View
344
Download
7
Category
Preview:
Citation preview
Modelos Mixtos en
InfoStat
Julio A. Di Rienzo
Raúl Macchiavelli
Fernando Casanoves
Actualizado en Octubre de 2009
Modelos Mixtos en InfoStat
Julio A. Di Rienzo es Profesor Asociado de Estadística y
Biometría de la Facultad de Ciencias Agropecuarias de la
Universidad Nacional de Córdoba, Argentina. Director del
grupo de desarrollo de InfoStat y responsable de la
implementación de la interfase con R que se presenta en
esta obra (dirienzo@agro.uncor.edu).
Raúl E. Macchiavelli es Catedrático de Biometría en el
Facultad de Ciencias Agrícolas, Universidad de Puerto Rico
- Mayagüez (raul.macchiavelli@upr.edu)
Fernando Casanoves es el Jefe de la Unidad de
Bioestadística del Centro Agronómico Tropical de
Investigación y Enseñanza (CATIE). Anteriormente trabajó
en la Facultad de Ciencias Agropecuarias de la Universidad
Nacional de Córdoba, Argentina, donde participó del
desarrollo de InfoStat (casanoves@catie.ac.cr).
Modelos Mixtos en InfoStat
AGRADECIMIENTOS
Los autores agradecen a las Estadísticas Yuri Marcela García Saavedra y Jhenny Liliana
Salgado Vásquez, de la Universidad del Tolima, Colombia, por la lectura crítica del
manuscrito, la reproducción de la ejemplificación de este manual y los aportes sobre
algunos detalles de la interfaz.
Modelos Mixtos en InfoStat
ii
INDICE DE CONTENIDOS
Introducción ................................................................................................................................1
Requerimientos (actualización 25/10/2009) .......................................................................1
Invocación del procedimiento de modelos lineales generales y mixtos ..................................2
Especificación de los efectos fijos...............................................................................................2
Especificación de los efectos aleatorios .....................................................................................5
Comparación de medias de tratamientos..................................................................................8
Especificación de la estructura de correlación y de varianza de los errores .........................9
Especificación de la estructura de correlación........................................................................ 10
Especificación de la parte fija .......................................................................................................... 12
Especificación de la parte aleatoria................................................................................................. 13
Especificación de la correlación de los errores ............................................................................... 14
Especificación de la estructura de varianzas de los errores .................................................... 18
Análisis de un modelo ajustado ...............................................................................................21
Ejemplos de Aplicación de Modelos Lineales Generales y Mixtos ......................................26
Estimación de componentes de varianza ................................................................................ 27
Aplicación de modelos mixtos para datos estratificados ........................................................ 49
Parcelas divididas ............................................................................................................................ 49
Parcelas divididas en un arreglo en bloques.................................................................................... 50
Parcelas divididas en un arreglo en diseño completamente aleatorizado........................................ 60
Parcelas subdivididas (split-split plot) ............................................................................................. 68
Aplicación de modelos mixtos para mediciones repetidas en el tiempo ................................ 77
Datos longitudinales......................................................................................................................... 77
Análisis de un ensayo de establecimiento de forrajeras ................................................................... 78
Análisis de un ensayo de drogas para asma..................................................................................... 96
Análisis de bolsas de descomposición ............................................................................................ 112
Uso de modelos mixtos para el control de la variabilidad espacial en ensayos agrícolas .... 125
Correlación espacial ...................................................................................................................... 125
Análisis de un ensayo comparativo de rendimientos en maní ........................................................ 126
Aplicaciones de modelos mixtos en otros diseños experimentales ...................................... 147
Diseño en franjas (strip-plot) ......................................................................................................... 147
Diseño experimental con dos factores y dependencia espacial ...................................................... 156
Diseños de testigos apareados........................................................................................................ 169
Referencias...............................................................................................................................181
Índice de cuadros ....................................................................................................................183
Índice de figuras......................................................................................................................183
Modelos Mixtos en InfoStat
1
Introducción
InfoStat implementa una interfase amigable de la plataforma R para la estimación de
modelos lineales generales y mixtos a través de los procedimientos gls y lme de la
librería nlme. La bibliografía de referencia de esta implementación, así como alguno de
los ejemplos utilizados, corresponde a Pinheiro y Bates (2004). Las rutinas utilizadas
para vincular la plataforma de desarrollo de InfoStat (Delphi) con el DCOM-R (una
forma de correr R en el background) es un desarrollo de Dieter Menne
(dieter.menne@menne-biomed.de).
Requerimientos (actualización 25/10/2009)
Para que InfoStat pueda tener acceso a R, debe estar instalado en su sistema el
componente DCOM y R. Para ello se deben seguir los siguientes pasos (EN ESE
ORDEN):
a. Desinstalar R si estuviera previamente instalado en su computadora.
b. Desinstalar DCOM si estuviera previamente instalado en su computadora
c. Reiniciar su computadora
d. Instalar DCOM DCOM 3.01B5
e. Reinstalar R R-2.9.2-win32
f. Correr R e instalar (desde los repositórios de R) la librería rscproxy
g. Salir de R – Instalación concluida
Nota: Si bien InfoStat se mantiene actualizado para las últimas versiones de DCOM y R, se recomienda utilizar las versiones que se pueden descargar de los vínculos (links) anteriores.
En algunas configuraciones de Windows Vista hay inconvenientes para instalar la
librería rscproxy. El síntoma es que cuando están instalando la librería, aparece un
diálogo de opciones (dos opciones). No importa la opción que Ud. elija la instalación
fallará. Solución: Entre al sitio del CRAN, busque y descargue manualmente el archivo
rscproxy zipeado. Descomprímalo y cópielo (o muévalo) al directorio
C:\Archio de Programas\R\R-2.9.0\library\.
Modelos Mixtos en InfoStat
2
Invocación del procedimiento de modelos lineales generales y mixtos
En el menú Estadísticas seleccionar el submenú Modelos lineales generales y mixtos,
allí encontrará dos opciones. La primera, con el rótulo Estimación, invoca la ventana de
diálogo que permite especificar la estructura del modelo. La segunda, rotulada Análisis
–exploración de modelos estimados, se activa cuando algún modelo ha sido estimado
previamente y contiene un conjunto de herramientas para el análisis diagnóstico.
Especificación de los efectos fijos
Comenzaremos indicando cómo ajustar un modelo de efectos fijos, utilizando el archivo
Atriplex.IDB2 del conjunto de datos de prueba de InfoStat. Una vez abierto este archivo
activar el menú Estadísticas, submenú Modelos lineales mixtos, opción Estimación. En
la ventana de selección de variables, los factores de clasificación, covariables y
variables dependientes pueden ser especificados como en un análisis de la varianza para
efectos fijos. Para los datos en el archivo Atriplex.IDB2 especificar PG como variable
respuesta y como criterios de clasificación a Tamaño y Episperma. Una vez que se
acepta la selección realizada se mostrará la ventana principal de la interfase para
modelos mixtos. Esta ventana contiene cinco solapas (Figura 1).
Figura 1: Solapas con las opciones para especificación de un modelo lineal general y mixto.
La primera permite especificar los efectos fijos del modelo y seleccionar opciones para
la presentación de resultados y la generación de predicciones, obtener residuos del
modelo y especificar el método de estimación. Por defecto el método de estimación es
máxima verosimilitud restringida (REML).
A la derecha de la ventana aparecerá una lista conteniendo las variables de clasificación
y las covariables declaradas en la ventana de selección de variables. Para incluir un
factor (variable de clasificación) o una covariable a la parte fija del modelo, basta hacer
doble clic sobre el nombre del factor o covariable que se quiere incluir. Esta acción
agregará una línea en la lista de efectos fijos. Doble clics adicionales sobre un factor o
una covariable agregarán términos en líneas sucesivas, implícitamente separados por un
signo “+” (modelo aditivo). Seleccionando con el ratón los factores principales y
Modelos Mixtos en InfoStat
3
accionando el botón “*” se introduce un término que especifica la interacción entre los
factores. Para el conjunto de datos en el archivo Atriplex.IDB2, incluir en el modelo de
efectos fijos los factores Tamaño, Episperma y su interacción (Figura 2). Algunos de los
textos en estas ventanas han sido aumentados de tamaño para mejorar su visualización
(esto se logra moviendo el roller del ratón mientras la tecla Ctrl del teclado esta
apretada).
Si aceptamos esta especificación, en la ventana de resultados de InfoStat se obtendrá la
salida que se muestra a continuación de la Figura 2. La salida que se obtiene es la más
sencilla ya que no se han especificado características adicionales del modelo u otras
opciones de análisis. La primera parte contiene la especificación de la forma en que se
invocó la estimación del modelo en la sintaxis de R, e indica el nombre del objeto R que
contiene al modelo y su estimación. En este caso modelo001_PG_REML. Esta
especificación es sólo de interés para aquellos que están acostumbrados a ver las
sentencias en R.
La segunda parte muestra medidas de ajuste que son útiles para comparar distintos
modelos ajustados a un conjunto de datos. AIC hace referencia al criterio de Akaike,
BIC al Criterio Bayesiano de Información, logLik al logaritmo de la verosimilitud y
Sigma a la desviación estándar residual.
La tercera parte de esta salida presenta una tabla de análisis de la varianza mostrando las
pruebas de hipótesis de tipo secuencial.
Modelos Mixtos en InfoStat
4
Figura 2: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Atriplex.IDB2.
Modelos lineales generales y mixtos Especificación del modelo en R modelo001_PG_REML<-gls(PG~1+Tamano+Episperma+Tamano:Episperma ,method="REML" ,na.action=na.omit ,data=R.data01) Resultados para el modelo: modelo001_PG_REML Variable dependiente:PG Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 27 160.36 169.26 -70.18 9.07 0.92 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF F-value p-value (Intercept) 1 1409.95 <0.0001 Tamano 2 10.49 0.0010 Episperma 2 90.53 <0.0001 Tamano:Episperma 4 2.29 0.0994
Modelos Mixtos en InfoStat
5
Especificación de los efectos aleatorios
Los efectos aleatorios están asociados a grupos de observaciones. Ejemplos típicos son
las medidas repetidas sobre un mismo individuo o las respuestas observadas en grupos
de unidades experimentales homogéneas (bloques) o en los individuos de un mismo
grupo familiar, etc. Estos efectos aleatorios son “agregados” a los efectos fijos de
manera selectiva. Por lo tanto, en la especificación de los efectos aleatorios es necesario
tener uno o más criterios de agrupamiento o estratificación, y elegir sobre qué efectos
fijos se agregan los efectos aleatorios asociados. En el procedimiento lme de R, sobre el
que se basa esta implementación, cuando hay más de un criterio de agrupamiento
admisible, estos son anidados o encajados.
En la segunda solapa del diálogo de especificación del modelo podemos elegir los
criterios de estratificación o agrupamiento y la forma en que éstos incorporan efectos
aleatorios a los componentes fijos. Para ejemplificar la especificación de los efectos
aleatorios consideremos el archivo de prueba Bloque.IDB2. Este archivo contiene tres
columnas: Bloque, Tratamiento y Rendimiento. En este ejemplo indicaremos que los
bloques fueron seleccionados en forma aleatoria o producen un efecto aleatorio (por
ejemplo, si los bloques son conjuntos de parcelas, el efecto de estos puede ser
considerado aleatorio ya que su respuesta dependerá entre otras cosas de condiciones
ambientales que no son predecibles), mientras que los tratamientos agregan efectos
fijos. Para especificar este modelo, las dos primeras columnas del archivo de pruebas
Bloque.IDB2 (Bloque y Tratamiento) se ingresarán como criterios de clasificación y la
última (Rendimiento) como variable dependiente. El factor Tratamiento se incluirá en la
solapa Efectos fijos como el único componente de esa parte del modelo. Para agregar el
efecto aleatorio de los bloques, seleccionaremos la solapa Efectos aleatorios. Cuando se
selecciona ésta solapa la lista Criterios de estratificación está vacía. Haciendo doble clic
sobre Bloque en la lista de variables, se agrega éste factor de clasificación, como criterio
de agrupamiento. La inclusión de un criterio de estratificación activa, en el panel
inferior, un dispositivo que permite detallar la forma en que el efecto aleatorio entra en
el modelo. En éste dispositivo hay una lista de componentes de la parte fija de modelo.
