An´
alise de variˆ
ancia para experimentos com
dependˆ
encia espacial entre parcelas: abordagem
autoregressiva e Geoestat´ıstica
Diogo Francisco Rossoni (DES/UEM) Cristina Henriques Nogueira (DEX/UFLA)
Renato Ribeiro de Lima (DEX/UFLA)
Abordagem autoregressiva Abordagem Geoestat´ıstica
Introduc¸˜
ao
Princ´ıpios b´asicos: repetic¸˜ao, aleatorizac¸˜ao e controle local;
O processo de aleatorizac¸˜ao ´e insuficiente para a garantia da independˆencia dos erros;
´E comum encontrar experimentos em que a realizac¸˜ao da aleatorizac¸˜ao ´e invi´avel;
Implementac¸˜ao e execuc¸˜ao da an´alise de variˆancia com erros espacialmente correlacionados;
A Geoestat´ıstica utilizada para modelar a matriz de covariˆancias dos erros;
Introduc¸˜
ao
Princ´ıpios b´asicos: repetic¸˜ao, aleatorizac¸˜ao e controle local;
O processo de aleatorizac¸˜ao ´e insuficiente para a garantia da independˆencia dos erros;
´E comum encontrar experimentos em que a realizac¸˜ao da aleatorizac¸˜ao ´e invi´avel;
Implementac¸˜ao e execuc¸˜ao da an´alise de variˆancia com erros espacialmente correlacionados;
A Geoestat´ıstica utilizada para modelar a matriz de covariˆancias dos erros;
Abordagem autoregressiva Abordagem Geoestat´ıstica
Geoestat´ıstica
A suposic¸˜ao de que as observac¸˜oes s˜ao independentes n˜ao ´e feita na Geoestat´ıstica;
Medidas como a autocovariˆancia, autocorrelac¸˜ao e semivariˆancia s˜ao utilizadas para modelar a associac¸˜ao espacial entre as vari´aveis; A semivariˆancia ´e uma medida de dissimilaridade, ou seja, ´e maior `a medida que as vari´aveis est˜ao menos associadas.
Abordagem autoregressiva Abordagem Geoestat´ıstica
Pressuposic¸˜
oes
Uma vari´avel Y (x) pode ser considerada estacion´aria de 2ª ordem se:
(i) A esperanc¸a de Y (x) existe e n˜ao depende da posic¸˜ao x:
E [Y (x )] = ω = constante;
(ii) A func¸˜ao de covariˆancia C(·) existe e depende apenas da distˆancia h entre os pontos:
C (Y (x + h), Y (x )) = E [Y (x + h) · Y (x )] − ω2= C (h).
A variˆancia Var(·) ´e um caso particular da covariˆancia quando h = 0:
Abordagem autoregressiva Abordagem Geoestat´ıstica
Pressuposic¸˜
oes
Uma vari´avel Y (x) pode ser considerada estacion´aria de 2ª ordem se:
(i) A esperanc¸a de Y (x) existe e n˜ao depende da posic¸˜ao x:
E [Y (x )] = ω = constante;
(ii) A func¸˜ao de covariˆancia C(·) existe e depende apenas da distˆancia h entre os pontos:
C (Y (x + h), Y (x )) = E [Y (x + h) · Y (x )] − ω2= C (h).
A variˆancia Var(·) ´e um caso particular da covariˆancia quando h = 0:
Abordagem autoregressiva Abordagem Geoestat´ıstica
Relac¸˜
oes entre as func¸˜
oes
Se a hip´otese de estacionariedade de 2ª ordem for atendida:
A relac¸˜ao entre a covariˆancia C(h) e a semivariˆancia γ(h) ´e definida como:
C (h) = C (0) − γ(h);
A func¸˜ao de correlac¸˜ao ρ(·) ´e dada por:
ρ(h) = C (h) C (0) = C (0) − γ(h) C (0) =1 − γ(h) C (0).
