#===============================================================================
#. Título: Aplicação de contrastes - AC
#. Curso : DEX076 - Metodologia e Estatística Experimental - Agronomia
# Autor : José Cláudio Faria
# Data  : 2026-04-01 12:17:49
#===============================================================================
# - Exemplificar, através do R, as análises e determinações numéricas do curso
#   de MEE referentes a análise de variância sob DIC e aplicação de contrastes
#===============================================================================

#. Pacotes necessários:
# gplots    (CRAN)
# gmodels   (CRAN)

# install.packages(c('gplots',
#                    'gmodels'))  # Instala todos os pacotes necessários do CRAN.

#. Dados
tra <- gl(4,
          6,
          labels=LETTERS[1:4])

pro <- c(58, 49, 51, 56, 50, 48,
         60, 55, 66, 61, 54, 61,
         59, 47, 44, 49, 62, 60,
         45, 33, 34, 48, 42, 44)


#. Análise de variância
is.factor(tra)   # Necessário ser fator para fazer ANOVA
is.numeric(pro)  # Necessário ser numérico para fazer ANOVA

# Carrega pacote necessário
library(gplots)

# plotmeans (gplots)
plotmeans(pro ~ tra,
          mean.labels=FALSE,
          digits=3,
          col='blue',
          connect=FALSE,
          ylab='Produção',
          xlab='Tratamentos')

av <- aov(pro ~ tra)

summary(av)


#. Contrastes
#.. Contrastes ortogonais
                                  #A   B   C   D
cmat <- rbind('(A,D) vs (B,C)' = c(1, -1, -1,  1),  # Define a matriz dos contrastes ortogonais
              'A vs D'         = c(1,  0,  0, -1),
              'B vs C'         = c(0,  1, -1,  0))
cmat

# Carrega pacote necessário
library(gmodels)

av1 <- aov(pro ~ tra,
           contrasts=list(tra=make.contrasts(cmat)))  # make.contrasts (gmodels): gera matriz dos contrastes

coef(av1)

summary(av1,                                          # ANOVA com a SQDtra e GLtra desdobrados em contrastes ortogonais
        split=list(tra=list('(A,D) vs. (B,C)'= 1,
                            'A vs. D   '     = 2,
                            'B vs. C'        = 3)))

# ou
summary(av1,                                          # ANOVA com a SQDtra e GLtra desdobrados em contrastes ortogonais
        split=list(tra=list('C1'= 1,
                            'C2'= 2,
                            'C3'= 3)))

#.. Cálculos alternativos
# fit.contrast (gmodels): testa constraste(s)
fit.contrast(av,
             tra,
              #A   B   C   D
             c(1, -1, -1,  1))  # (A, D) vs. (B, C)

#... Alterando os coeficientes dos constrastes para verificar influência na análise
#----------------------------------------------------------------------------
fit.contrast(av,
             tra,
              #A       B     C     D
             c(1/2, -1/2, -1/2,  1/2))  # (A, D) vs. (B, C) # Não influencia

fit.contrast(av,
             tra,
              #A   B   C   D
             c(2, -2, -2,  2))  # (A, D) vs. (B, C) # Não influencia

fit.contrast(av,
             tra,
              #A   B   C   D
             c(5, -5, -5,  5))  # (A, D) vs. (B, C) # Não influencia
#----------------------------------------------------------------------------

fit.contrast(av,
             tra,
              #A   B   C   D
             c(1,  0,  0, -1))  # A vs. D

fit.contrast(av,
             tra,
              #A   B   C   D
             c(0,  1, -1,  0))  # B vs. C

#.. Grupos de contrastes
fit.contrast(av,
             tra,
                                       #A   B   C   D
             rbind('(A,D) vs (B,C)' = c(1, -1, -1,  1),
                   'A vs D'         = c(1,  0,  0, -1),
                   'B vs C'         = c(0,  1, -1,  0)))

fit.contrast(av,
             tra,
             cmat)

#.. Um outro contraste não ortogonal em relação aos anteriores
fit.contrast(av,
             tra,
              #A   B   C   D
             c(1,  1,  1, -3))  # (A, B, C) vs. D