El primer componente hace referencia a la Constante y el resto a los otros términos, en
este caso Tratamiento (Figura 3).
Modelos Mixtos en InfoStat
6
Figura 3: Ventana desplegada con la solapa Efectos aleatorios para los datos del archivo Bloque.IDB2.
Dentro de la lista de términos fijos aparecen los criterios de estratificación previamente
especificados. La combinación de ambas listas define los efectos aleatorios. Para ello,
cada criterio de estratificación, dentro de cada efecto fijo, tiene asociado un check box.
Cuando éste está tildado indica que hay un conjunto de efectos aleatorios asociados al
efecto fijo correspondiente. El número de efectos aleatorios es igual al número de
niveles que tiene el término fijo del modelo o a 1 en el caso de la constante o de las
covariables. En el ejemplo que se ilustra se está incluyendo un efecto aleatorio inducido
por los bloques sobre la constante.
Esta especificación representa al siguiente modelo:
; 1,.., ; 1,...,ij i j ijy b i T j B (1)
donde ijy es la respuesta al i-ésimo tratamiento en el j-ésimo bloque, la media
general de rendimientos, i los efectos fijos de los tratamientos, jb el cambio del nivel
medio de ijy asociado al j-ésimo bloque y ij el término de error asociado a la
Modelos Mixtos en InfoStat
7
observación ijy . T y B son el número de niveles del factor de clasificación
correspondiente al efecto fijo Tratamiento y al número de bloques respectivamente. Los
jb se consideran, a diferencia de un efecto fijo, como variables aleatorias idénticamente
distribuidas 20, bN y cuyas realizaciones se interpretan como los efectos de los
distintos grupos o estratos (bloques, en este ejemplo). Luego, en estos modelos, los jb
no se estiman, lo que se estima es el parámetro 2b que caracteriza a su distribución. Los
ij también se interpretan como variables aleatorias idénticamente distribuidas
20,N y describen a los errores aleatorios asociados a cada observación. Se supone,
además, que las variables aleatorias jb y ij son independientes.
La salida del ejemplo se muestra a continuación. La parte nueva de esta salida, respecto
del ejemplo con el modelo lineal de efectos fijos, es que tiene una sección de parámetros
para los efectos aleatorios.
Especificación del modelo en R modelo002_Rendimiento_REML<-lme(Rendimiento~1+Tratamiento ,random=list(Bloque=pdIdent(~1)) ,method="REML" ,na.action=na.omit ,data=R.data03 ,keep.data=FALSE) Resultados para el modelo: modelo003_Rendimiento_REML Variable dependiente:Rendimiento Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 R2_1 20 218.77 223.73 -102.39 160.65 0.89 0.93 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF denDF F-value p-value (Intercept) 1 12 2240.00 <0.0001 Tratamiento 4 12 41.57 <0.0001 Parámetros de los efectos aleatorios Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~1|Bloque Desvíos estándares relativos al residual y correlaciones (const) (const) 0.57
Modelos Mixtos en InfoStat
8
En este caso se presenta la estimación de b (la desviación estándar de los jb relativa al
residual) como 0.57. Al comienzo de la salida puede observarse la estimación de , la
desviación estándar de los ij , como 160.65. Así, la varianza de los bloques puede
calcularse como: 2 2(0.57 160.65) 8385.15b
Comparación de medias de tratamientos
Siguiendo en la solapa Comparaciones (Figura 4), si en el panel que lista los términos
fijos del modelo se tilda alguno de ellos, se obtiene una tabla de medias y errores
estándares y una comparación múltiple entre medias del tipo LSD de Fisher (esta prueba
está basada en una prueba de Wald) o la prueba de formación de grupos excluyentes
DGC (Di Rienzo et ál. 2002). También se presentan varias opciones de corrección por
comparaciones múltiples.
Figura 4: Ventana desplegada con la solapa Comparaciones para los datos del archivo Bloque.IDB2.
Modelos Mixtos en InfoStat
9
La salida correspondiente a la comparación de las medias de tratamientos se presenta a
continuación.
Medias ajustadas y errores estándares para Tratamiento LSD Fisher (alfa=0.05) Procedimiento de corrección de p-valores: No Tratamiento Medias E.E. 300 3237.75 92.47 A 225 3093.50 92.47 A B 150 2973.00 92.47 B 75 2498.50 92.47 C 0 1972.75 92.47 D Letras distintas indican diferencias significativas(p<= 0.05)
La comparación de medias de tratamientos se muestra de la forma clásica como una
lista ordenada en forma decreciente.
Si el usuario desea controlar el error tipo I para la familia de todas las comparaciones de
a pares, puede optar por alguno de los cuatro criterios implementados: Bonferroni (Hsu
199), Sidak (Hsu 1996), Benjamini-Hochberg (Benjamini y Hochberg 1995) o
Benjamini-Yekutieli (Benjamini y Yekutieli 2001). Si para este mismo conjunto de
datos se selecciona la opción Bonferroni, se obtiene el siguiente resultado:
Medias ajustadas y errores estándares para Tratamiento LSD Fisher (alfa=0.05) Procedimiento de corrección de p-valores: Bonferroni Tratamiento Medias E.E. 300 3237.75 92.47 A 225 3093.50 92.47 A B 150 2973.00 92.47 A B 75 2498.50 92.47 B 0 1972.75 92.47 B Letras distintas indican diferencias significativas(p<= 0.05)
Especificación de la estructura de correlación y de varianza de los errores
Las estructuras de varianzas y de covarianzas pueden modelarse separadamente. Para
ello, InfoStat presenta dos solapas: en la solapa Correlación se encuentran las opciones
para especificar la estructura de correlación de los errores y la solapa
Heteroscedasticidad permite seleccionar distintos modelos para la función de varianza.
A continuación se describen los contenidos de estas solapas.
Modelos Mixtos en InfoStat
10
Especificación de la estructura de correlación
Para ejemplificar la utilización de esta herramienta recurriremos a un ejemplo citado en
Pinheiro y Bates (2004). Corresponde al archivo “Ovary” que contiene los datos de un
estudio de Pierson y Ginther (1987) sobre el número de folículos mayores de 10 mm en
ovarios de yeguas (mare). Estos números se registraron a los largo del tiempo desde 3
días antes de la ovulación y hasta 3 días después de la próxima ovulación. Los datos
pueden cargarse desde la librería nlme utilizando el ítem de menú Aplicaciones>>Data
set de R. Cuando se activa esta opción aparece la siguiente ventana de diálogo, que
puede diferir en el número de librerías que estén instaladas en su configuración local de
R (Figura 5).
Figura 5: Ventana de diálogo para importar datos desde las librerías de R.
En ella se muestra tildada la librería nlme y a la derecha la lista de archivos de datos en
esa librería. Haciendo doble clic sobre “Ovary, nlme” se abrirá una tabla de datos de
InfoStat conteniendo los datos correspondientes. El encabezamiento de la tabla abierta
se muestra a continuación (Figura 6).
Modelos Mixtos en InfoStat
11
Figura 6: Encabezamiento de la tabla de datos del archivo Ovary.
Una gráfica de la relación entre número de folículos y el tiempo se muestra a
continuación (Figura 7).
-0,25 0,00 0,25 0,50 0,75 1,00 1,25
Time
0
5
10
15
20
25
Fo
llicl
es
Figura 7: Relación entre el número de folículos (follicles) y el tiempo (Time).
Pinheiro y Bates (2004) proponen ajustar un modelo donde el número de folículos
depende linealmente del seno(2*pi*Time) y el coseno(2*pi*Time). Este modelo trata de
reflejar las variaciones cíclicas del número de folículos mediante la inclusión de
funciones trigonométricas. Además proponen la inclusión de un efecto aleatorio de
yegua (Mare) sobre la constante del modelo y una auto-correlación de orden 1 de los
errores dentro de cada hembra. El efecto aleatorio se incluyó para romper con la falta de
independencia debida a efectos sujeto-dependientes que se expresan como perfiles
Modelos Mixtos en InfoStat
12
paralelos del número de folículos a través del tiempo. El modelo propuesto tendría la
siguiente forma general:
0 1 2 02* * 2* *iTime i ity sin pi Time cos pi Time b (2)
donde los componentes aleatorios son 20 ~ 0,i bob N y 2~ 0,it N .
Por otra parte, la inclusión de una auto-correlación de orden 1 AR1 dentro de cada
yegua tiene como propósito modelar una eventual correlación serial. Para especificar
este modelo en InfoStat, indicaremos que follicles es la variable dependiente, que Mare
es un criterio de clasificación y que Time es una covariable.
Especificación de la parte fija
La parte fija del modelo quedará indicada como se muestra en la Figura 8. InfoStat
verifica que los elementos en esta ventana se corresponden con los factores y
covariables listados en la parte derecha de la ventana.
Figura 8: Ventana desplegada con la solapa Efectos fijos para los datos del archivo Ovary.
Modelos Mixtos en InfoStat
13
Si no es así, porque no se han respetado minúsculas y mayúsculas (R es sensible a la
tipografía), entonces InfoStat substituye eso términos por los apropiados. Pero si aún
así, hay palabras que InfoStat no puede interpretar (como en este caso sin, cos y pi),
entonces la línea queda marcada en rojo. Esto no quiere decir que esté incorrecta sino
que puede estarlo y advierte al usuario para que la verifique.
Especificación de la parte aleatoria
La parte aleatoria se indica agregando a la lista de criterios de estratificación el factor
Mare y especificando que el efecto yegua (Mare) es sobre la constante. Esto se indica
tildando Mare dentro de Constante como se muestra en la Figura 9 (este tildado se
agrega por defecto). Los términos sin(2*pi*Time) y cos(2*pi*Time) no presentan, en
este caso, efectos aleatorios asociados.
Figura 9: Ventana desplegada con la solapa Efectos aleatorios para los datos del archivo Ovary.
Modelos Mixtos en InfoStat
14
Especificación de la correlación de los errores
La especificación de la correlación autorregresiva de orden 1 para los errores dentro de
cada hembra, se indica en la solapa Correlación 1 como se ilustra en la Figura 10. En R
hay dos grupos de modelos de correlación. El primero corresponde a modelos de
correlación serial, donde se supone que los datos están ordenados en una secuencia, y el
segundo grupo modela correlaciones espaciales. En el primer grupo encontramos los
modelos de simetría compuesta, sin estructura, autorregresivo de orden 1,
autorregresivo continuo de orden 1 y el modelo ARMA(p,q), donde p indica el número
de términos autorregresivos y q el número de términos de medias móviles (moving
average). Todos estos modelos suponen que los datos están ordenados en una
secuencia. Por defecto, InfoStat asume la secuencia en la que los datos están dispuestos
en el archivo, pero si existe una variable que los ordena de manera diferente, ésta debe
indicarse en el casillero Variable que indica el orden de las observaciones (para que
este casillero se active hay que seleccionar alguna de las estructuras de correlación).
Esta variable debe ser entera para la opción autorregresiva. Por este motivo, InfoStat
agrega en la sentencia traducida al lenguaje R, una indicación para que la variable sea
interpretada como entera. En el ejemplo que estamos ilustrando, la variable Time es un
número real que codifica el tiempo relativo a un punto de referencia y está en una escala
inapropiada para usarla como criterio de ordenamiento. Sin embargo, como los datos
están ordenados por tiempo dentro de cada yegua (Mare), esta especificación puede
omitirse (Figura 10).
1 Si los errores se suponen independientes (no correlacionados), entonces debe seleccionarse la primera
opción de la lista de estructura de correlación (seleccionada por defecto).
Modelos Mixtos en InfoStat
15
Figura 10: Ventana desplegada con la solapa Correlación para los datos del archivo Ovary.
Si los datos no estuvieran ordenados en forma ascendente dentro del criterio de
agrupamiento (Mare), habría que agregar una variable que identifique el orden. Para
agregar una variable de ordenamiento su nombre puede escribirse o arrastrarse con el
ratón desde la lista de variables, al casillero correspondiente. Es usual que la estructura
de correlación esté asociada a un criterio de agrupamiento, en este caso Mare. Esto se
indica en el panel rotulado Criterios de agrupamiento (para que este casillero se active
hay que seleccionar alguna de las estructuras de correlación). Si se incluye más de un
criterio, InfoStat construye tantos grupos como combinación de niveles en los factores
de clasificación que se especifiquen. En la parte inferior de la ventana, rotulada
Expresión resultante, se muestra la expresión R que se está especificando para la
componente “corr=” de gls o lme. Esta expresión es sólo informativa y no puede
editarse.