Abordagem autoregressiva Abordagem Geoestat´ıstica
Relac¸˜
oes entre as func¸˜
oes
Se a hip´otese de estacionariedade de 2ª ordem for atendida:
A relac¸˜ao entre a covariˆancia C(h) e a semivariˆancia γ(h) ´e definida como:
C (h) = C (0) − γ(h);
A func¸˜ao de correlac¸˜ao ρ(·) ´e dada por:
ρ(h) = C (h) C (0) = C (0) − γ(h) C (0) =1 − γ(h) C (0).
Semivariˆ
ancia
Conforme afirma Cressie (1993), o estimador cl´assico de semivariˆancia, proposto por Matheron, ´e definido como:
ˆ γ(h) = 1 2 n(h) n(h) X i =1 [ y (xi) − y (xi+ h) ]2, em que: ˆ
γ(h)´e o estimador de semivariˆancia;
n(h)representa o n´umero de pares de valores medidos separados por
uma distˆancia h;
y (xi) e y(xi + h) s˜ao realizac¸˜oes da vari´avel aleat´oria Y, nas
coordenadas xie xi+ h, de tal modo que esses pontos est˜ao separados
Abordagem autoregressiva Abordagem Geoestat´ıstica
Exemplo de semivariograma
Modelo esf´
erico
Func¸˜ao de semivariˆancia: γ(h) = 0 , se h = 0; τ2+ ϕ2 3 2 h φ −1 2 h φ 3 , se 0 < h < φ; τ2+ ϕ2 , se h ≥ φ; Func¸˜ao de correlac¸˜ao: ρ(h) = 1 , se h = 0; ϕ2 τ2+ ϕ2 1 − 1, 5 h φ + 0, 5 h φ 3 , se 0 < h < φ; 0 , se h ≥ φ.Abordagem autoregressiva Abordagem Geoestat´ıstica
Modelo exponencial
Func¸˜ao de semivariˆancia: γ(h) = ( 0 , se h = 0; τ2+ ϕ2h1 − exp−3h φ i , se h 6= 0; Func¸˜ao de correlac¸˜ao: ρ(h) = ( 1 , se h = 0; ϕ2 τ2+ ϕ2 h exp −3h φ i , se h 6= 0.Modelo espacial
Segundo Diggle & Ribeiro Jr. (2007), uma vari´avel aleat´oria Y, na posic¸˜ao espacial x, pode ser representada por:
Y (x ) = ω(x ) + S(x ) + ξ(x ),
em que:
ω(x )´e uma tendˆencia associada a um valor m´edio constante;
S(x ) ´e uma vari´avel aleat´oria distribu´ıda com media zero, variˆancia
ϕ2e C[ S(x
i), S(xj) ]n˜ao necessariamente zero;
Abordagem autoregressiva Abordagem Geoestat´ıstica
Distribuic¸˜
ao preditiva de S( · )
Condidere que Y ∼ N(ω, Σ), em que Σ = V(τ2+ ϕ2)
De maneira geral, dado um vetor S com m´edia zero, a distribuic¸˜ao preditiva [ S | y ] tem esperanc¸a dada por
E [ S | y ] = ϕ2V0Σ−1(Y − ω)
⇓ Krigagem
Distribuic¸˜
ao preditiva de S( · )
Condidere que Y ∼ N(ω, Σ), em que Σ = V(τ2+ ϕ2)
De maneira geral, dado um vetor S com m´edia zero, a distribuic¸˜ao preditiva [ S | y ] tem esperanc¸a dada por
E [ S | y ] = ϕ2V0Σ−1(Y − ω)
⇓ Krigagem
Abordagem autoregressiva Abordagem Geoestat´ıstica
Delineamento inteiramente casualizado (DIC)
O modelo estat´ıstico de um delineamento inteiramente casualizado (DIC) ´e dado por:
yij = µ + αi+ eij,
em que:
yij ´e a observac¸˜ao do i-´esimo tratamento na j-´esima repetic¸˜ao, com
i =1, 2, . . . , t e j = 1, 2, . . . , r;
µ´e uma constante inerente a cada observac¸˜ao; αi ´e o efeito do i-´esimo tratamento;
Delineamento inteiramente casualizado (DIC)
Matricialmente, o modelo pode ser representado por:
Y = Xθ + ε,
em que:
Y ´e o vetor de observac¸˜oes de ordem n × 1;
X´e a matriz de incidˆencia dos parˆametros do modelo de ordem
n × p;
θ´e o vetor de paramˆetros do modelo de ordem p × 1; ε´e o vetor de erros aleat´orios de ordem n × 1.
