 1 4.632 300 2 3.957 300 3 4.300 300 4 4.854 Média 4.436 400 1 4.721 400 2 4.859 400 3 4.911 400 4 4.393 Média 4.721 500 1 4.028 500 2 4.051 500 3 4.419 500 4 4.259 Média 4.189 Observando os dados, nota-se uma tendência de diminuição linear da produtividade com o aumento da população de plantas. Neste caso, o modelo linear se encaixa melhor, ou seja, explica melhor o comportamento dos dados Análise de regressão 4904 4669 4436 4721 4189 3900 4200 4500 4800 5100 100 200 300 400 500 P ro d u ti v id a d e ( k g h a -1 ) População de plantas (mil plantas ha-1) Diagrama de dispersão Escolhendo o modelo ideal População Repetição PROD 100 1 4.782 100 2 5.087 100 3 4.871 100 4 4.877 Média 4.904 200 1 4.455 200 2 4.897 200 3 4.560 200 4 4.765 Média 4.669 300 1 4.632 300 2 3.957 300 3 4.300 300 4 4.854 Média 4.436 400 1 4.721 400 2 4.859 400 3 4.911 400 4 4.393 Média 4.721 500 1 4.028 500 2 4.051 500 3 4.419 500 4 4.259 Média 4.189 Depois de escolhido o modelo e feito os cálculos das equações, basta colocar os valores de X (seus tratamentos, Ex.: 100, 200, 300...) na equação para encontrar os valores de Y correspondentes. Quando fizer isto você terá os valores observados, que foram aqueles que você obteve, e os valores estimados, aqueles calculados pela equação. Análise de regressão 4904 4669 4436 4721 4189 4859 4721 4583 4446 4308 3900 4200 4500 4800 5100 100 200 300 400 500 P ro d u ti v id a d e ( k g h a -1 ) População de plantas (mil plantas ha-1) População Repetição PROD 100 1 4.782 100 2 5.087 100 3 4.871 100 4 4.877 Média 4.904 200 1 4.455 200 2 4.897 200 3 4.560 200 4 4.765 Média 4.669 300 1 4.632 300 2 3.957 300 3 4.300 300 4 4.854 Média 4.436 400 1 4.721 400 2 4.859 400 3 4.911 400 4 4.393 Média 4.721 500 1 4.028 500 2 4.051 500 3 4.419 500 4 4.259 Média 4.189 Análise de regressão 4904 4669 4436 4721 4189 4859 4721 4583 4446 4308 3900 4200 4500 4800 5100 100 200 300 400 500 P ro d u ti v id a d e ( k g h a -1 ) População de plantas (mil plantas ha-1) Depois de escolhido o modelo e feito os cálculos das equações, basta colocar os valores de X (seus tratamentos, Ex.: 100, 200, 300...) na equação para encontrar os valores de Y correspondentes. Quando fizer isto você terá os valores observados, que foram aqueles que você obteve, e os valores estimados, aqueles calculados pela equação. Agora, é só traçar uma linha (linha de tendência), interligando os pontos dos valores estimados. População Repetição PROD 100 1 4.782 100 2 5.087 100 3 4.871 100 4 4.877 Média 4.904 200 1 4.455 200 2 4.897 200 3 4.560 200 4 4.765 Média 4.669 300 1 4.632 300 2 3.957 300 3 4.300 300 4 4.854 Média 4.436 400 1 4.721 400 2 4.859 400 3 4.911 400 4 4.393 Média 4.721 500 1 4.028 500 2 4.051 500 3 4.419 500 4 4.259 Média 4.189 Análise de regressão 4904 4669 4436 4721 4189 4859 4721 4583 4446 4308 3900 4200 4500 4800 5100 100 200 300 400 500 P ro d u ti v id a d e ( k g h a -1 ) População de plantas (mil plantas ha-1) Depois de escolhido o modelo e feito os cálculos das equações, basta colocar os valores de