Modelos Mixtos en InfoStat
16
A continuación se presenta la salida completa del modelo ajustado conteniendo la tabla
de análisis de la varianza de los efectos fijos, que en este caso son pruebas sobre la
pendiente asociada a las covariables sin(2*pi*Time) y cos(2*pi*Time). A continuación,
se observa que la desviación estándar del componente aleatorio de la ordenada al origen
es 0.77 veces la desviación estándar residual y que el parámetro phi del modelo
autorregresivo es 0.61.
Modelos lineales generales y mixtos Especificación del modelo en R Modelo000_follicles_REML<-lme(follicles~1+sin(2*pi*Time)+cos(2*pi*Time) ,random=list(Mare= pdIdent(~1)) ,correlation=corAR1(form=~1|Mare) ,method="REML" ,na.action=na.omit ,data=R.data2 ,keep.data=FALSE) Variable dependiente:follicles Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 R2_1 308 1562.45 1584.77 -775.22 3.67 0.21 0.56 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF denDF F-value p-value (Intercept) 1 295 163,29 <0,0001 sin(2 * pi * Time) 1 295 34,39 <0,0001 cos(2 * pi * Time) 1 295 2,94 0,0877 Parámetros de los efectos aleatorios Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~1|Mare Desvíos estándares relativos al residual y correlaciones (Const) (Const) 0.77 Estructura de correlación Modelo de correlación: AR(1) Formula: ~ 1 | Mare Parámetros del modelo Estimación Phi 0.61
Modelos Mixtos en InfoStat
17
Los valores predichos por el modelo ajustado anteriormente versus el tiempo se
presentan en la Figura 11. La línea de trazo negro representa la estimación del promedio
poblacional y corresponde a la parte fija del modelo. Las curvas paralelas a esta son las
predicciones para cada yegua derivadas de la inclusión de un efecto aleatorio (sujeto
específico) sobre la constante. La inclusión de errores correlacionados según un modelo
autorregresivo de orden 1 tuvo por objeto (según nuestra interpretación) contemplar la
falta de independencia generada por el alejamiento de la curva de folículos de cada
yegua respecto de las curvas de folículos que se generan permitiendo una variación
sujeto-específica solo para la constante. Las discrepancias respecto del modelo que
incluye solo desviaciones sujeto-específicas para la constante pueden visualizarse
ajustando un modelo con efectos aleatorios sobre todos los parámetros de la parte fija
(Figura 12).
Poblacional Mare 01 Mare 02
Mare 03 Mare 04 Mare 05
Mare 06 Mare 07 Mare 08
Mare 09 Mare 10 Mare 11
-0,30 0,10 0,50 0,90 1,30
Time
2
7
12
17
22
folli
cle
s
Poblacional Mare 01 Mare 02
Mare 03 Mare 04 Mare 05
Mare 06 Mare 07 Mare 08
Mare 09 Mare 10 Mare 11
Figura 11: Funciones ajustadas para el número poblacional de folículos (línea sólida negra) y para cada yegua originada por el efecto aleatorio sobre la constante (archivo Ovary).
Modelos Mixtos en InfoStat
18
-0,30 0,10 0,50 0,90 1,30
Time
2
6
10
14
18
22
folli
cle
s
Figura 12: Funciones ajustadas para el número de folículos para cada yegua originada por la inclusión de efectos aleatorios sobre todos los parámetros de la parte fija del modelo (archivo Ovary).
Especificación de la estructura de varianzas de los errores
Este módulo permite contemplar modelos heteroscedásticos. La heteroscedasticidad sin
embargo no tiene un origen único y así como se modela la correlación entre los errores,
la heteroscedasticidad también puede modelarse. El modelo para las varianzas de los
errores se puede especificar de la siguiente manera: 2 2var( ) ( , , )i i ig z δ donde (.)g
se conoce como función de varianza. Esta función puede depender de la esperanza
( )i de iY (la variable de respuesta), de un conjunto de covariables iz y de un vector
de parámetros δ . InfoStat, a través de R, estima los parámetros δ de acuerdo a la
función de varianza seleccionada. La solapa Heteroscedasticidad se muestra en la
Figura 13. Las funciones de varianza admitidas pueden ser identidad (varIdent),
exponencial (varExp), potencia (varPower), potencia corrida por una constante
(varConstPower), o fija (varFixed). R admite que varios modelos de varianza puedan
superponerse, es decir, que para ciertos grupos de datos la varianza puede estar asociada
con alguna covariable y para otros con otra. La especificación simultánea de varios
Modelos Mixtos en InfoStat
19
modelos para la función de varianza se obtiene, simplemente, marcando y especificando
cada uno de los componentes y agregándolos a la listas de funciones de varianza.
InfoStat arma la sentencia apropiada para R.
En la solapa Heteroscedasticidad para el ejemplo de los folículos, hemos indicado que
la varianza de los errores es distinta para cada yegua, seleccionando varIdent como
modelo de la función de varianza y escribiendo Mare en Criterios de agrupamiento.
Figura 13: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Ovary.
A continuación se presenta la salida del ajuste incluyendo estimaciones de la desviación
estándar del error para cada yegua. También aquí las desviaciones estándar están
expresadas en términos relativos a la desviación estándar residual. Además, el primer
nivel del criterio de agrupamiento especificado para calcular estas desviaciones estándar
diferenciales, es siempre inicializado en 1 porque de otra forma el modelo no es
identificable. En la salida se observa que la hembra 5 tiene una variabilidad en el
número de folículos comparativamente mayor que las otras hembras.
Modelos Mixtos en InfoStat
20
El modelo para estos datos sería:
0 1 2 02* * 2* *iTime i ity sin pi Time cos pi Time b (3)
donde los componentes aleatorios son 20 ~ 0,i bob N y 2~ 0,it iN .
Obsérvese que la varianza residual está sub-indicada con el índice que identifica a las
yeguas.
Como es usual, los componentes aleatorios del modelo se suponen independientes.
Luego si tomamos una yegua al azar la varianza de la respuesta sería la suma de las
varianzas de la parte aleatoria, es decir 2 20var( )iTime b iy , o sea (3.57*0.8)2 +
(3.57*gi)2, donde gi es la función de varianza para una yegua elegida aleatoriamente.
Ahora bien, cuando se condiciona a una yegua dada (por ejemplo la 5), el efecto
individuo ( 0ib ) está fijado, así que la varianza de la yegua 5 solo está asociada a la parte
residual y además la función de varianza queda especificada, (es decir, hay que usar g5)
y la varianza sería (3.57*1.34)2.
Modelos lineales generales y mixtos Especificación del modelo en R Modelo001_follicles_REML<-lme(follicles~1+sin(2*pi*Time)+cos(2*pi*Time) ,random=list(Mare= pdIdent(~1)) ,weight=varComb(varIdent(form=~1|Mare)) ,correlation=corAR1(form=~1|Mare) ,method="REML" ,na.action=na.omit ,data=R.data5 ,keep.data=FALSE) Variable dependiente:follicles Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 R2_1 308 1569.02 1628.55 -768.51 3.57 0.21 0.56 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF denDF F-value p-value (Intercept) 1 295 156.36 <0.0001 sin(2 * pi * Time) 1 295 34.22 <0.0001 cos(2 * pi * Time) 1 295 3.18 0.0756
Modelos Mixtos en InfoStat
21
Parámetros de los efectos aleatorios Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~1|Mare Desvíos estándares relativos al residual y correlaciones (Const) (Const) 0.80 Estructura de correlación Modelo de correlacion: AR(1) Formula: ~ 1 | Mare Parámetros del modelo Estimación Phi 0.61 Estructura de varianzas Modelo de varianzas: varIdent Formula: ~ 1 | Mare Parámetros del modelo Parámetro Estim 1 1.00 2 1.01 3 1.20 4 0.82 5 1.34 6 1.05 7 0.92 8 1.06 9 0.93 10 0.99 11 0.77
Análisis de un modelo ajustado
Cuando InfoStat ajusta un modelo lineal general o mixto con el menú Estimación, se
activa el menú Análisis-exploración de modelos estimados. En este diálogo aparecen
varias solapas como se muestra en la Figura 14.
Modelos Mixtos en InfoStat
22
Figura 14: Ventana comparación de modelos generales y mixtos con la solapa Diagnóstico desplegada (archivo Atriplex.IDB2).
El ejemplo usado en este caso es el del archivo Atriplex.IDB2, sobre el que se estimaron
2 modelos de efectos fijos, el modelo000_PG_REML que contiene los efectos Tamaño,
Episperma y su interacción, y el modelo001_PG_REML que solo contiene los efectos
principales de Tamaño y Episperma.
La solapa Modelos sólo aparece en el caso que haya más de un modelo estimado y
presenta una lista de los modelos evaluados en un “check-list”. Los modelos tildados,
aparecen en una lista con sus estadísticos resumen y una prueba de hipótesis de igualdad
de modelo cuya aplicabilidad debe tomarse con cautela ya que no todos los modelos son
estrictamente comparables. De todas formas los criterios AIC y BIC son buenos
indicadores para seleccionar el modelo más parsimonioso.
La solapa Combinaciones lineales tiene como propósito probar hipótesis sobre
combinaciones lineales. La hipótesis que se prueba es que la esperanza de la
combinación lineal es cero. En esta ventana de diálogo aparecen listados los parámetros
fijos del modelo que se haya seleccionado de la lista que aparece en la parte derecha de
Modelos Mixtos en InfoStat
23
la pantalla (Importante: por defecto siempre está seleccionado el último de la lista). En
la parte inferior de la pantalla hay un campo de edición donde pueden especificarse las
constantes de la combinación lineal. A medida que los coeficientes se van agregando,
los parámetros correspondientes se van coloreando para facilitar la especificación de las
constantes, como se ilustra en la Figura 15.
Figura 15: Ventana comparación de modelos generales y mixtos con la solapa Combinaciones lineales desplegada (archivo Atriplex.IDB2).
Finalmente la solapa Diagnóstico tiene 3 subsolapas (Figura 14). La primera,
identificada como “Residuos vs…” tiene dispositivos que sirven para generar de manera
sencilla gráficos del tipo boxplot para los residuos estandarizados vs. cada uno de los
factores fijos del modelo o diagramas de dispersión entre los residuos estandarizados y
las covariables del modelo o los valores predichos. Asimismo, es posible obtener el
gráfico QQ-plot normal. La segunda solapa, identificada como “ACF-SV”, permite
generar un gráfico de la función de auto-correlación (útil para el diagnóstico de
correlaciones seriales) y la tercera, identificada como LevelPlot, permite generar
gráficos de residuos vs. coordenadas espaciales para generar un mapa del sentido e
Modelos Mixtos en InfoStat
24
intensidad de los residuos. Esta herramienta es útil en el diagnóstico de estructuras de
correlación espacial.
Para ejemplificar el uso de la solapa ACF-FV consideremos el ejemplo de los folículos
(archivo Ovary). En este ejemplo se argumentó que la inclusión del término
autorregresivo de orden 1 tenía por objeto corregir una falta de independencia generada
por las discrepancias entre los ciclos individuales de cada yegua respecto de los ciclos
individuales que solo diferían del ciclo promedio poblacional por una constante (Figura
11). El gráfico de la autocorrelación serial de los residuos correspondiente a un modelo
sin la inclusión de la autocorrelación de orden 1 muestra un claro patrón autorregresivo
(Figura 16). Por otra parte, el gráfico de la autocorrelación de los residuos para el
modelo que contempla la autocorrelación mediante un término autorregresivo de orden
1, corrige la falta de independencia (Figura 17).
Lag
Au
toco
rre
latio
n
-0.2
0.0
0.2
0.4
0.6
0.8
0 5 10
Figura 16: Función de autocorrelación de los residuos del modelo presentado en la Ecuación (2) excluyendo la modelación de la autocorrelación serial.
