Bibliotecas

library(tidyverse)
library(effectsize)
library(readxl)
library(broom)
library(emmeans)
library(nlme)

Datos

datos <- read_excel("experimento_ratones.xlsx") 
datos

Tamaño del efecto

Modelo lineal

Modelo

modelo6 <- aov(GST ~ Treatment * Strain + Block, data = datos)
modelo6 %>% tidy()

Medias estimadas

  • Tratamiento:-
modelo6 %>% 
  emmeans(specs = "Treatment") %>% 
  as.data.frame()
  • Raza:
modelo6 %>% 
  emmeans(specs = "Strain") %>% 
  as.data.frame()
  • Interacción raza-tratamiento:
modelo6 %>% 
  emmeans(specs = pairwise ~ Treatment | Strain) %>% 
  as.data.frame()

Tamaño del efecto

modelo6 %>% 
  eta_squared()

Residuales

par(mfrow = c(2, 2))
plot(modelo6)

Modelo lineal mixto

Modelo

modelo_mixto1 <- lme(GST ~ Treatment * Strain,
                     random = ~ 1 | Block,
                     data = datos)

modelo_mixto1 %>% anova()

Diferencia de medias

  • Interacción raza-tratamiento:
modelo_mixto1 %>% 
  emmeans(specs = pairwise ~ Treatment | Strain) %>% 
  pairs() %>% 
  as.data.frame() %>% 
  select(emmeans.contrast, emmeans.Strain, emmeans.estimate, emmeans.p.value)

Tamaño del efecto

modelo_mixto1 %>% 
  eta_squared()

Residuales

  • Gráfico de normalidad:
residuales <- residuals(modelo_mixto1)
reales <- datos$GST
ajustados <- fitted(modelo_mixto1)

ggpubr::ggqqplot(residuales)

shapiro.test(residuales)
## 
##  Shapiro-Wilk normality test
## 
## data:  residuales
## W = 0.93226, p-value = 0.2647
  • Homocedasticidad:
plot(x = ajustados, y = residuales)
abline(h = 0, lty = 2, col = "red")

Comparación de modelos

AIC(modelo6, modelo_mixto1)
BIC(modelo6, modelo_mixto1)