X (seus tratamentos, Ex.: 100, 200, 300...) na equação para encontrar os valores de Y correspondentes. Quando fizer isto você terá os valores observados, que foram aqueles que você obteve, e os valores estimados, aqueles calculados pela equação. Agora, é só traçar uma linha (linha de tendência), interligando os pontos dos valores estimados. Por fim, é só colocar a legenda com a equação e o valor do R² y = 4997,10 – 1,377x; R² = 61,97% População Repetição PROD 100 1 4.782 100 2 5.087 100 3 4.871 100 4 4.877 Média 4.904 200 1 4.455 200 2 4.897 200 3 4.560 200 4 4.765 Média 4.669 300 1 4.632 300 2 3.957 300 3 4.300 300 4 4.854 Média 4.436 400 1 4.721 400 2 4.859 400 3 4.911 400 4 4.393 Média 4.721 500 1 4.028 500 2 4.051 500 3 4.419 500 4 4.259 Média 4.189 Análise de regressão Tudo pronto! Agora, observando o gráfico você consegue descrever como se comporta a variável de acordo com o aumento dos níveis de seus tratamentos... ...ou seja, no caso deste exemplo, você é capaz de dizer que a medida em que se aumenta a população de plantas, ocorre redução linear na produtividade, sendo a maior produtividade obtida na população de 100 mil e a menor na população de 500 mil plantas ha-1. 4904 4669 4436 4721 4189 4859 4721 4583 4446 4308 3900 4200 4500 4800 5100 100 200 300 400 500 P ro d u ti v id a d e ( k g h a -1 ) População de plantas (mil plantas ha-1) y = 4997,10 – 1,377x; R² = 61,97% Exemplo 2 Doses de um adubo x Produtividade Agora, Imagine que você está testando cinco doses de um adubo (400, 500, 600, 700 e 800 kg ha-1), ou seja, um fator quantitativo... Você já executou a ANAVA e observou que houve diferença significativa entre os tratamentos... Análise de regressão Como se comportará a produtividade a medida que eu aumento as doses do meu adubo? Para obter essas informações você precisa realizar uma análise de regressão Qual dose de adubo vai resultar em maior produtividade? DOSES Repetição PROD 400 1 4.001 400 2 4.002 400 3 3.999 400 4 3.998 Média 4.000 500 1 4.242 500 2 4.250 500 3 4.260 500 4 4.238 Média 4.248 600 1 4.520 600 2 4.530 600 3 4.510 600 4 4.502 Média 4.516 700 1 4.252 700 2 4.280 700 3 4.200 700 4 4.260 Média 4.248 800 1 3.990 800 2 4.050 800 3 4.020 800 4 3.999 Média 4.015 DOSES Repetição PROD 400 1 4.001 400 2 4.002 400 3 3.999 400 4 3.998 Média 4.000 500 1 4.242 500 2 4.250 500 3 4.260 500 4 4.238 Média 4.248 600 1 4.520 600 2 4.530 600 3 4.510 600 4 4.502 Média 4.516 700 1 4.252 700 2 4.280 700 3 4.200 700 4 4.260 Média 4.248 800 1 3.990 800 2 4.050 800 3 4.020 800 4 3.999 Média 4.015 Se eu fizer um gráfico relacionando as médias obtidas com os níveis dos meus tratamentos, eu terei meu diagrama de dispersão. Análise de regressão 4000 4248 4516 4248 4015 3800 4000 4200 4400 4600 400 500 600 700 800 P ro du ti v id a d e ( k g h a -1 ) Doses adubo (kg ha-1) Com o diagrama de dispersão pronto, agora eu ierei testar modelos que expliquem o comportamento dos meus dados. Existem diversos tipos de modelos de ajuste dos pontos. Entretanto, na agronomia, só se consegue