Modelos Mixtos en InfoStat
25
Lag
Au
toco
rre
latio
n
-0.2
0.0
0.2
0.4
0.6
0.8
0 5 10
Figura 17: Función de autocorrelación de los residuos del modelo presentado en la Ecuación (2) incluyendo la modelación de la autocorrelación serial.
Las facilidades de la solapa Diagnóstico tienen por propósito permitir al investigador un
rápido diagnóstico de los eventuales problemas de adecuación tanto de la parte fija
como aleatoria del modelo ajustado. En la presentación de ejemplos se ilustrará más
extensamente el uso de estas herramientas.
Modelos Mixtos en InfoStat
Ejemplos de Aplicación de Modelos Lineales Generales y Mixtos
Modelos Mixtos en InfoStat
Estimación de componentes de varianza
En áreas como el mejoramiento genético animal o vegetal es de particular interés el
cálculo de componentes de varianza. Estos son usados para obtener heredabilidades,
respuesta a la selección, coeficientes de variabilidad genética aditiva, coeficientes de
diferenciación genética, etc. Los modelos lineales mixtos pueden usarse para estimar los
componentes de varianza, por medio del estimador de máxima verosimilitud restringida
(REML).
En muchos estudios de genética de poblaciones se trabaja con varias poblaciones que a
su vez están representadas por uno o más individuos de distintas familias. En este caso
se cuenta con dos factores en el modelo, las poblaciones y las familias dentro de cada
población. Para ejemplificar el uso de componentes de varianza se usan los datos que se
presentan en el archivo Compvar.IDB2 (Navarro et ál. 2005). Estos datos provienen de
un ensayo de siete poblaciones de cedro (Cedrela odorata L.) con un total de 115
familias. Para algunas familias se cuenta con repeticiones y para otras no. Además, el
número de familias dentro de cada población no es el mismo. Las variables registradas
son el largo promedio de las semillas (largo), el diámetro, el largo del tallo y número de
hojas de plantines de cedro.
Además de estimar los componentes de varianza, los investigadores están también
interesados en comparar las medias de las poblaciones. Podemos considerar varios
espacios de inferencia, de acuerdo al diseño y a los intereses de los investigadores. Si
las poblaciones son una muestra aleatoria de un conjunto grande de poblaciones,
entonces la inferencia estará orientada a este conjunto grande de poblaciones. El efecto
de las poblaciones estudiadas es aleatorio, y el interés será la estimación de los
componentes de varianza debida a poblaciones y a familias dentro de poblaciones. Otro
aspecto de interés serán los predictores BLUP de los efectos aleatorios (en especial los
de poblaciones).
Si la inferencia se orienta solamente a las poblaciones estudiadas, el efecto de población
es fijo, y el interés principal es estimar y comparar las medias de poblaciones. Si la
media de una población se interpreta como un promedio a través de todas las posibles
familias de dicha población (no solamente las estudiadas), entonces el efecto de familia
Modelos Mixtos en InfoStat
28
es aleatorio. En este caso interesará estimar el componente de varianza debido a familia
dentro de poblaciones, y predecir los efectos de las familias estudiadas (BLUP).
Un tercer espacio de inferencia es cuando el interés reside solamente en las poblaciones
y las familias estudiadas. En este caso ambos efectos son fijos. Este tipo de modelo
presenta severas limitaciones, tanto en su interpretación como en su implementación.
Debido a esto, este modelo no se considerará en este tutorial.
Para el análisis de los datos del archivo Compvar.IDB2 se ajustarán los dos primeros
casos discutidos:
Modelo 1: Poblaciones aleatorias y familias aleatorias
Modelo 2: Poblaciones fijas y familias aleatorias
Primero se selecciona el menú Estadísticas, submenú Modelos lineales generales y
mixtos y escogemos Estimación. Al realizar esta selección aparecerá la ventana de
selección de variables, donde especificamos como variables dependientes a Largo,
Diametro, Largodetallo y Numerodehojas y como criterios de clasificación a Población
y Familia (Figura 18).
Figura 18: Ventana de selección de variables para Modelos lineales generales y mixtos con datos del archivo Compvar.IDB2.
Modelos Mixtos en InfoStat
29
Modelo 1: Para el cálculo de los componentes de varianza se deben especificar las
variables como en la Figura 18. Posteriormente, en la solapa Efectos aleatorios se debe
declarar primero a Población y luego a Familia, ya que R asume que las distintas
componentes aleatorias que se van agregando secuencialmente están anidadas en los
factores declarados con anterioridad. En la subventana Mostrar se tildaron las opciones
que se muestran en la Figura 19, y se sacó el tilde que tiene por defecto para presentar
los Desvíos estándares relativos al desvío estándar residual.
Figura 19: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Compvar.IDB2 para la especificación del Modelo 1.
En la solapa Efectos fijos no debe aparecer ningún efecto, y el método de estimación
debe ser el de máxima verosimilitud restringida (REML), que es la opción por defecto.
Observar que se desactivó la opción por defecto Desvíos estándares relativos al desvío
estándar residual, por lo que las estimaciones que aparecen serán directamente los
desvíos estándares absolutos. A continuación se presenta la salida obtenida con estas
especificaciones solo para la variable Largo.
Modelos Mixtos en InfoStat
30
Modelos lineales generales y mixtos
Especificación del modelo en R modelo000_Largo_REML<-lme(Largo~1 ,random=list(Poblacion=pdIdent(~1) ,Familia=pdIdent(~1)) ,method="REML" ,na.action=na.omit ,data=R.data00 ,keep.data=FALSE) Resultados para el modelo: modelo000_Largo_REML Variable dependiente:Largo Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 R2_1 R2_2 214 2016.47 2029.91 -1004.23 21.53 0.51 0.76 AIC y BIC menores implica mejor Parámetros de los efectos aleatorios Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~1|Poblacion Desvíos estándares y correlaciones (const) (const) 27.16 Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~1|Familia dentro de Poblacion Desvíos estándares y correlaciones (const) (const) 14.80 Intervalos de confianza (95%) para los parámetros de los efectos aleatorios Formula: ~1|Poblacion LI(95%) Est. LS(95%) sd(const) 15.09 27.16 48.89 Formula: ~1|Familia dentro de Poblacion LI(95%) Est. LS(95%) sd(const) 10.72 14.80 20.43 Intervalo de confianza (95%) para sigma lower est. upper sigma 18.77 21.53 24.70
Modelos Mixtos en InfoStat
31
A partir de las estimaciones de desvíos e intervalos de confianza para los desvíos, se
obtienen las componentes de varianza y sus intervalos de confianza (Cuadro 1).
Cuadro 1. Componentes de varianza estimados para los datos del archivo Compvar.IDB2
Componente Varianza estimada IC para la varianza
Variabilidad relativa al total
(%)
Población 2 227.16 737.66pob 2 2(15.09 ,48.88 ) 52.0
Familia dentro de población
2 2( ) 14.80 219.04fam pob 2 2(10.72 ,20.43 ) 15.4
Residual 2 221.53 463.54res 2 2(18.77 ,24.70 ) 32.6
De acuerdo a los resultados presentados en la tabla anterior, es interesante resaltar que
la variabilidad de la familias dentro de poblaciones es menor que la variabilidad residual
con lo cual no hay una diferenciación de familias dentro de poblaciones. La mayor
variación, en tanto, es atribuible a diferencias entre poblaciones.
Ahora veremos cómo es el diagnóstico para el Modelo 1, es decir, tanto los efectos de
familia como los de población aleatorios. Para esto vamos al submenú Análisis-
exploración de modelos estimados y se solicitan los gráficos de diagnóstico (Figura 20).
El análisis diagnóstico de este modelo permite determinar una fuerte falta de
homogeneidad de varianzas residual (Figura 21).
Modelos Mixtos en InfoStat
32
Figura 20: Ventana Análisis-exploración de modelos estimados con la solapa Diagnóstico desplegada para el Modelo 1 con los datos del archivo Compvar.IDB2.
20 40 60 80
-2-1
01
2
fitted(modeloLargocm_7_REML,level=2)
Re
s.co
nd
.est
an
d.P
ea
rso
n
-3 -2 -1 0 1 2 3
-2-1
01
2
Cuantiles teóricos
Cu
an
tile
s m
ue
stra
les
Figura 21: Gráficos de diagnóstico obtenidos para la variable largo y el modelo 1 para los datos del archivo Compvar.IDB2.
Modelos Mixtos en InfoStat
33
En la figura anterior los residuos estandarizados de Pearsons son aproximaciones de
errores y por lo tanto la heteroscedasticidad observada de modelarse a este nivel.
Para corregir la falta de homogeneidad a este nivel se considera el Modelo 1 (Población
y Familia como factores aleatorios) con varianzas residuales heterogéneas. Para
incorporar las varianzas residuales eventualmente distintas para cada nivel de
Población, en la solapa heterogeneidad se debe especificar el factor población como se
muestra en la Figura 22.
Figura 22: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Compvar.IDB2 para la especificación de varianzas heterogéneas para poblaciones.
A continuación se presenta la salida para el Modelo 1 con varianzas residuales
heterogéneas por Población y tildando en la solapa de Efectos aleatorios la opción
Matriz de efectos aleatorios para obtener los estimadores BLUP.
