Modelo de efeitos principais aditivos e interação multiplicativa generalizado (GAMMI) para imputações de dados em experimentos multiambientais

• Autor(a) principal: Amoêdo, Pedro Marinho
• Data de Publicação: 2020
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/11/11134/tde-01042021-143551/
• topic: Dados ausentes; EM-AMMI generalizado; Experimentos multiambientais; Generalized EM-AMMI; Imputação múltipla GAMMI; Missing data; Multi-environmental experiments; Multiple imputation GAMMI

As análises mediante abordagem de modelo de efeitos principais aditivos e interação multiplicativa exigem que as matrizes de dados, provenientes de experimentos multiambientais, sejam completas, o que em geral não ocorre. Uma excelente alternativa para contornar o problema das ausências para posterior análise são os métodos de imputação de dados. Esta tese tem por objetivo desenvolver duas estratégias de imputação de dados para experimentos multiambientais por meio de modelos GAMMI. Um algoritmo de imputação simples e outro de imputação múltipla. O algoritmo de imputação simples foi desenvolvido a partir da combinação do método de imputação EM-AMMI com o modelo de efeitos principais aditivos e interação multiplicativa generalizado (GAMMI). O segundo algoritmo, de imputação múltipla, é uma extensão do algoritmo EM-AMMI generalizado (EM-GAMMI), desenvolvido a partir da proposta de imputação com uso dos resíduos simples do modelo de regressão linear. Para determinar o desempenho dos algoritmos de imputação, foram realizadas simulações de retiradas aleatória de valores em diferentes porcentagens em que foram tomados dois conjuntos de dados reais completos como base. Os dois conjuntos possuem dimensões, um 4×5 e o outro de dimensão 19×6. Então, a qualidade das imputações foi avaliada por meio das distribuições da estatística raiz normalizada do erro quadrático médio (NRMSE) e da estatística geral de acurácia (Tacc), obtidas a partir dos valores imputados em cada um dos níveis de retiradas. Concluiu-se que os novos métodos constituem ferramentas eficientes como técnicas de imputação de dados, útil para contornar o problema das ausências em experimento multiambientais.