explicar modelos lineares (em linha reta) ou quadráticos (em curva). Análise de regressão Doses adubo + + - - P ro d u ti v id a d e Linear Doses adubo + + - - P ro d u ti v id a d e Quadrático Para saber qual modelo explica melhor às suas médias, é realizada a ANAVA da regressão para testar o ajuste de cada um dos modelos (linear ou quadrático) Análise de regressão FV GL SQ QM Fc Regressão Linear (RL.) 1 (ΣC1T)² / RK1 SQRL. / GLRL. QMRL. / QMRes. Regressão Quadrática (RQ.) 1 (ΣC2T)² / RK2 SQRQ. / GLRQ. QMRQ. / QMRes. Desvío da Regressão (DR.) GLTrat. - (GLRL. + GLRQ.) SQTrat. - (SQRL. + SQRQ.) SQDR. / GLDR. QMDR. / QMRes. Resíduo (Res.) (Nt - 1) * (Nr - 1) (SQTot. - SQTrat. - SQBloc.) SQRes. / GLRes. Legenda Letra Referência Nt Número de tratamentos Nr Número de repetições Doses adubo Doses adubo Após a etapa da ANAVA, é calculado o R², que nada mais é do que o coeficiente de ajuste do modelo, ou seja, o quanto aquele modelo consegue explicar seus resultados. Além disso, é calculado a equação do modelo para poder calcular sua linha de tendência. Também é calculado o ponto de máxima (ponto de maior valor), ou seja, descobrir qual o melhor tratamento Análise de regressão Modelos R² a b c Valor de y X máximo Regressão Linear (RL.) (SQRL. / SQTrat.) - (B1*M1) / q Ӯ + ((B1*M1*( * -1)) / q) y = c + bx - Regressão Quadrática (RQ.) (SQRL. + SQRQ.) / SQTrat. (B2*M2) / q² ((B2*M2*2*( * -1)) / q²) + ((B1*M1) / q) Ӯ + ((B1*M1*( * -1)) / q) + (B2*M2*(( / q)²-2)) y = c + bx + ax² |b / (2*a)| Fatores Variáveis Fórmula Letra Referência B1 RL ΣC1*T / Nr*K1 Nt número de tratamentos B2 RQ ΣC2*T / Nr*K2 Nr número de repetições q - X2 - X1 Np número de parcelas Médio X1 + X2 + X3 + X4 + X5 / Nt ΣTR² somatório dos tratamentos ao quadrado P1 RL Z Σy somatório do total P2 RQ Z²- (Nt)² -1) / 12) Σy² somatório das parcelas² Z RL (X - ) / q ΣB² total dos blocos² Z² RQ ((X - ) / q))² Ӯ Média de todo o experimento X1, X2, X3, X... Valores dos níveis do tratamento Fórmulas Legenda Modelos R² a b c Valor de y X máximo Regressão Linear (RL.) (SQRL. / SQTrat.) - (B1*M1) / q Ӯ + ((B1*M1*( * -1)) / q) y = c + bx - Regressão Quadrática (RQ.) (SQRL. + SQRQ.) / SQTrat. (B2*M2) / q² ((B2*M2*2*( * -1)) / q²) + ((B1*M1) / q) Ӯ + ((B1*M1*( * -1)) / q) + (B2*M2*(( / q)²-2)) y = c + bx + ax² |b / (2*a)| Fatores Variáveis Fórmula Letra Referência B1 RL ΣC1*T / Nr*K1 Nt número de tratamentos B2 RQ ΣC2*T / Nr*K2 Nr número de repetições q - X2 - X1 Np número de parcelas Médio X1 + X2 + X3 + X4 + X5 / Nt ΣTR² somatório dos tratamentos ao quadrado P1 RL Z Σy somatório do total P2 RQ Z²- (Nt)² -1) / 12) Σy² somatório das parcelas² Z RL (X - ) / q ΣB² total dos blocos² Z² RQ ((X - ) / q))² Ӯ Média de todo o experimento X1, X2, X3, X... Valores dos níveis do tratamento Fórmulas Legenda Encontrar o melhor tratamento DOSES Repetição PROD 400 1 4.001 400 2 4.002 400 3 3.999 400 4 3.998 Média 4.000 500 1 4.242 500 2 4.250 500 3 4.260 500 4 4.238 Média 4.248 600 1 4.520 600 2 4.530 600 3 4.510 600 4 4.502 Média 4.516 700 1 4.252 