Modelos Mixtos en InfoStat
34
Modelos lineales generales y mixtos Especificación del modelo en R modelo004_Largo_REML<-lme(Largo~1 ,random=list(Poblacion=pdIdent(~1) ,Familia=pdIdent(~1)) ,weight=varComb(varIdent(form=~1|Poblacion)) ,method="REML" ,na.action=na.omit ,data=R.data00 ,keep.data=FALSE) Resultados para el modelo: modelo002_Largo_REML Variable dependiente:Largo Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 R2_1 R2_2 214 1872.14 1905.75 -926.07 2.32 0.51 0.51 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF denDF F-value p-value (Intercept) 1 108 21.59 <0.0001 Parámetros de los efectos aleatorios Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~1|Poblacion Desvíos estándares y correlaciones (const) (const) 27.72 Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~1|Familia dentro de Poblacion Desvíos estándares y correlaciones (const) (const) 1.56 Intervalos de confianza (95%) para los parámetros de los efectos aleatorios Formula: ~1|Poblacion LI(95%) Est. LS(95%) sd(const) 15.61 27.72 49.24 Formula: ~1|Familia dentro de Poblacion LI(95%) Est. LS(95%) sd(const) 0.47 1.56 5.14
Modelos Mixtos en InfoStat
35
Estructura de varianzas Modelo de varianzas: varIdent Formula: ~ 1 | Poblacion Parámetros de la función de varianza Parámetro Estim Charagre 1.00 Escarcega 13.09 Esclavos 11.64 La Paz 15.94 Pacífico Sur 2.81 Xpujil 13.38 Yucatán 12.54 Coeficientes (BLUP) de los efectos aleatorios (~1|Poblacion) const Charagre -41.20 Escarcega 15.42 Esclavos 16.12 La Paz 19.80 Pacífico Sur -36.51 Xpujil 23.29 Yucatán 3.08 Coeficientes (BLUP) de los efectos aleatorios (~1|Familia in Poblacion) const Charagre/Ch_71 -1.07 Charagre/Ch_710 0.59 Charagre/Ch_711 1.31 Charagre/Ch_712 1.42 Charagre/Ch_713 -0.95 Charagre/Ch_714 -1.07 Charagre/Ch_715 -0.70 Charagre/Ch_72 0.70 Charagre/Ch_73 -0.83 Charagre/Ch_74 -0.35 Charagre/Ch_75 -0.59 Charagre/Ch_76 -0.08 Charagre/Ch_77 -0.47 Charagre/Ch_78 0.48 Charagre/Ch_79 1.48 Escarcega/Es_1126 7.2E-04 Escarcega/Es_1127 0.18 Escarcega/Es_1128 0.14 Escarcega/Es_1129 0.07 Escarcega/Es_1130 3.6E-04 Escarcega/Es_1131 -0.06 Escarcega/Es_1132 0.21 Escarcega/Es_1133 0.01 Escarcega/Es_1134 -0.11 Escarcega/Es_1135 -0.09 Escarcega/Es_1136 -0.08 Escarcega/Es_1137 -0.17
Modelos Mixtos en InfoStat
36
Escarcega/Es_1138 0.16 Escarcega/Es_1139 -0.08 Escarcega/Es_1142 0.08 Escarcega/Es_1148 -0.20 Esclavos/Ec_31 -0.08 Esclavos/Ec_310 0.08 Esclavos/Ec_311 -0.07 Esclavos/Ec_312 -0.03 Esclavos/Ec_313 -0.22 Esclavos/Ec_314 0.28 Esclavos/Ec_315 -0.34 Esclavos/Ec_316 0.15 Esclavos/Ec_317 0.04 Esclavos/Ec_318 -0.08 Esclavos/Ec_319 0.04 Esclavos/Ec_32 -0.07 Esclavos/Ec_320 0.18 Esclavos/Ec_33 -3.7E-03 Esclavos/Ec_34 -0.11 Esclavos/Ec_35 0.15 Esclavos/Ec_36 -0.17 Esclavos/Ec_37 0.18 Esclavos/Ec_38 0.08 Esclavos/Ec_39 0.05 La Paz/LP_41 -0.13 La Paz/LP_410 0.14 La Paz/LP_411 0.11 La Paz/LP_412 0.16 La Paz/LP_413 -0.08 La Paz/LP_414 -0.01 La Paz/LP_415 -0.13 La Paz/LP_42 0.01 La Paz/LP_43 -0.01 La Paz/LP_44 -0.01 La Paz/LP_45 0.02 La Paz/LP_46 -0.07 La Paz/LP_48 -0.01 La Paz/LP_49 0.07 Pacífico Sur/PS_6204 -0.46 Pacífico Sur/PS_6206 -0.58 Pacífico Sur/PS_6207 0.52 Pacífico Sur/PS_6208 -0.33 Pacífico Sur/PS_6209 -0.15 Pacífico Sur/PS_6210 0.31 Pacífico Sur/PS_6211 -0.22 Pacífico Sur/PS_6212 -0.43 Pacífico Sur/PS_6213 0.03 Pacífico Sur/PS_6214 -0.56 Pacífico Sur/PS_6215 -0.07 Pacífico Sur/PS_6216 1.80 Pacífico Sur/PS_6217 -0.12 Pacífico Sur/PS_6218 0.88 Pacífico Sur/PS_6219 -0.35 Pacífico Sur/PS_6220 -0.51 Pacífico Sur/PS_6221 -0.12 Pacífico Sur/PS_6222 -0.48 Pacífico Sur/PS_660 0.72 Xpujil/Xp_11 -0.12 Xpujil/Xp_110 0.02 Xpujil/Xp_112 3.8E-03 Xpujil/Xp_113 -0.07
Modelos Mixtos en InfoStat
37
Xpujil/Xp_114 0.02 Xpujil/Xp_115 -0.12 Xpujil/Xp_116 0.17 Xpujil/Xp_117 0.11 Xpujil/Xp_118 0.08 Xpujil/Xp_119 0.18 Xpujil/Xp_12 -0.01 Xpujil/Xp_120 0.19 Xpujil/Xp_122 -0.21 Xpujil/Xp_123 -0.27 Xpujil/Xp_15 0.02 Xpujil/Xp_16 0.03 Xpujil/Xp_17 0.03 Xpujil/Xp_18 -0.05 Xpujil/Xp_19 0.07 Yucatán/Yu_1111 -0.17 Yucatán/Yu_1114 -0.19 Yucatán/Yu_1115 -0.04 Yucatán/Yu_1116 0.02 Yucatán/Yu_1117 0.05 Yucatán/Yu_1118 0.03 Yucatán/Yu_1119 0.10 Yucatán/Yu_1121 -0.06 Yucatán/Yu_1122 0.20 Yucatán/Yu_1123 -0.09 Yucatán/Yu_1124 -0.05 Yucatán/Yu_1125 0.20 Intervalo de confianza (95%) para sigma lower est. upper sigma 1.59 2.32 3.38
Este modelo presenta valores más bajos de AIC y BIC que el modelo sin varianzas
heterogéneas para Población y Familia dentro de Población. Observamos que las
varianzas de las poblaciones son bien diferentes: La población La Paz tiene la mayor
varianza estimada en (15.94*2.32)2 = 1367.57 mientras que la de menor varianza es
(2.32*1)2 = 5.38. Al comparar los modelos con varianzas heterogéneas y homogéneas
mediante una prueba de cociente de verosimilitud se corrobora que el modelo con
varianzas heterogéneas es el mejor (p<0.0001) como se muestra en la siguiente salida.
Comparación de modelos Call Model df AIC BIC logLik Test L.Ratio p-value Modelo000_Largo_REML 1 1 4 2016.47 2029.91 -1004.23 Modelo001_Largo_REML 2 2 10 1872.14 1905.75 -926.07 1 vs 2 156.33 <0.0001
Modelos Mixtos en InfoStat
38
Los residuos obtenidos para el Modelo 1 con varianzas distintas en cada población no
muestran problemas de heteroscedasticidad y presentan una mejora en los supuestos
distribucionales respecto al Modelo 1 con varianzas homogéneas (Figura 23).
10 20 30 40 50 60 70
-2-1
01
23
fitted(modeloLargocm_8_REML,level=2)
Re
s.co
nd
.est
an
d.P
ea
rso
n
-3 -2 -1 0 1 2 3
-2-1
01
23
Cuantiles teóricos
Cu
an
tile
s m
ue
stra
les
Figura 23: Gráficos de diagnóstico obtenidos para la variable largo y el modelo 1 con varianzas residuales heterogéneas para poblaciones y los datos del archivo Compvar.IDB2.
Modelo 2: Para este modelo se debe declarar Población en la solapa de Efectos fijos.
Observar que en esta solapa se ha seleccionado además Coeficientes de los efectos fijos
(Figura 24). En la solapa de Efectos aleatorios se ha declarado familias como aleatorio,
se ha deseleccionado la opción por defecto de familia como efecto sobre la Constante
(intercepto), y se ha seleccionado familia como afectando los parámetros del efecto
población. La matriz de covarianzas de los efectos aleatorios asignados a poblaciones se
suponen independientes (pdIdent). Se han seleccionado además las opciones Matriz de
efectos aleatorios, Intervalo de confianza para los parámetros de la parte aleatoria e
Intervalo de confianza para sigma (Figura 25). En la solapa Comparaciones se
seleccionó la opción DGC para Población (Figura 26).
Modelos Mixtos en InfoStat
39
Figura 24: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Compvar.IDB2 para la especificación del Modelo 2.
Figura 25: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Compvar.IDB2 para la especificación del Modelo 2.
Modelos Mixtos en InfoStat
40
Figura 26: Ventana con la solapa Comparaciones desplegada para los datos del archivo Compvar.IDB2 para la especificación del Modelo 2.
A continuación de presenta la salida correspondiente a estas especificaciones:
Especificación del modelo en R modelo001_Largo_REML<-lme(Largo~1+Poblacion ,random=list(Familia=pdIdent(~Poblacion-1)) ,method="REML" ,na.action=na.omit ,data=R.data00 ,keep.data=FALSE) Resultados para el modelo: modelo001_Largo_REML Variable dependiente:Largo Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 R2_1 214 1967.65 1997.64 -974.82 21.54 0.51 0.75 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF denDF F-value p-value (Intercept) 1 108 601.79 <0.0001 Poblacion 6 108 27.23 <0.0001
Modelos Mixtos en InfoStat
41
Efectos fijos Value Std.Error DF t-value p-value (Intercept) 8.23 5.75 108 1.43 0.1551 PoblacionEscarcega 56.89 8.03 108 7.08 <0.0001 PoblacionEsclavos 57.72 7.46 108 7.74 <0.0001 PoblacionLa Paz 62.24 8.13 108 7.66 <0.0001 PoblacionPacífico Sur 4.65 7.53 108 0.62 0.5382 PoblacionXpujil 65.45 7.72 108 8.48 <0.0001 PoblacionYucatán 44.44 8.40 108 5.29 <0.0001 Parámetros de los efectos aleatorios Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~Poblacion - 1|Familia Desvíos estándares y correlaciones Charagre Escarcega Esclavos La Paz Pacífico Sur XpujilYucatán Charagre 14.79 0.00 0.00 0.00 0.00 0.00 0.00 Escarcega 0.00 14.79 0.00 0.00 0.00 0.00 0.00 Esclavos 0.00 0.00 14.79 0.00 0.00 0.00 0.00 La Paz 0.00 0.00 0.00 14.79 0.00 0.00 0.00 Pacífico Sur 0.00 0.00 0.00 0.00 14.79 0.00 0.00 Xpujil 0.00 0.00 0.00 0.00 0.00 14.79 0.00 Yucatán 0.00 0.00 0.00 0.00 0.00 0.00 14.79 Intervalos de confianza (95%) para los parámetros de los efectos aleatorios Formula: ~Poblacion - 1|Familia LI(95%) est. LS(95%) sd( - 1) 10.71 14.79 20.42 Coeficientes (BLUP) de los efectos aleatorios (~Poblacion - 1|Familia) Charagre Escarcega Esclavos La Paz Pacífico Sur Xpujil Yucatán Ch_71 -1.08 0.00 0.00 0.00 0.00 0.00 0.00 Ch_710 0.62 0.00 0.00 0.00 0.00 0.00 0.00 Ch_711 1.34 0.00 0.00 0.00 0.00 0.00 0.00 Ch_712 1.47 0.00 0.00 0.00 0.00 0.00 0.00 Ch_713 -0.96 0.00 0.00 0.00 0.00 0.00 0.00 Ch_714 -1.08 0.00 0.00 0.00 0.00 0.00 0.00 Ch_715 -0.71 0.00 0.00 0.00 0.00 0.00 0.00 Ch_72 0.73 0.00 0.00 0.00 0.00 0.00 0.00 Ch_73 -0.84 0.00 0.00 0.00 0.00 0.00 0.00 Ch_74 -0.35 0.00 0.00 0.00 0.00 0.00 0.00 Ch_75 -0.60 0.00 0.00 0.00 0.00 0.00 0.00 Ch_76 -0.07 0.00 0.00 0.00 0.00 0.00 0.00 Ch_77 -0.48 0.00 0.00 0.00 0.00 0.00 0.00 Ch_78 0.50 0.00 0.00 0.00 0.00 0.00 0.00 Ch_79 1.53 0.00 0.00 0.00 0.00 0.00 0.00 Ec_31 0.00 0.00 -6.04 0.00 0.00 0.00 0.00 Ec_310 0.00 0.00 5.36 0.00 0.00 0.00 0.00 Ec_311 0.00 0.00 -5.56 0.00 0.00 0.00 0.00 Ec_312 0.00 0.00 -2.65 0.00 0.00 0.00 0.00 Ec_313 0.00 0.00 -16.00 0.00 0.00 0.00 0.00 Ec_314 0.00 0.00 20.66 0.00 0.00 0.00 0.00 Ec_315 0.00 0.00 -25.46 0.00 0.00 0.00 0.00 Ec_316 0.00 0.00 10.95 0.00 0.00 0.00 0.00 Ec_317 0.00 0.00 2.69 0.00 0.00 0.00 0.00 Ec_318 0.00 0.00 -5.80 0.00 0.00 0.00 0.00 Ec_319 0.00 0.00 2.94 0.00 0.00 0.00 0.00 Ec_32 0.00 0.00 -5.56 0.00 0.00 0.00 0.00 Ec_320 0.00 0.00 12.89 0.00 0.00 0.00 0.00 Ec_33 0.00 0.00 -0.46 0.00 0.00 0.00 0.00