Abordagem autoregressiva Abordagem Geoestat´ıstica
Delineamento inteiramente casualizado (DIC)
Assumindo que ε ∼ N(0, Iσ2), a an´alise de variˆancia para um DIC ´e dada
por:
Tabela 1: Esquema da an´alise de variˆancia de um DIC.
FV GL SQ Tratamento r(P − P1) Y0(P − P1)Y Res´ıduo r (I − P) Y0(I − P)Y Total r (I − P1) Y0(I − P1)Y em que: P = X(X0X)−X0 e P1= X1(X01X1)−1X01;
Estimac¸˜
ao dos parˆ
ametros
Assumindo que ε ∼ N(0, Σ), em que Σ = Vσ2:
Func¸˜ao de verossimilhanc¸a: L(θ, Σ) = (2π)−n 2 | Σ |− 1 2 exp[−1 2(Y − Xθ) 0Σ−1(Y − Xθ)] Estimadores: θ0= (X0V−1X)−X0V−1Y ˆ σ2=(Y − Xθ 0)0V−1(Y − Xθ0) n
Abordagem autoregressiva Abordagem Geoestat´ıstica
O modelo linear
Considere Σ = Vσ2 e V−1 = LL0, em que V ´e sim´etrica positiva
definida e L ´e n˜ao singular;
Pr´e-multiplicando o modelo Y = Xθ + ε por L0 tem-se:
W = Zθ + η, em que η ∼ N(0 , Iσ2),
An´
alise de variˆ
ancia de um DIC
Modelo descorrelacionado: SQRes = η0η = W0W − W0Z(Z0Z)−Z0W ; SQT = W0W − W0Z01(Z01Z1)−1Z1W ; SQTrat = θ00Z0W − W0Z01(Z 0 1Z1)−1Z1W .Modelo original com erros correlacionados:
SQRes = ε0V−1ε = Y0V−1Y − Y0V−1X(X0V−1X)−X0V−1Y ; SQT = Y0V−1Y − Y0V−1X01(X 0 1V −1 X1)−1X1V−1Y ; SQTrat = Y0V−1X(X0V−1X)−X0V−1Y −Y0V−1X01(X 0 1V −1 X1)−1X1V−1Y .
Abordagem autoregressiva Abordagem Geoestat´ıstica
An´
alise de variˆ
ancia de um DIC
Tabela 2: ANOVA de um DIC, com Σ= Vσ2, via formas quadr´aticas.
FV GL SQ Tratamento r(X) − r(X1) Y0(P − P1)Y Res´ıduo n − r (X) Y0(V−1− P)Y Total n − r (X1) Y0(V−1− P1)Y P = V−1X(X0V−1X)−X0V−1 e P1= V−1X1(X01V −1X 1)−1X01V −1.
Aplicabilidade do teste F
SQRes σ2 = Y 0AY , em que A = Σ−1− Σ−1X(X0Σ−1X)−X0Σ−1; SQTrat σ2 = Y 0BY , em que B = Σ−1X(X0Σ−1X)−X0Σ−1− Σ−1X 1(X01Σ−1X1)−X01Σ−1.Com isso, pode-se concluir que: (SQTrat/σ2)/(r (X) −1) (SQRes/σ2)/(n − r (X)) = QMTrat QMRes ∼ F(ν1, ν2; δ), com ν1= r (X) −1, ν2= n − r (X)e δ = 1 2σ2α 0X0 2(V −1− P 1)X2α.
Abordagem autoregressiva Abordagem Geoestat´ıstica
Esperanc¸a dos quadrados m´
edios
Tabela 3: Esperanc¸a dos quadrados m´edios de um DIC com erros correlacionados.
