Made available in DSpace on 2014-08-13T14:50:46Z (GMT). No. of bitstreams: 0 Previous issue date: 2013-02-07Bitstream added on 2014-08-13T18:00:39Z : No. of bitstreams: 1 000756908.pdf: 521999 bytes, checksum: c92d8043980849d8b21f239dd04dac21 (MD5) / Em análise de modelo de crescimento com o objetivo de representar o desenvolvimento de organismos vivos por um período maior que sua fase inicial, utiliza-se, frequentemente, modelos não lineares. O objetivo deste trabalho foi ajustar o modelo não-linear de Gompertz utilizando o software SAS através de três estruturas diferentes: 1) modelo de efeitos fixos; 2) modelo autorregressivo de primeira ordem e 3) modelo de efeito misto a um conjunto de dados de crescimento em peso de ratos da linhagem Rattus norvegicus e para um conjunto de dados de crescimento em peso de vacas de três raças: Flamengas, Guernsey-Gir e Holandesas, para verificar o melhor modelo para os conjuntos de dados obtidos. Para tal, optou-se por seis critérios estatísticos como avaliadores de ajuste. Os critérios foram: Quadrado médio do resíduo, critério de informação de Akaike (AIC), critério de informação Bayesiano (BIC), erro de predição médio (EPM), resíduos nos pontos iniciais, chamadores 0, usado para avaliar o ajuste nas primeiras observações e um índice sendo um valor considerado como avaliador no final do ajuste (calculado pela razão entre os 20% dos maiores valores estimados e a assíntota estimada). Além destes, foram feitos testes de Durbin-Watson e Breusch-Pagan para verificar a independência dos resíduos e a heteroscedasticidade, respectivamente. Os resultados mostram que, em muitas repetiçõees, onde havia a necessidade de correção da autocorrelação e heterocedasticidade, o modelo autorregessivo de primeira ordem foi o melhor ajuste. Já em relação ao ajuste único, nos casos em que a autocorrelação foi significativa, o modelo autorregressivo foi o melhor segundo os critérios e, quando a autocorrelação foi não significativa, o modelo de efeitos fixos foi o melhor modelo / In growth model analyzing to represent the development of organisms for a larger period than its initial phase, it nonlinear models are often used . The aim of this work was to adjust the nonlinear Gompertz model using the software SAS by three different structures: 1) fixed effects model, 2) first-order autoregressive model and 3) mixed-effects model to a data of growth of female and male rats Rattus norvegicus and to a data of growth of three breeds cow to verify the best model for the data obtained. To attach the objective, six criteria was chosen as evaluators of statistical adjustment. The criteria were: residual mean square, Akaike information criterion (AIC), Bayesian information criterion (BIC), mean prediction error (EPM), residues in starting points, called res 0, used to assess the fit in the first observations and an index value being considered as an evaluator at the end of adjustment (calculated as the ratio between 20% of the largest estimated values and estimated asymptote). In addition, Durbin-Watson and Breusch-Pagan tests were performed to verify the independence of waste and heteroscedasticity, respectively. The results show that in many repetitions, where was need a correction of autocorrelation and heteroscedasticity, the first order autoregressive model was the best fit. In relation to the single adjustment, where the autocorrelation was significant, the autoregressive model was the best, according to the criteria utilized, and when the autocorrelation was not significant, the fixed effects model was the best model

Orientador: Lídia Raquel de Carvalho / Banca: Jose Silvio Govone / Banca: Silvio Sandoval Zocchi / Resumo: Em análise de modelo de crescimento com o objetivo de representar o desenvolvimento de organismos vivos por um período maior que sua fase inicial, utiliza-se, frequentemente, modelos não lineares. O objetivo deste trabalho foi ajustar o modelo não-linear de Gompertz utilizando o software SAS através de três estruturas diferentes: 1) modelo de efeitos fixos; 2) modelo autorregressivo de primeira ordem e 3) modelo de efeito misto a um conjunto de dados de crescimento em peso de ratos da linhagem Rattus norvegicus e para um conjunto de dados de crescimento em peso de vacas de três raças: Flamengas, Guernsey-Gir e Holandesas, para verificar o melhor modelo para os conjuntos de dados obtidos. Para tal, optou-se por seis critérios estatísticos como avaliadores de ajuste. Os critérios foram: Quadrado médio do resíduo, critério de informação de Akaike (AIC), critério de informação Bayesiano (BIC), erro de predição médio (EPM), resíduos nos pontos iniciais, chamadores 0, usado para avaliar o ajuste nas primeiras observações e um índice sendo um valor considerado como avaliador no final do ajuste (calculado pela razão entre os 20% dos maiores valores estimados e a assíntota estimada). Além destes, foram feitos testes de Durbin-Watson e Breusch-Pagan para verificar a independência dos resíduos e a heteroscedasticidade, respectivamente. Os resultados mostram que, em muitas repetiçõees, onde havia a necessidade de correção da autocorrelação e heterocedasticidade, o modelo autorregessivo de primeira ordem foi o melhor ajuste. Já em relação ao ajuste único, nos casos em que a autocorrelação foi significativa, o modelo autorregressivo foi o melhor segundo os critérios e, quando a autocorrelação foi não significativa, o modelo de efeitos fixos foi o melhor modelo / Abstract: In growth model analyzing to represent the development of organisms for a larger period than its initial phase, it nonlinear models are often used . The aim of this work was to adjust the nonlinear Gompertz model using the software SAS by three different structures: 1) fixed effects model, 2) first-order autoregressive model and 3) mixed-effects model to a data of growth of female and male rats Rattus norvegicus and to a data of growth of three breeds cow to verify the best model for the data obtained. To attach the objective, six criteria was chosen as evaluators of statistical adjustment. The criteria were: residual mean square, Akaike information criterion (AIC), Bayesian information criterion (BIC), mean prediction error (EPM), residues in starting points, called res 0, used to assess the fit in the first observations and an index value being considered as an evaluator at the end of adjustment (calculated as the ratio between 20% of the largest estimated values and estimated asymptote). In addition, Durbin-Watson and Breusch-Pagan tests were performed to verify the independence of waste and heteroscedasticity, respectively. The results show that in many repetitions, where was need a correction of autocorrelation and heteroscedasticity, the first order autoregressive model was the best fit. In relation to the single adjustment, where the autocorrelation was significant, the autoregressive model was the best, according to the criteria utilized, and when the autocorrelation was not significant, the fixed effects model was the best model / Mestre