Um modelo de degradabilidade in situ: heterogeneidade de variâncias e erros correlacionados

• Autor(a) principal: Savian, Taciana Villela
• Data de Publicação: 2007
• Outros Autores: Muniz, Joel Augusto
• Tipo de documento: Artigo
• Idioma: eng
• Título da fonte: Scientia Agrícola (Online)
• Texto Completo: https://www.revistas.usp.br/sa/article/view/22284
• topic: degradabilidade ruminal; regressão não-linear; estimação de parâmetros; gramínea coast-cross; ruminal degradability; non-linear regression; parameters estimation; coast-cross grass

Os modelos de degradação mostram um comportamento não-linear e a seleção de um modelo para descrever a degradabilidade depende da coerência deste com os eventos biológicos. Objetivou-se avaliar o comportamento dos parâmetros do modelo de degradação proposto por Mertens & Loften ajustado aos resultados de um ensaio de degradabilidade in situ. O experimento avaliou o resíduo potencialmente degradável da fibra em detergente neutro (FDN) da gramínea coast-cross (Cynodon dactylon × Cynodon nlemfuensis) submetida a duas idades de corte (30 e 90 dias), com três repetições. Em cada idade de corte, o resíduo potencialmente degradável da FDN foi estudado utilizando quinze tempos de incubação (0; 0,5; 1; 3; 6; 9; 12; 18; 34; 35; 48; 56; 72; 96 e 120 horas). A unidade experimental foi constituída por uma vaca não lactante, com fístula ruminal permanente. Foram obtidos ajustes médios e individuais para os animais, em três diferentes configurações: ponderado pelo inverso da variância sem erros auto-regressivos; não ponderado com erros auto-regressivos (AR) e não ponderado sem erros auto-regressivos. Obtiveram-se também as variâncias dos estimadores dos parâmetros por meio da matriz de covariâncias dos parâmetros, propondo-se expressões para a estimação do intervalo de confiança para os parâmetros do modelo. A ponderação do modelo, pelo inverso da variância, proporcionou estimativas estatisticamente iguais a zero para o tempo de colonização das partículas. A consideração de uma estrutura de erros auto-regressivos de segunda ordem melhorou o ajuste do modelo, promovendo estimativas mais precisas para os parâmetros.