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:
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.
#colocando nome nos individuos
DadosMed=Res$Med
Dist=Distancia(DadosMed,Metodo = 7,Cov = Res$CovarianciaResidual)
round(Dist$Distancia,3)
#> Trat1 Trat2 Trat3 Trat4
#> Trat2 1.323
#> Trat3 1.746 1.340
#> Trat4 1.891 0.721 2.232
#> Trat5 5.149 4.836 5.743 5.172Informações importantes podem ser obtidas dessa matriz com a função
SummaryDistancia:
resumo=SummaryDistancia(Dist)
resumo
#> _________________________________________________________________________
#> Tabela com o resumo da matriz dissimilaridade
#> Medio Minimo Maximo sd MaisProximo MaisDistante
#> Trat1 2.53 1.32 5.15 1.76 Trat2 Trat5
#> Trat2 2.05 0.72 4.84 1.88 Trat4 Trat5
#> Trat3 2.77 1.34 5.74 2.02 Trat2 Trat5
#> Trat4 2.50 0.72 5.17 1.89 Trat2 Trat5
#> Trat5 5.22 4.84 5.74 0.38 Trat2 Trat3
#>
#> Menor Distancia: 0.7210422
#> Maior Distancia: 5.742836
#> Media das Distancias: 3.015247
#> Amplitude das Distancias: 5.021794
#> Desvio Padrao das Distancias: 1.954571
#> Coeficiente de variacao das Distancias: 64.82292
#> Individuos mais proximos: Trat2 Trat4
#> Individuos mais distantes: Trat3 Trat5
#> _________________________________________________________________________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(Dist,Metodo=3)
#> _________________________________________________________________________
#> Estimativa de correlacao cofenetica:
#> [1] 0.9855215
#> Significancia da correlacao cofenetica pelo teste Mantel
#> pvalor: 0.015
#> Hipotese alternativa: A correlacao e maior que 0
#>
#> Criterio de Corte
#> k=1.25
#> 4.810794
#>
#> Agrupamentos
#> Cluster
#> Trat1 1
#> Trat2 1
#> Trat3 1
#> Trat4 1
#> Trat5 2
#> _________________________________________________________________________Adcionalmente, pode-se fazer o agrupamento Tocher com o auxilio da
função Tocher:
#Dendrograma com o metodo UPGMA
Tocher(Dist)
#> _________________________________________________________________________
#> Agrupamento Tocher
#> Cluster1:
#> Trat2 Trat4 Trat1 Trat3
#>
#> Cluster2:
#> Trat5
#>
#> Distancia intra e intercluster:
#> Cluster1 Cluster2
#> Cluster1 1.542090 5.224981
#> Cluster2 5.224981 0.000000
#>
#>
#> Correlacao Cofenetica: 0.97302
#> pvalor: 0.203 baseado no teste Mantel
#> Hipotese alternativa: A correlacao e maior que 0
#> _________________________________________________________________________###Outra possibilidade é o estudo dos componentes principais:
ComponentesPrincipais(DadosMed,padronizar = TRUE)
#> $`Autovalor da matriz de covariancia`
#> [1] 4.3965 1.9234 0.3852 0.2949 0.0000 0.0000 0.0000
#>
#> $`Autovetor da matriz de covariancia`
#> [,1] [,2] [,3] [,4] [,5] [,6] [,7]
#> [1,] -0.4415 0.2430 -0.2619 0.1019 0.0000 0.1718 0.7985
#> [2,] -0.2825 0.5132 -0.5489 -0.2999 -0.2546 -0.0344 -0.4467
#> [3,] -0.2526 -0.5369 0.0050 -0.7481 -0.1848 -0.1710 0.1576
#> [4,] -0.4082 -0.3299 0.1136 0.4248 -0.6387 0.2859 -0.2038
#> [5,] 0.2554 -0.4878 -0.7800 0.2679 0.0754 -0.1023 0.0216
#> [6,] -0.4697 -0.0278 0.0860 0.2944 0.1966 -0.7987 -0.0888
#> [7,] -0.4571 -0.2045 -0.0363 -0.0319 0.6699 0.4582 -0.2969
#>
#> $`Escores dos componentes principais`
#> [,1] [,2] [,3] [,4] [,5] [,6] [,7]
#> Trat1 1.1515 -1.8718 0.3181 0.4900 0 0 0
#> Trat2 0.8063 0.8045 -0.9488 0.3342 0 0 0
#> Trat3 1.7241 -0.1561 0.0309 -0.8601 0 0 0
#> Trat4 -0.1294 1.7885 0.7234 0.2270 0 0 0
#> Trat5 -3.5525 -0.5651 -0.1236 -0.1910 0 0 0
#>
#> $`Correlacao entre as variaveis e os comp. principais`
#> [,1] [,2] [,3] [,4] [,5] [,6] [,7]
#> X1Contagem -0.9257 0.3370 -0.1625 0.0553 0.2185 0.2059 -0.6101
#> Germ -0.5923 0.7117 -0.3407 -0.1629 -0.3004 0.2325 -0.8598
#> SemAnormais -0.5297 -0.7446 0.0031 -0.4063 0.8781 0.7195 -0.0778
#> SemMortas -0.8559 -0.4575 0.0705 0.2307 0.8679 0.1968 0.0110
#> Retencao75 0.5355 -0.6765 -0.4842 0.1455 0.2629 0.1323 0.3047
#> Retencao55 -0.9849 -0.0386 0.0534 0.1599 0.5821 0.1689 -0.2791
#> RetencaoFundo -0.9585 -0.2836 -0.0225 -0.0173 0.7551 0.4100 -0.2902
#>
#> $`Explicacao dos componentes principais`
#> [,1] [,2] [,3] [,4] [,5] [,6] [,7]
#> Autovalor 4.3965 1.9234 0.3852 0.2949 0 0 0
#> % Explicacao 62.8072 27.4765 5.5036 4.2128 0 0 0
#> % Explicacao Acumulada 62.8072 90.2837 95.7872 100.0000 100 100 100
#>
#> attr(,"class")
#> [1] "ComponentesPrincipais"###Porém, quando se tem repetições, o mais indicado é o estudo de variáveis canônicas:
Para isso, deve-se indicar qual é o Modelo referente ao
delineamento:
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
VC=VariaveisCanonicas(Dados.DIC,Modelo = 1)
#> [1] "a"