Identificação e modelagem da autocorrelação residual no ajuste do modelo de Wood às curvas de lactação de cabras

• Autor(a) principal: Melo, Ana Lúcia Puerro de
• Data de Publicação: 2011
• Outros Autores: Torres, Robledo de Almeida, Ribeiro Júnior, José Ivo, Silva, Fabyano Fonseca e, Rodrigues, Marcelo Teixeira, Silva, Felipe Gomes da, Brito, Luiz Fernando
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: LOCUS Repositório Institucional da UFV
• Texto Completo: http://dx.doi.org/10.1590/S0103-84782011001000024; http://www.locus.ufv.br/handle/123456789/24792
• topic: Durbin-Watson; Erros independentes; Resíduos autoregressivos; Autoregressives errors; Durbin-Watson; Independent errors

Objetivou-se com este trabalho apresentar uma metodologia de identificação e modelagem da autocorrelação residual considerando ajustes individuais do modelo de Wood às lactações de cabras leiteiras e também avaliar a influência de tal modelagem na qualidade do ajuste. O modelo de Wood foi ajustado individualmente às lactações, considerando três estruturas residuais. Na primeira, assumiu-se independência dos erros (EI) para todas as lactações, na segunda, assumiu-se a estrutura de erros autoregressivos de primeira ordem (AR1) para todas as lactações e, na terceira, nomeada por EI-AR1, foi utilizada a estrutura de erros AR1 somente para as lactações que apresentaram autocorrelação residual, segundo o teste de Durbin-Watson, e de EI para as demais. As três situações de ajuste foram comparadas pelos percentuais de convergência e pelas médias dos quadrados médios dos erros (QME) e dos coeficientes de determinação ajustados (R2aj). As médias dos QME e dos R2aj apresentaram valores semelhantes nas três situações de estrutura residual. No entanto, o modelo com estrutura EI-AR1 apresentou maior convergência, o que consiste em uma vantagem, já que permite que um maior número de animais seja avaliado quanto à sua curva de lactação. Portanto, em função da maior convergência obtida, o ajuste do modelo de Wood com a estrutura EI-AR1 consiste na opção mais indicada para grandes conjuntos de dados.