rm(list=ls(all=TRUE))
setwd("G:/Meu Drive/Dropbox/2023/Segundo Semestre/LCE5801 Regressao/Aula_11")
dados<-read.csv2("bas.csv", header=TRUE)
dados
attach(dados)
trat<-factor(trat)
plot(pinic,gp, pch=c(rep(16,7),rep(16,7)), col=c(rep("blue",7), rep("red",7)),
main="Figura 1. Valores observados", xlab="Peso Inicial (kg)", ylab="Ganho de Peso (g)")
tapply(gp,trat,mean)


# Ajuste do modelo nulo - presente apenas o intercepto - beta0
mod1<-lm(gp~1)
model.matrix(mod1)
summary(mod1)

# Ajuste do modelo de retas coincidentes - uma s? curva para os dois tratamentos
mod2<-lm(gp~pinic)
model.matrix(mod2)
summary(mod2)
anova(mod2)

# Ajuste do modelo com intercepto comum - mesmo beta0 e diferentes beta1
mod3<-lm(gp~trat/pinic-trat)
model.matrix(mod3)
summary(mod3)
anova (mod3)

# Ajuste do modelo de retas concorrentes - um beta0 e beta1 para cada tratamento

mod4<-lm(gp~trat-1+trat/pinic) # forma mais adequada solta os bo e b1 separadamente
model.matrix(mod4)
summary(mod4)
anova(mod4)

## Ordem dos modelos encaixados
# m1 - nulo (apenas o intercepto)
# m2 - coincidentes
# m3 - interc. comum
# m4 - concorrentes
anova(mod1,mod2,mod3,mod4, test="F")


## Constru??o do gr?fico com as retas concorrentes

plot(c(300,450), c(850,1150), type="n", xlab="Peso Inicial (kg)",
ylab="Ganho de Peso (g/dia)")
points(pinic,gp, pch=c(rep(16,7),rep(16,7)),
col=c(rep("black",7), rep("red",7)))
x<-seq(300,430,1)
lines(x, 154.5918+2.2653*x, col="black", lty=1)
lines(x, 663.5052+0.7371*x, col="red", lty=2)

title(sub="Figura 1. Curva ajustada e valores observados")

# modelo de retas paralelas
mod5<-lm(gp~trat-1+pinic)
model.matrix(mod5)
summary(mod5)

## Ordem dos modelos encaixados
# m1 - nulo (apenas o intercepto)
# m2 - coincidentes
# m5 - retas paralelas
# m4 - concorrentes
anova(mod1,mod2,mod5,mod4, test="F")