Tese em PDF - departamento de engenharia florestal - ufpr ...

2.9 USO DO MODELO LINEAR MISTO GENERALIZADO EM DETRIMENTO DA
ANOVA
A análise de variância (ANOVA) e análise de regressão foram, durante muito
tempo, o principal esteio da análise e modelagem estatística. Entretanto, estas
técnicas têm como suposição básica a independência dos erros. O modelo REML
permite relaxar esta suposição de independência permitindo maior flexibilidade na
modelagem. Tal procedimento foi criado pelos pesquisadores ingleses Desmond
Patterson e Robin Thompson em 1971 e hoje constitui-se no procedimento padrão
para análise estatística em uma grande gama de aplicações. Em experimentos
agronômicos e florestais, o REML tem substituído com vantagens o método ANOVA,
na verdade, o REML é uma generalização da ANOVA para situações mais
complexas (RESENDE, 2004).
O problema central do melhoramento genético é a predição dos valores
genéticos dos vários candidatos à seleção. E esta predição necessita de
componentes de variância conhecidos ou estimados com precisão. O procedimento
ótimo de predição de valores genéticos é o BLUP e o procedimento ótimo de
predição de componentes de variância é o REML. Estes procedimentos são
associados a um modelo linear misto, isto é, modelo que contém efeitos fixos além
da média geral e efeitos aleatórios além do erro. Assim são modelos mistos: a)
modelos com efeitos aleatórios de tratamento e efeitos fixos de ambiente; b)
modelos com efeitos fixos de tratamentos e efeitos aleatórios de ambiente
(RESENDE, 2004).
As vantagens do uso do modelo misto (REML) em relação ao uso de modelos
completamente fixos (ANOVA) são: a) produzem estimativas ou predições mais
acuradas de efeitos de tratamentos quando existem dados perdidos nos
experimentos; b) as predições dos efeitos aleatórios são forçadas (shrinkage) em
direção à média geral, penalizando estimativas baseadas em pequenas amostras; c)
permitem o ajuste de diferentes variâncias para cada grupo de tratamentos, ou seja,
permite considerar variâncias heterogêneas; d) resolve o problema de estimação
quando se tem dados perdidos; e) modelagem da estrutura de correlação em
20