Modelos Mixtos en InfoStat
42
Ec_34 0.00 0.00 -7.99 0.00 0.00 0.00 0.00 Ec_35 0.00 0.00 10.95 0.00 0.00 0.00 0.00 Ec_36 0.00 0.00 -12.84 0.00 0.00 0.00 0.00 Ec_37 0.00 0.00 12.89 0.00 0.00 0.00 0.00 Ec_38 0.00 0.00 5.36 0.00 0.00 0.00 0.00 Ec_39 0.00 0.00 3.67 0.00 0.00 0.00 0.00 Es_1126 0.00 -0.06 0.00 0.00 0.00 0.00 0.00 Es_1127 0.00 16.20 0.00 0.00 0.00 0.00 0.00 Es_1128 0.00 16.63 0.00 0.00 0.00 0.00 0.00 Es_1129 0.00 6.49 0.00 0.00 0.00 0.00 0.00 Es_1130 0.00 -0.04 0.00 0.00 0.00 0.00 0.00 Es_1131 0.00 -7.09 0.00 0.00 0.00 0.00 0.00 Es_1132 0.00 19.12 0.00 0.00 0.00 0.00 0.00 Es_1133 0.00 1.15 0.00 0.00 0.00 0.00 0.00 Es_1134 0.00 -10.25 0.00 0.00 0.00 0.00 0.00 Es_1135 0.00 -10.94 0.00 0.00 0.00 0.00 0.00 Es_1136 0.00 -7.58 0.00 0.00 0.00 0.00 0.00 Es_1137 0.00 -16.32 0.00 0.00 0.00 0.00 0.00 Es_1138 0.00 14.26 0.00 0.00 0.00 0.00 0.00 Es_1139 0.00 -10.30 0.00 0.00 0.00 0.00 0.00 Es_1142 0.00 7.71 0.00 0.00 0.00 0.00 0.00 Es_1148 0.00 -18.99 0.00 0.00 0.00 0.00 0.00 LP_41 0.00 0.00 0.00 -18.43 0.00 0.00 0.00 LP_410 0.00 0.00 0.00 18.95 0.00 0.00 0.00 LP_411 0.00 0.00 0.00 14.82 0.00 0.00 0.00 LP_412 0.00 0.00 0.00 20.89 0.00 0.00 0.00 LP_413 0.00 0.00 0.00 -12.12 0.00 0.00 0.00 LP_414 0.00 0.00 0.00 -2.41 0.00 0.00 0.00 LP_415 0.00 0.00 0.00 -18.67 0.00 0.00 0.00 LP_42 0.00 0.00 0.00 1.23 0.00 0.00 0.00 LP_43 0.00 0.00 0.00 -1.93 0.00 0.00 0.00 LP_44 0.00 0.00 0.00 -1.68 0.00 0.00 0.00 LP_45 0.00 0.00 0.00 1.96 0.00 0.00 0.00 LP_46 0.00 0.00 0.00 -9.69 0.00 0.00 0.00 LP_48 0.00 0.00 0.00 -2.39 0.00 0.00 0.00 LP_49 0.00 0.00 0.00 9.48 0.00 0.00 0.00 PS_6204 0.00 0.00 0.00 0.00 -2.13 0.00 0.00 PS_6206 0.00 0.00 0.00 0.00 -2.73 0.00 0.00 PS_6207 0.00 0.00 0.00 0.00 2.48 0.00 0.00 PS_6208 0.00 0.00 0.00 0.00 -1.52 0.00 0.00 PS_6209 0.00 0.00 0.00 0.00 -0.67 0.00 0.00 PS_6210 0.00 0.00 0.00 0.00 1.51 0.00 0.00 PS_6211 0.00 0.00 0.00 0.00 -1.03 0.00 0.00 PS_6212 0.00 0.00 0.00 0.00 -2.01 0.00 0.00 PS_6213 0.00 0.00 0.00 0.00 0.18 0.00 0.00 PS_6214 0.00 0.00 0.00 0.00 -2.61 0.00 0.00 PS_6215 0.00 0.00 0.00 0.00 -0.31 0.00 0.00 PS_6216 0.00 0.00 0.00 0.00 8.55 0.00 0.00 PS_6217 0.00 0.00 0.00 0.00 -0.55 0.00 0.00 PS_6218 0.00 0.00 0.00 0.00 4.18 0.00 0.00 PS_6219 0.00 0.00 0.00 0.00 -1.64 0.00 0.00 PS_6220 0.00 0.00 0.00 0.00 -2.37 0.00 0.00 PS_6221 0.00 0.00 0.00 0.00 -0.55 0.00 0.00 PS_6222 0.00 0.00 0.00 0.00 -2.25 0.00 0.00 PS_660 0.00 0.00 0.00 0.00 3.46 0.00 0.00 Xp_11 0.00 0.00 0.00 0.00 0.00 -14.96 0.00 Xp_110 0.00 0.00 0.00 0.00 0.00 2.35 0.00 Xp_112 0.00 0.00 0.00 0.00 0.00 -0.09 0.00 Xp_113 0.00 0.00 0.00 0.00 0.00 -7.12 0.00 Xp_114 0.00 0.00 0.00 0.00 0.00 1.61 0.00 Xp_115 0.00 0.00 0.00 0.00 0.00 -12.46 0.00 Xp_116 0.00 0.00 0.00 0.00 0.00 15.93 0.00 Xp_117 0.00 0.00 0.00 0.00 0.00 10.11 0.00 Xp_118 0.00 0.00 0.00 0.00 0.00 6.95 0.00 Xp_119 0.00 0.00 0.00 0.00 0.00 16.91 0.00 Xp_12 0.00 0.00 0.00 0.00 0.00 -2.14 0.00 Xp_120 0.00 0.00 0.00 0.00 0.00 18.36 0.00 Xp_122 0.00 0.00 0.00 0.00 0.00 -20.72 0.00 Xp_123 0.00 0.00 0.00 0.00 0.00 -27.03 0.00 Xp_15 0.00 0.00 0.00 0.00 0.00 1.86 0.00 Xp_16 0.00 0.00 0.00 0.00 0.00 2.99 0.00 Xp_17 0.00 0.00 0.00 0.00 0.00 3.95 0.00 Xp_18 0.00 0.00 0.00 0.00 0.00 -4.94 0.00 Xp_19 0.00 0.00 0.00 0.00 0.00 8.44 0.00 Yu_1111 0.00 0.00 0.00 0.00 0.00 0.00 -14.89 Yu_1114 0.00 0.00 0.00 0.00 0.00 0.00 -16.59 Yu_1115 0.00 0.00 0.00 0.00 0.00 0.00 -3.24
Modelos Mixtos en InfoStat
43
Yu_1116 0.00 0.00 0.00 0.00 0.00 0.00 1.86 Yu_1117 0.00 0.00 0.00 0.00 0.00 0.00 4.53 Yu_1118 0.00 0.00 0.00 0.00 0.00 0.00 2.83 Yu_1119 0.00 0.00 0.00 0.00 0.00 0.00 8.66 Yu_1121 0.00 0.00 0.00 0.00 0.00 0.00 -5.18 Yu_1122 0.00 0.00 0.00 0.00 0.00 0.00 17.15 Yu_1123 0.00 0.00 0.00 0.00 0.00 0.00 -7.85 Yu_1124 0.00 0.00 0.00 0.00 0.00 0.00 -4.45 Yu_1125 0.00 0.00 0.00 0.00 0.00 0.00 17.15 Intervalo de confianza (95%) para sigma lower est. upper sigma 18.77 21.54 24.71 Medias ajustadas y errores estándares para Poblacion DGC (alfa=0.05) Poblacion Medias E.E. Xpujil 73.68 5.16 A La Paz 70.47 5.74 A Esclavos 65.95 4.75 A Escarcega 65.12 5.61 A Yucatán 52.67 6.13 A Pacífico Sur 12.88 4.87 B Charagre 8.23 5.75 B Letras distintas indican diferencias significativas(p<= 0.05)
A continuación se muestra como ejemplo el cálculo de los BLUP para las familias de la
población Charagre:
,71 71( )
,72 72( )
,73 73( )
,74 74( )
ˆˆ ˆˆ 8.2296 0 ( 1.0823) 7.1473
ˆˆ ˆˆ 8.2296 0 0.7277 8.9573
ˆˆ ˆˆ 8.2296 0 ( 0.8396) 7.3900
ˆˆ ˆˆ 8.2296 0 ( 0.354
cha cha cha
cha cha cha
cha cha cha
cha cha cha
Y
Y
Y
Y
2) 7.8754
Ahora realizaremos el análisis del ajuste del Modelo 2. En el submenú Análisis-
exploración de modelos estimados se pidieron los gráficos de diagnóstico (Figura 27).
Modelos Mixtos en InfoStat
44
Figura 27: Ventana Análisis-exploración de modelos estimados con la solapa Diagnóstico desplegada para el Modelo 2 con los datos del archivo Compvar.IDB2.
El gráfico de residuos condicionales estandarizados de Pearson vs. Valores ajustados
(Figura 28) muestra varianzas residual heterogéneas para la variable Largo.
Modelos Mixtos en InfoStat
45
Charagre La Paz Xpujil
-2-1
01
2
Poblacion
Res
.con
d.es
tand
.Pea
rson
20 40 60 80
-2-1
01
2
Valores ajustados
Res
.con
d.es
tand
.Pea
rson
-3 -2 -1 0 1 2 3
-2-1
01
2
Cuantiles teóricos
Cua
ntile
s m
uest
rale
s
Figura 28: Gráficos de diagnóstico obtenidos para la variable largo y el Modelo 2 para los datos del archivo Compvar.IDB2
Respecto a los supuestos distribucionales, es importante destacar que, existiendo
heteroscedasticidad, el QQ-plot no debe ser interpretado hasta tanto no se corrija este
problema. Para incorporar las varianzas heterogéneas del efecto Población, en la solapa
heterogeneidad se debe especificar el factor Población como se mostró en la Figura 22.
Este modelo presenta valores más bajos de AIC y BIC que el modelo sin varianzas
heterogéneas para Población. Observamos que las varianzas de las poblaciones son bien
diferentes: La población La Paz tiene la mayor varianza estimada en (15.94*2.32)2 =
1367.57, mientras que la de menor varianza es Charagre con (1*2.32)2 = 5.38.
Modelos Mixtos en InfoStat
46
Modelos lineales generales y mixtos Especificación del modelo en R modelo002_Largo_REML<-lme(Largo~1+Poblacion ,random=list(Familia=pdIdent(~Poblacion-1)) ,weight=varComb(varIdent(form=~1|Poblacion)) ,method="REML" ,na.action=na.omit ,data=R.data01 ,keep.data=FALSE) Resultados para el modelo: modelo002_Largo_REML Variable dependiente:Largo Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 R2_1 214 1823.20 1873.20 -896.60 2.32 0.51 0.51 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF denDF F-value p-value (Intercept) 1 108 509.60 <0.0001 Poblacion 6 108 86.55 <0.0001 Efectos fijos Value Std.Error DF t-value p-value (Intercept) 8.23 0.61 108 13.42 <0.0001 PoblacionEscarcega 57.32 5.90 108 9.72 <0.0001 PoblacionEsclavos 57.72 4.33 108 13.33 <0.0001 PoblacionLa Paz 62.33 7.16 108 8.70 <0.0001 PoblacionPacífico Sur 4.65 1.28 108 3.65 0.0004 PoblacionXpujil 65.43 5.54 108 11.81 <0.0001 PoblacionYucatán 44.44 6.00 108 7.41 <0.0001 Parámetros de los efectos aleatorios Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~Poblacion - 1|Familia Desvíos estándares y correlaciones Charagre Escarcega Esclavos La Paz Pacífico Sur Xpujil Yucatán Charagre 1.56 0.00 0.00 0.00 0.00 0.00 0.00 Escarcega 0.00 1.56 0.00 0.00 0.00 0.00 0.00 Esclavos 0.00 0.00 1.56 0.00 0.00 0.00 0.00 La Paz 0.00 0.00 0.00 1.56 0.00 0.00 0.00 Pacífico Sur 0.00 0.00 0.00 0.00 1.56 0.00 0.00 Xpujil 0.00 0.00 0.00 0.00 0.00 1.56 0.00 Yucatán 0.00 0.00 0.00 0.00 0.00 0.00 1.56
Intervalos de confianza (95%) para los parámetros de los efectos aleatorios Formula: ~Poblacion - 1|Familia LI(95%) Est. LS(95%) sd( - 1) 0.45 1.56 5.38
Modelos Mixtos en InfoStat
47
Estructura de varianzas Modelo de varianzas: varIdent Formula: ~ 1 | Poblacion Parámetros de la función de varianza Parámetro Estim Charagre 1.00 Esclavos 11.64 Escarcega 13.09 La Paz 15.94 Pacífico Sur 2.81 Xpujil 13.38 Yucatán 12.55
Para probar que este modelo menos parsimonioso es el de mejor ajuste se realizó una
prueba del cociente de verosimilitud cuya salida se presenta a continuación.