FV E[QM] Tratamento σ2 + 1 r (X) −1α 0X0 2(V −1 − P1)X2α Res´ıduo σ2
Modelagem geoestat´ıstica do erro
Obter o vetor de erros estimados ˆε = Y − Xθ0 c;
Diagnosticar a existˆencia de dependˆencia espacial; Ajustar um modelo te´orico ao semivariograma; Encontrar a matriz estimada de covariˆancia dos erros:
Σ =
C [e(x1), e(x1)] C [e(x1), e(x2)] · · · C [e(x1), e(xn)]
C [e(x2), e(x1)] C [e(x2), e(x2)] · · · C [e(x2), e(xn)]
... ... ... ...
C [e(xn), e(x1)] C [e(xn), e(x2)] · · · C [e(xn), e(xn)]
;
Abordagem autoregressiva Abordagem Geoestat´ıstica
Modelagem geoestat´ıstica do erro
Σ = τ2+ ϕ2 C ( h 12) · · · C ( h1n ) C ( h12) τ2+ ϕ2 · · · C ( h2n ) ... ... ... ... C ( h1n) C ( h2n) · · · τ2+ ϕ2 ; Σ = Vσ2= 1 ρ( h12) · · · ρ( h1n) ρ( h12) 1 · · · ρ( h2n) ... ... ... ... ρ( h1n ) ρ( h2n) · · · 1 σ2; de modo que σ2= τ2+ ϕ2e h
ij ´e a distˆancia entre os erros ei e ej,
Modelagem geoestat´ıstica do erro
Pontes (2002) sugeriu um algoritmo no qual eram realizadas iterac¸˜oes at´e que a m´edia dos erros padr˜ao dos valores preditos atingisse convergˆencia;
Estimar os res´ıduos utilizando o modelo n˜ao espacial. → Ajustar o semivariograma dos res´ıduos e ajustar um modelo te´orico. → Obter a matriz de convariˆancia dos
erros Σ. → → Obter o vetor de parˆametros do modelo considerando Σ e estimar o vetor de erros. → Construir novamente o semivariograma e ajusta um modelo te´orico. → Atualizar os valores da matriz de covariˆancia dos erros Σ.
Abordagem autoregressiva Abordagem Geoestat´ıstica
Simulac¸˜
ao de dados
Foram propostos experimentos instalados em DIC, com 15 tratamentos e 8 repetic¸˜oes, com as seguintes configurac¸˜oes:
(i) Efeitos de tratamento diferente de zero e presenc¸a de componente espacial;
(ii) Efeitos de tratamento iguais a zero e presenc¸a de componente espacial;
(iii) Efeitos de tratamento diferente de zero e ausˆencia de componente
Simulac¸˜
ao de dados
Abordagem autoregressiva Abordagem Geoestat´ıstica
Experimento I
Detec¸c˜ao da variabilidade espacial:
Figura 3: Grid com os quartis dos
erros.
Figura 4: Semivariograma com envelope simulado.
Experimento I
Ajuste do semivariograma dos erros.
M´etodo de quadrados m´ınimos ordin´arios; Modelo esf´erico; Estabilizac¸˜ao ap´os a 3ª iterac¸˜ao; Parˆametros estimados do semivariograma: ϕ2=1, 1313, τ2=0, 6426, φ =5, 8449.
Figura 5: Ajuste do modelo esf´erico ao semivariograma dos erros.
Abordagem autoregressiva Abordagem Geoestat´ıstica
Experimento I
Tabela 4: An´alise de variˆancia considerando erros correlacionados.
FV GL SQ QM Fcalc Valor p
Tratamento 14 76,300 5,450 2,93 0,00086 Res´ıduo 105 195,118 1,858
Total 119 271,418
Tabela 5: An´alise de variˆancia considerando erros independentes.
FV GL SQ QM Fcalc Valor p
Tratamento 14 56,567 4,040 2,1764 0,01326 Res´ıduo 105 194,936 1,856
Experimento II
Detec¸c˜ao da variabilidade espacial:
Figura 6: Grid com os quartis dos
erros.
Figura 7: Semivariograma com envelope simulado.