700 2 4.280 700 3 4.200 700 4 4.260 Média 4.248 800 1 3.990 800 2 4.050 800 3 4.020 800 4 3.999 Média 4.015 Escolhendo o modelo ideal Análise de regressão Quando a regressão linear (b1) for significativa à 5% (0,05), significa que ela pode explicar o comportamento das médias Quando a regressão quadrática (b2) for significativa à 5% (0,05), significa que ela pode explicar o comportamento das médias Quando o desvio da regressão for significativo à 5% (0,05), significa que nenhum dos dois modelos consegue explicar o comportamento dos dados Ambos os modelos são significativos DOSES Repetição PROD 400 1 4.001 400 2 4.002 400 3 3.999 400 4 3.998 Média 4.000 500 1 4.242 500 2 4.250 500 3 4.260 500 4 4.238 Média 4.248 600 1 4.520 600 2 4.530 600 3 4.510 600 4 4.502 Média 4.516 700 1 4.252 700 2 4.280 700 3 4.200 700 4 4.260 Média 4.248 800 1 3.990 800 2 4.050 800 3 4.020 800 4 3.999 Média 4.015 Observando os dados, nota-se um comportamento em curva da produtividade em relação as doses do adubo, portanto o modelo quadrático se encaixa bem, ou seja, consegue explicar o comportamento dos dados Análise de regressão 4000 4248 4516 4248 4015 3800 4000 4200 4400 4600 400 500 600 700 800 P ro d u ti v id a d e ( k g h a -1 ) Doses adubo (kg ha-1) Escolhendo o modelo ideal Análise de regressão Agora, basta observar o valor do coeficiente de ajuste (R²) para ter certeza que terá um bom ajuste do modelo ao comportamento dos dados. Obs.: o R² precisa ser maior que 60% Quadrática Escolhendo o modelo ideal DOSES Repetição PROD 400 1 4.001 400 2 4.002 400 3 3.999 400 4 3.998 Média 4.000 500 1 4.242 500 2 4.250 500 3 4.260 500 4 4.238 Média 4.248 600 1 4.520 600 2 4.530 600 3 4.510 600 4 4.502 Média 4.516 700 1 4.252 700 2 4.280 700 3 4.200 700 4 4.260 Média 4.248 800 1 3.990 800 2 4.050 800 3 4.020 800 4 3.999 Média 4.015 Depois de escolhido o modelo e feito os cálculos das equações, basta colocar os valores de X (seus tratamentos, Ex.: 400, 500, 600...) na equação para encontrar os valores de Y correspondentes. Quando fizer isto você terá os valores observados, que foram aqueles que você obteve, e os valores estimados, aqueles calculados pela equação. Análise de regressão 4000 4248 4516 4248 4015 3985 4309 4419 4315 3997 3800 4000 4200 4400 4600 400 500 600 700 800 P ro d u ti v id a d e ( k g h a -1 ) Doses adubo (kg ha-1) DOSES Repetição PROD 400 1 4.001 400 2 4.002 400 3 3.999 400 4 3.998 Média 4.000 500 1 4.242 500 2 4.250 500 3 4.260 500 4 4.238 Média 4.248 600 1 4.520 600 2 4.530 600 3 4.510 600 4 4.502 Média 4.516 700 1 4.252 700 2 4.280 700 3 4.200 700 4 4.260 Média 4.248 800 1 3.990 800 2 4.050 800 3 4.020 800 4 3.999 Média 4.015 Análise de regressão Depois de escolhido o modelo e feito os cálculos das equações, basta colocar os valores de X (seus tratamentos, Ex.: 400, 500, 600...) na equação para encontrar os valores de Y correspondentes. Quando fizer isto você terá os valores observados, que foram aqueles que você obteve, e os valores estimados, aqueles calculados pela equação. Agora, é só traçar uma linha (linha de tendência), interligando os pontos dos valores estimados. 