Comparación de modelos Model df AIC BIC logLik Test L.Ratio p-value 001 9 1967.65 1997.64 -974.82
002 15 1823.20 1873.20 -896.60 1 vs 2 156.44 <0.0001
El modelo con varianzas heterogéneas para las distintas poblaciones es mejor que el de
varianzas homogéneas (p<0.0001). Podemos observar que con la inclusión de varianzas
heterogéneas para las distintas poblaciones el ajuste ha mejorado respecto a los ajustes
anteriores (Figura 29). Tanto en los box-plot de los residuos condicionales
estudentizados de Pearson como en el diagrama de dispersión de residuos condicionales
estudentizados de Pearson versus predichos, ya no se evidencian problemas graves de
falta de homogeneidad de varianzas. En el gráfico QQ-plot se observa una mejora en el
supuesto distribucional.
Modelos Mixtos en InfoStat
48
Charagre La Paz Xpujil
-2-1
01
23
Poblacion
Res
.con
d.es
tand
.Pea
rson
10 20 30 40 50 60 70
-2-1
01
23
Valores ajustados
Res
.con
d.es
tand
.Pea
rson
-3 -2 -1 0 1 2 3
-2-1
01
23
Cuantiles teóricos
Cua
ntile
s m
uest
rale
s
Figura 29: Gráficos de diagnóstico obtenidos para la variable largo y el modelo 2 para los datos del archivo Compvar.IDB2 una vez declaradas las varianzas residuales diferentes para cada población.
Modelos Mixtos en InfoStat
49
Aplicación de modelos mixtos para datos estratificados
Parcelas divididas
Supongamos un experimento bifactorial en el que no es posible asignar al azar las
combinaciones de ambos factores a las parcelas experimentales (PE). En algunos casos,
grupos de PE reciben aleatoriamente los distintos niveles de uno de los factores de
clasificación y dentro de estos grupos de parcelas, los niveles del segundo factor son
asignados al azar.
El experimento descripto anteriormente difiere de un experimento bifactorial
convencional en que, si bien los niveles de los factores son asignados aleatoriamente a
las PE, no son los tratamientos (i.e. las combinaciones de los niveles de los factores) los
que están siendo asignados de esta forma. Esta manera particular de asignar las parcelas a los distintos niveles de los factores
representa una restricción a la aleatorización, e induce estructuras de correlación que
deben ser tenidas en cuenta en el momento del análisis. Este diseño se conoce como
parcela dividida. El nombre surge de la idea de que PARCELAS principales reciben los niveles de un
factor (también llamado a veces factor principal) y que estas parcelas son DIVIDIDAS
en SUBPARCELAS que reciben los niveles del segundo factor de clasificación. Aunque en las parcelas divididas los niveles de un factor son asignados dentro de los
niveles de otro factor, este NO ES un diseño anidado. Se trata de un experimento
típicamente factorial donde los factores están cruzados. Es sólo la aleatorización la que
se ha realizado en forma secuencial. De acuerdo a la forma en que están arregladas las parcelas principales, el diseño puede
ser de:
Parcelas divididas en un arreglo en bloques
Parcelas divididas en un arreglo completamente aleatorizado
Parcelas divididas en otros diseños
Modelos Mixtos en InfoStat
50
Parcelas divididas en un arreglo en bloques
El análisis clásico de un diseño en parcelas divididas con parcelas principales
distribuidas en bloques completos incluye los siguientes términos en el modelo:
Factor asociado a la parcela principal (FPP)
Bloque
Bloque*FPP (error de la parcela principal)
Factor asociado a la subparcela (FSP)
FPP*FSP
Error (error para la subparcela)
El punto clave para completar el análisis de este modelo es comprender que el error
experimental para el FPP es diferente que para los términos del modelo que incluyen al
FSP. El error experimental de las parcelas principales es mayor que el de las
subparcelas.
La varianza del error experimental de las parcelas principales en un diseño de parcelas
divididas con parcelas principales repetidas en bloque completamente aleatorizados, se
estima como el cuadrado medio (CM) de la interacción Bloque*FPP (se asume que no
hay interacción Bloque*FPP y en consecuencia este CM estima el error entre parcelas
principales tratadas de la misma forma). El CM de esta “interacción” es el que se usa
como referencia para calcular el estadístico F de la prueba de hipótesis para el factor
principal. El resto de las pruebas el CM residual es el apropiado para construir el
estadístico F.
El análisis de este diseño mediante un modelo lineal mixto se basa en la identificación
de dos niveles de agrupamientos de las observaciones. El primer nivel esta dado por los
bloques y el segundo nivel por las parcelas principales dentro de los bloques. Cada uno
de estos niveles de agrupamiento genera una correlación, conocida como correlación
intraclase, entre las observaciones que contiene.
El modelo lineal mixto para este diseño es el siguiente:
; 1,.., ; 1,..., ; 1,...,ijk i j ij k ik ijky b p i T j G k B (4)
Modelos Mixtos en InfoStat
51
donde ijky representa la respuesta observada en el k-ésimo bloque, i-ésimo nivel del
factor principal y j-ésimo nivel de factor asociado a las subparcelas. representa la
media general de la respuesta, i representa el efecto del i-ésimo nivel del factor
asociado a las parcelas principales, j representa el efecto del j-ésimo nivel del factor
asociado a las subparcelas y ij representa el efecto de la interacción del ij-ésimo
tratamiento. Por otra parte kb , ikp y ijk corresponden a efectos aleatorios de los
bloques, de las parcelas dentro de los bloques y de los errores experimentales. Las
suposiciones sobre estos componentes aleatorios es que 2~ 0,k bb N , 2~ 0,ik pp N ,
2~ 0,ijk N y que estos tres componentes aleatorios son independientes. A
continuación ejemplificaremos el análisis de un diseño en parcelas divididas en bloques
mediante la aplicación de un modelo lineal mixto.
En este ejemplo (Di Rienzo 2007) se evalúan 4 variedades de trigo: BUCK-Charrua
(BC), Las Rosas-INTA (LI), Pigué (Pe) y Pro-INTA Puntal (PP) bajo riego y secano
con el diseño a campo presentado en la Figura 30.
Figura 30: Esquema del diseño en parcelas divididas para el ejemplo de los datos en el archivo Trigo.IDB2.
BC Pe PP LI Pe BC LI PP
Secano Riego
Modelos Mixtos en InfoStat
52
Los datos de este ejemplo se encuentran en el archivo Trigo.IDB2. El encabezamiento
de la tabla de datos es la siguiente (Figura 31).
Figura 31: Encabezamiento de la tabla de datos del archivo Trigo.IDB2.
El factor en la parcela principal es Agua, el factor asociado a las subparcelas es
Variedad y la variable de respuesta es el Rendimiento. Los bloques están claramente
identificados, pero las parcelas principales no aparecen explícitamente. Esto es así
porque en un diseño en parcelas divididas, las parcelas principales dentro de un bloque
están confundidas con el factor principal. De esta forma las observaciones bajo “Riego”
en el bloque 1, representan las observaciones de una de las parcelas principales de ese
bloque.
Para analizar este ejemplo invocaremos la estimación de un modelo lineal mixto. Esta
invocación nos presentará, como es usual, la ventana de selección de variables. Su
imagen, con la selección apropiada de variables de respuesta y factores se muestra en la
Figura 32.
Figura 32: Ventana de selección de variables para Modelos lineales generales y mixtos con datos del archivo Trigo.IDB2.
Modelos Mixtos en InfoStat
53
Aceptando esta especificación, se mostrará el diálogo que permite especificar el
modelo. La solapa de la parte fija, ya especificada, se muestra en la Figura 33. En ella
aparecen los efectos principales Agua, Variedad y la interacción Agua*Variedad.
Figura 33: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Trigo.IDB2.
Para la especificación de la parte aleatoria, en la solapa Efectos aleatorios se debe
incorporar primero al factor Bloque y después al factor Agua. Esta es la forma de indicar
que Agua está dentro de Bloque. La especificación de la parte aleatoria queda como se
muestra en la Figura 34.
Modelos Mixtos en InfoStat
54
Figura 34: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Trigo.IDB2 con bloque y agua como criterios de estratificación.
La salida correspondiente a esta estimación es la siguiente:
Modelos lineales generales y mixtos Especificación del modelo en R modelo000_Rendimiento_REML<-lme(Rendimiento~1+Agua+Variedad+Agua:Variedad ,random=list(Bloque=pdIdent(~1) ,Agua=pdIdent(~1)) ,method="REML" ,na.action=na.omit ,data=R.data00 ,keep.data=FALSE) Resultados para el modelo: modelo000_Rendimiento_REML Variable dependiente:Rendimiento Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 R2_1 R2_2 24 206.59 215.09 -92.30 51.65 0.84 0.89 0.91 AIC y BIC menores implica mejor
Modelos Mixtos en InfoStat
55
Pruebas de hipótesis secuenciales numDF denDF F-value p-value (Intercept) 1 12 363.93 <0.0001 Agua 1 2 55.24 0.0176 Variedad 3 12 6.38 0.0078 Agua:Variedad 3 12 2.36 0.1223 Parámetros de los efectos aleatorios Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~1|Bloque Desvíos estándares relativos al residual y correlaciones (const) (const) 0.55 Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~1|Agua dentro de Bloque Desvíos estándares relativos al residual y correlaciones (const) (const) 0.47
Las pruebas de hipótesis secuenciales son las correctas para este tipo de especificación
del modelo. Esto es debido a que primero se aleatoriza el factor en la PP, luego se
aleatoriza el factor en las SP y por último se especifica la interacción.
Antes de continuar con nuestro análisis, haremos algunas validaciones simples de las
suposiciones de estos modelos, revisando residuales estandarizados vs. predichos y
otros criterios de clasificación, así como el QQ-plot normal de residuos estandarizados.
Estos residuos son condicionales a los efectos aleatorios (es decir, aproximan los
errores). Para ello invocaremos el submenú Análisis-exploración de modelos estimados.
En el diálogo, seleccionaremos la solapa Diagnóstico y dentro de ella la subsolapa
Residuos vs. (Figura 35).
Modelos Mixtos en InfoStat
56
Figura 35: Ventana Comparación de modelos generales y mixtos con la solapa Diagnóstico desplegada para los datos del archivo Trigo.IDB2.
Si se seleccionan los ítems dentro de la lista disponible, como se muestra en la Figura
35, se obtendrá el gráfico siguiente (Figura 36). Este aparece en una nueva ventana que
genera R y su contenido puede copiarse oprimiendo el botón derecho del ratón, sobre la
imagen. En el menú que se despliega se podrá optar por “Copy as metafile” o “Copy as
bitmap”.
Modelos Mixtos en InfoStat
57
Riego Secano
-1.0
0.0
0.5
1.0
Agua
Res
.con
d.es
tand
.Pea
rson
BUCK-Charrua Pigue
-1.0
0.0
0.5
1.0
Variedad
Res
.con
d.es
tand
.Pea
rson
300 400 500 600
-1.0
0.0
0.5
1.0
Valores ajustados
Res
.con
d.es
tand
.Pea
rson
-2 -1 0 1 2
-1.0
0.0
0.5
1.0
Cuantiles teóricos
Cua
ntile
s m
uest
rale
s
Figura 36: Herramientas gráficas para diagnóstico obtenidas para los datos del archivo Trigo.IDB2.
Un examen rápido de la figura sugiere una posible heterogeneidad de varianzas entre
variedades. Para poder probar si es necesario incluir la estimación de varianzas
residuales diferentes para cada variedad hay que ajustar un modelo heteroscedástico y
compararlo con el homoscedástico, utilizando algún criterio como el AIC o BIC (o una
prueba del cociente de verosimilitud, ya que el modelo homoscedástico es un caso
particular del heteroscedástico).