Abordagem autoregressiva Abordagem Geoestat´ıstica
Experimento II
Ajuste do semivariograma dos erros.
M´etodo de quadrados m´ınimos ordin´arios; Modelo esf´erico; Estabilizac¸˜ao ap´os a 3ª iterac¸˜ao; Parˆametros estimados do semivariograma: ϕ2=1, 1313, τ2=0, 6426, φ =5, 8449.
Figura 8: Ajuste do modelo esf´erico ao semivariograma dos erros.
Experimento II
Tabela 6: An´alise de variˆancia considerando erros correlacionados.
FV GL SQ QM Fcalc Valor p
Tratamento 14 11,906 0,850 0,46 0,9501 Res´ıduo 105 195,118 1,858
Total 119 207,024
Tabela 7: An´alise de variˆancia considerando erros independentes.
FV GL SQ QM Fcalc Valor p
Tratamento 14 22,642 1,6173 0,8711 0,5916 Res´ıduo 105 194,936 1,856
Abordagem autoregressiva Abordagem Geoestat´ıstica
Experimento III
Detec¸c˜ao da variabilidade espacial:
Figura 9: Grid com os quartis
dos erros.
Figura 10: Semivariograma com envelope simulado.
Experimento III
Ajuste do semivariograma dos erros.
M´etodo de quadrados m´ınimos ordin´arios; Modelo pepita puro; Estabilizac¸˜ao ap´os a 1ª iterac¸˜ao; Parˆametros estimados do semivariograma: ϕ2=0, 0000, τ2=0, 4492, φ =0, 0000.
Figura 11: Ajuste do modelo ao semivariograma dos erros.
Abordagem autoregressiva Abordagem Geoestat´ıstica
Experimento III
Tabela 8: An´alise de variˆancia considerando erros correlacionados.
FV GL SQ QM Fcalc Valor p
Tratamento 14 49,333 3,524 7,01 5,6e-10 Res´ıduo 105 52,815 0,503
Total 119 102,147
Tabela 9: An´alise de variˆancia considerando erros independentes.
FV GL SQ QM Fcalc Valor p
Tratamento 14 49,333 3,524 7,01 5,6e-10 Res´ıduo 105 52,815 0,503
An´
alise de variˆ
ancia de um DBC
Tabela 10: An´alise de variˆancia de um DBC, considerando Σ= Vσ2.
FV GL SQ Tratamento r(X2) − r (X1) Y0P2Y Bloco r (X) − r (X2) Y0(P − P1− P2)Y Res´ıduo n − r (X) Y0(V−1− P)Y Total n − r (X1) Y0(V−1− P1)Y em que: P = V−1 X(X0V−1X)−1X0V−1; P1= V−1X1(X01V −1X 1)−1X01V −1; P2= RVX2(X 0 2RVX2) −X0 2RV; RV = V−1− V−1X1(X01V −1X 1)−1X01V −1.
Abordagem autoregressiva Abordagem Geoestat´ıstica
Exemplo de aplicac¸˜
ao
Experimento de candeia (Eremanthus erythropappus (DC.) McLeish); Vari´avel resposta: Diˆametro m´edio da unidade experimental `a altura do peito (DAP);
Experimento instalado em 2004, no munic´ıpio de Baependi (MG); Delineamento de blocos casualizados (DBC), composto por 4 blocos e 13 tratamentos. Cada unidade experimental continha 50 plantas ´uteis medidas e 4 plantas de bordadura, espac¸adas em 2,0 x 2,5 m; Os tratamentos desse experimento referem-se aos tipos de adubac¸˜ao aplicados em cada unidade experimental.
Exemplo de aplicac¸˜
ao
Detec¸c˜ao da variabilidade espacial:
Figura 12: Grid com os quartis
dos erros.
Figura 13: Semivariograma com envelope simulado.
Abordagem autoregressiva Abordagem Geoestat´ıstica
Exemplo de aplicac¸˜
ao
Ajuste do semivariograma dos erros.