4000 4248 4516 4248 4015 3985 4309 4419 4315 3997 3800 4000 4200 4400 4600 400 500 600 700 800 P ro d u ti v id a d e ( k g h a -1 ) Doses adubo (kg ha-1) DOSES Repetição PROD 400 1 4.001 400 2 4.002 400 3 3.999 400 4 3.998 Média 4.000 500 1 4.242 500 2 4.250 500 3 4.260 500 4 4.238 Média 4.248 600 1 4.520 600 2 4.530 600 3 4.510 600 4 4.502 Média 4.516 700 1 4.252 700 2 4.280 700 3 4.200 700 4 4.260 Média 4.248 800 1 3.990 800 2 4.050 800 3 4.020 800 4 3.999 Média4.015 Análise de regressão Depois de escolhido o modelo e feito os cálculos das equações, basta colocar os valores de X (seus tratamentos, Ex.: 400, 500, 600...) na equação para encontrar os valores de Y correspondentes. Quando fizer isto você terá os valores observados, que foram aqueles que você obteve, e os valores estimados, aqueles calculados pela equação. Agora, é só traçar uma linha (linha de tendência), interligando os pontos dos valores estimados. Agora é preciso colocar a legenda com a equação e o valor do R² y = 551,58 + 12,861x – 0,0107x²; R² = 89,8% 4000 4248 4516 4248 4015 3985 4309 4419 4315 3997 3800 4000 4200 4400 4600 400 500 600 700 800 P ro d u ti v id a d e ( k g h a -1 ) Doses adubo (kg ha-1) Análise de regressão Em uma regressão quadrática, também é possível calcular o ponto de máxima, ou seja, o valor do tratamento que resultou no maior valor da variável analisada. No caso deste exemplo, é a dose do adubo que resultou na maior produtividade. Para calcular o ponto de máxima e descobrir qual é a melhor dose, basta usar a fórmula: |b/(2*a)| → b = constante que acompanha o x; a = constante que acompanha x² Depois de calculado o ponto de máxima, é possível descobrir qual foi o maior valor de produtividade obtido. Basta substituir o valor do ponto de máxima no X da equação. Neste exemplo a equação da regressão foi: y = 551,58 + 12,861x – 0,0107x² → substituindo: y = 551,58 + 12,861*600,98 – 0,0107*600,98² → y = 4416,19 4000 4248 4516 4248 4015 3985 4309 4419 4315 3997 3800 4000 4200 4400 4600 400 500 600 700 800 P ro d u ti v id a d e ( k g h a -1 ) Doses adubo (kg ha-1) y = 551,58 + 12,861x – 0,0107x²; R² = 89,8% |12,861/(2*0,0107)| 600,98 4416,19 600,98 Análise de regressão Tudo pronto! Agora, observando o gráfico você consegue descrever como se comporta a variável de acordo com o aumento dos níveis de seus tratamentos... Você é capaz de dizer que seus dados apresentaram comportamento quadrático (em curva). Sendo que, com o aumento das doses do adubo, houve acréscimo de produtividade, que se manteve até a dose de 600,98 kg ha-1, resultando na produtividade máxima de 4416,19 kg ha-1. Após esta dose, acréscimos na quantidade de adubo resultaram em redução na produtividade. 4000 4248 4516 4248 4015 3985 4309 4419 4315 3997 3800 4000 4200 4400 4600 400 500 600 700 800 P ro d u ti v id a d e ( k g h a -1 ) Doses adubo (kg ha-1) y = 551,58 + 12,861x – 0,0107x²; R² = 89,8% 4416,19 600,98 Obrigado!!!
Compartilhar