M´etodo de quadrados m´ınimos ordin´arios; Modelo exponencial; Estabilizac¸˜ao ap´os a 6ª iterac¸˜ao; Parˆametros estimados do semivariograma: ϕ2=0, 3118, τ2=0, 0000,
φ =3, 8416. Figura 14: Ajuste do modelo ao
Exemplo de aplicac¸˜
ao
Tabela 11: An´alise de variˆancia considerando erros correlacionados.
FV GL SQ QM Fcalc Valor p
Tratamento 12 12,7743 1,0645 2,6286 0,0124 Blocos 3 14,7038 4,9013 12,1027 0,0000 Res´ıduo 36 14,5792 0,4050
Total 51 42,0573
Tabela 12: An´alise de variˆancia considerando erros independentes.
FV GL SQ QM Fcalc Valor p
Tratamento 12 7,1648 0,5971 1,8757 0,0721 Blocos 3 43,4491 14,4830 45,4996 0,0000 Res´ıduo 36 11,4592 0,3183
Abordagem autoregressiva Abordagem Geoestat´ıstica
Exemplo de aplicac¸˜
ao
Teste Tukey ‘aproximado’.
Tabela 13:Comparac¸˜ao entre m´edias dos diferentes tratamentos de fertilizac¸˜ao para a vari´avel DAP.
Tratamento DAPmedio Grupo
10 6,0025 a 2 5,5575 ab 9 5,4550 ab 6 5,4325 ab 7 5,4075 ab 13 5,3750 ab 8 5,3525 ab 11 5,2600 ab 4 5,0575 ab 3 5,0350 ab 12 4,9450 ab 5 4,8500 ab 1 4,4325 b
Referˆ
encias Bibliogr´
aficas
BANZATTO, D. A.; KRONKA, S. N. Experimenta¸c˜ao agr´ıcola. 4. ed. Jaboticabal:
Funep, 2006. 237 p.
CRESSIE, N. Statistics for spatial data. 2. ed. New York: J. Wiley, 1993. 900 p. DIGGLE, P. J.; RIBEIRO J ´UNIOR, P. J. Model-based geostatistics. New York: Springer, 2007.
GRAYBILL, F. A. Theory and application of the linear model. Boston: Duxbury Press, 1976. 704 p.
GRONDONA, M. O.; CRESSIE, N. Using spatial considerations in the analysis of experiments. Technometrics, Alexandria, v. 33, n. 4, p. 381-392, Nov. 1991. NOGUEIRA, C. H.; OLIVEIRA, M. S; MELLO, J. M; RAIMUNDO, M. R;
SCOLFORO, H. F; REIS, A. A; GOMIDE, L. R. Spatial modeling in the analysis of a experimental planting candeia. Rev. Bras. Biom., S˜ao Paulo, v.33, n.1, p.14-29, 2015
Abordagem autoregressiva Abordagem Geoestat´ıstica
Referˆ
encias Bibliogr´
aficas
NOGUEIRA, C. H. An´alise de variˆancia com dependˆencia espacial sob uma abordagem geoestat´ıstica. 2013. 123 p. Dissertac¸˜ao (Mestrado em Estat´ıstica e Experimentac¸˜ao Agropecu´aria) - Universidade Federal de Lavras , Lavras, 2013.
PONTES, J. M.; OLIVEIRA, M. S. de. Geoestat´ıstica: aplica¸c˜oes em experimentos de campo. 2002. 82 p. Dissertac¸˜ao (Mestrado em Agronomia - Estat´ıstica e Experimentac¸˜ao Agropecu´aria) − Universidade Federal de lavras, Lavras, 2002. RIBEIRO J ´UNIOR, P. J. M´etodos geoestat´ısticos no estudo da variabilidade espacial de parˆametros do solo. 1995. 99 p. Dissertac¸˜ao (Mestrado) - Escola Superior de Agricultura “Luiz de Queiroz”, Piracicaba, 1995.
ROSSONI, D. F. An´alise de variˆancia para experimentos com dependˆencia espacial.
2011. 108 p. Dissertac¸˜ao (Mestrado em Estat´ıstica e Experimentac¸˜ao Agropecu´aria) − Universidade Federal de Lavras, Lavras, 2011.