Para ajustar el modelo heteroscedástico invocamos nuevamente al módulo de
estimación de los modelos mixtos y en la solapa Heteroscedasticidad seleccionamos el
modelo varIdent y una vez seleccionado hacemos doble clic sobre Variedad (en la lista
a la derecha de la ventana) para especificar a esta variable como criterio de
Modelos Mixtos en InfoStat
58
agrupamiento (Figura 37). Luego accionamos el botón Agregar para hacer efectiva la
incorporación de esta especificación del modelo. Si por algún motivo la especificación
ingresada no es deseada, haciendo doble clic sobre la misma, ésta se borra.
Figura 37: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Trigo.IDB2 con selección de función varIdent con variedad como criterio de agrupamiento.
Las medidas de ajuste del modelo especificado son las siguientes:
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 R2_1 R2_2 24 209.47 220.28 -90.73 24.49 0.84 0.89 0.90 AIC y BIC menores implica mejor
Modelos Mixtos en InfoStat
59
Comparadas con las del modelo homoscedástico, no se observa una mejoría, por lo
contrario tanto AIC como BIC aumentaron. Por este motivo se descarta el modelo
heteroscedástico.
Luego volviendo al modelo homoscedástico, realizaremos comparaciones múltiples del
tipo LSD de Fisher para evaluar diferencias entre variedades. Para ello en la solapa
Comparaciones subsolapa Medias, tildaremos la opción Variedad como se muestra la
Figura 38.
Figura 38: Ventana con la solapa Comparaciones desplegada para los datos del archivo Trigo.IDB2 y selección de la subsolapa Medias.
Al final de la salida del programa se encontrará la comparación de medias. Se observa
que solo BUCK-Charrua tuvo los rendimientos más bajos y esto ocurrió
independientemente de si tenía riego o no. En tanto las otras variedades tuvieron
rendimientos estadísticamente indistinguibles.
Modelos Mixtos en InfoStat
60
Medias ajustadas y errores estándares para Variedad LSD Fisher (alfa=0.05) Procedimiento de correccion de p-valores: No Variedad Medias E.E. Pro-INTA Puntal 469.50 28.48 A Pigue 430.98 28.48 A LasRosas-INTA 423.98 28.48 A BUCK-Charrua 342.73 28.48 B Letras distintas indican diferencias significativas(p<= 0.05)
Parcelas divididas en un arreglo en diseño completamente aleatorizado
A continuación ejemplificamos mediante un
experimento cuyo objetivo fue evaluar el efecto de un
coadyuvante sobre la cobertura de gotas y uniformidad
de aplicación en distintas ubicaciones de las hojas dentro
del canopeo de un cultivo de soja (Di Rienzo 2007). Para
ello se seleccionaron 16 sitios en cada uno de los cuales
se dispusieron 4 tarjetas hidro-sensibles, ubicadas a dos
alturas del canopeo (inferior, superior) y apuntando, sus
caras sensibles, en dos direcciones: hacia arriba y hacia
abajo. Las tarjetas hidrosensibles muestran una mancha
en el lugar donde cae una gota de agua. La superficie
manchada en estas tarjetas es una medida de cuanto
penetra y se dispersa el agua en una zona dada del canopeo. En 8 de los 16 sitios se
agregó al agua de pulverización un coadyuvante (para disminuir la tensión superficial
del agua y mejorar la dispersión de las gotas) y en los 8 restantes no. Por lo tanto en
cada sitio de pulverización se obtienen 4 lecturas correspondientes a las combinaciones
de las alturas (inferior y superior) y la ubicación de la cara sensible de la tarjeta (abajo y
arriba). Luego en cada sitio hay una repetición completa de un experimento con 4
tratamientos SuAr, SuAb, InAr y InAb, y que se combinan con la utilización o no del
coadyuvante en la solución de rociado.
El experimento resultante es un trifactorial, con un factor principal (coadyuvante)
asociado a parcelas principales (sitios donde se realiza el rociado) y dos factores (altura
y ubicación de cara sensible de la tarjeta) asociados a las subparcelas (tarjetas dentro de
Modelos Mixtos en InfoStat
61
sitio). El archivo conteniendo los datos se llama Cobertura de gotas.IDB2 y el
encabezamiento de la tabla de datos se presenta en la Figura 39.
Figura 39: Encabezamiento de la tabla de datos del archivo Cobertura de gotas.IDB2.
En la tabla de datos hay una columna que identifica a la parcela y va numerada de 1 a
16. Este va a ser el único efecto aleatorio de nuestro modelo.
El modelo lineal para las observaciones de este experimento es el siguiente:
;
1,..,2; 1,...,2; 1,...,2; 1,...,16
ijkl i j k ij ik jk ijk l ijkly b
i j k l
(5)
donde ijkly representa la respuesta observada en i-ésimo nivel del factor coadyuvante y
j-ésimo nivel de factor altura, k-ésimo nivel del factor cara en la l-ésima parcela,
representa la media general de la respuesta, i representa el efecto del i-ésimo nivel del
factor asociado a las parcelas principales (coadyuvante), j representa el efecto del j-
ésimo nivel del factor altura, k el k-ésimo nivel del factor cara, ambos asociados a las
subparcelas y ij , ik , jk y ijk las interacciones de segundo y tercer orden
correspondientes de los factores coadyuvante, altura y cara. Por otra parte lb y ijkl
representan los efectos aleatorios de las parcelas y de los errores experimentales
respectivamente. Las suposiciones sobre estos componentes aleatorios son que
2~ 0,l bb N , que 2~ 0,ijkl N , y que estas dos componentes aleatorias son
independientes.
A continuación presentamos la forma en que se especifica el modelo anterior en
InfoStat, su salida, interpretación y algunas acciones complementarias de validación del
modelo. Para ello invocaremos el Menú: Modelos lineales generales y
Modelos Mixtos en InfoStat
62
mixtos>>Estimación. El diálogo de selección de variables para este caso se presenta en
la Figura 40.
Figura 40: Ventana de selección de variables para Modelos lineales generales y mixtos con datos del archivo Cobertura de gotas.IDB2.
La especificación de la parte fija del modelo para este ejemplo contiene los tres factores
y sus interacciones dobles y triples (Figura 41).
Figura 41: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Cobertura de gotas.IDB2.
Modelos Mixtos en InfoStat
63
El efecto aleatorio que consideramos en este ejemplo es el de Parcela (Figura 42).
Figura 42: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Cobertura de gotas.IDB2 con Parcela como criterio de estratificación.
Luego de aceptar las especificaciones anteriores obtendremos la siguiente salida:
Modelos lineales generales y mixtos Especificación del modelo en R modelo000_Cobertura_REML<-lme(Cobertura~1+Coad+Altura+Cara+Coad:Altura+Coad:Cara+Altura:Cara+Coad:Altura:Cara ,random=list(Parcela=pdIdent(~1)) ,method="REML" ,na.action=na.omit ,data=R.data00 ,keep.data=FALSE) Resultados para el modelo: modelo000_Cobertura_REML Variable dependiente:Cobertura Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 R2_1 64 670.38 690.63 -325.19 65.17 0.76 0.82 AIC y BIC menores implica mejor
Modelos Mixtos en InfoStat
64
Pruebas de hipótesis secuenciales numDF denDF F-value p-value (Intercept) 1 42 233.37 <0.0001 Coad 1 14 1.89 0.1909 Altura 1 42 72.86 <0.0001 Cara 1 42 95.32 <0.0001 Coad:Altura 1 42 1.58 0.2152 Coad:Cara 1 42 0.01 0.9271 Altura:Cara 1 42 34.77 <0.0001 Coad:Altura:Cara 1 42 0.21 0.6476 Parámetros de los efectos aleatorios Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~1|Parcela Desvíos estándares relativos al residual y correlaciones (Intercept) (Intercept) 0.40
Una revisión de los residuos estandarizados de este modelo mediante las herramientas
de diagnóstico en el Menú: Modelos lineales generales y mixtos>>Análisis-exploración
de modelos estimados muestra una posible heterogeneidad de varianzas cuando se
comparan las observaciones obtenidas cuando la cara sensible de la tarjeta hidrosensible
se presenta hacia arriba (Figura 43).
Ab Ar
-3-2
-10
12
3
Cara
Re
s.co
nd
.est
an
d.P
ea
rso
n
Figura 43: Diagrama de cajas para los residuos estandarizados de Pearson para los niveles del factor Cara.
Modelos Mixtos en InfoStat
65
Para ello invocaremos nuevamente el menú de estimación del modelo. Todas las
especificaciones anteriores se han preservado por lo que sólo tenemos que
concentrarnos en la especificación del modelo de la varianza. Para ello utilizaremos la
solapa heteroscedasticidad como se muestra en la Figura 44.
Figura 44: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Cobertura de gotas.IDB2 con Cara como criterio de agrupamiento.
La salida resultante es la siguiente:
Modelos lineales generales y mixtos Especificación del modelo en R modelo001_Cobertura_REML<-lme(Cobertura~1+Coad+Altura+Cara+Coad:Altura+Coad:Cara+Altura:Cara+Coad:Altura:Cara ,random=list(Parcela=pdIdent(~1)) ,weight=varComb(varIdent(form=~1|Cara)) ,method="REML" ,na.action=na.omit ,data=R.data00 ,keep.data=FALSE)
Modelos Mixtos en InfoStat
66
Resultados para el modelo: modelo001_Cobertura_REML Variable dependiente:Cobertura Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 R2_1 64 636.54 658.82 -307.27 21.26 0.76 0.81 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF denDF F-value p-value (Intercept) 1 42 176.66 <0.0001 Coad 1 14 4.19 0.0599 Altura 1 42 53.72 <0.0001 Cara 1 42 98.43 <0.0001 Coad:Altura 1 42 13.83 0.0006 Coad:Cara 1 42 0.01 0.9259 Altura:Cara 1 42 35.90 <0.0001 Coad:Altura:Cara 1 42 0.22 0.6423 Parámetros de los efectos aleatorios Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~1|Parcela Desvíos estándares relativos al residual y correlaciones DS(Const) DS(Const) 1.06 Estructura de varianzas Modelo de varianzas: varIdent Formula: ~ 1 | Cara Parámetros del modelo Parámetro Estim Ab 1.00 Ar 4.15
El modelo para estos datos sería ijk i j k ijky b , donde i j representa el efecto fijo
de i-ésimo tratamiento en la j-ésima cara (cara puede ser Ab o Ar), kb es el efecto
aleatorio de la k-esima parcela experimental que se supone 20, bN y 2~ 0,ijk jN .
Luego la varianza de una observación tomada en una parcela seleccionada
aleatoriamente va a depender si se hace en la cara de abajo o arriba de la tarjeta. Así si
tomamos una observación de la cara de abajo la varianza va a ser (21.26*(1.06+1))2 y si
la tomamos en la cara de arriba: (21.26*(1.06+4.15))2.
Modelos Mixtos en InfoStat
67
A continuación se presentan las medidas resumen del modelo homoscedástico y del
heteroscedástico.
Medidas de ajuste del modelo homoscedástico N AIC BIC logLik Sigma R2_0 R2_1 64 670.38 690.63 -325.19 65.17 0.76 0.82 AIC y BIC menores implica mejor Medidas de ajuste del modelo heteroscedástico N AIC BIC logLik Sigma R2_0 R2_1 64 636.54 658.82 -307.27 21.26 0.76 0.81 AIC y BIC menores implica mejor
Si comparamos los AIC y BIC veremos que el último modelo ajustado es mejor y por lo
tanto la interpretación de la pruebas de hipótesis debe basarse en este último.
Obsérvese que en la estructura de varianzas, la desviación estándar residual de las
observaciones en las tarjetas que apuntan hacia arriba es 4.15 veces mayor que la
desviación estándar residual de las observaciones en las tarjetas que apuntan hacia
abajo.
Por otra parte, observando los resultados de las pruebas de hipótesis resulta que la
interacción Coad:Altura:Cara no resultó significativa, por lo que se pueden observar
las interacciones dobles (Figura 45). Entre estas, Coad:Altura y Altura:Cara son
significativas. Estas interacciones se analizan utilizando la solapa Comparaciones de la
ventana Modelos lineales generales y mixtos y tildando las correspondientes
interacciones en la lista de términos del modelo que se presenta en esa ventana. Este
procedimiento creará una tabla con las medias de todas las combinaciones resultantes de
los niveles de los factores que intervienen en la interacción. El resultado, al final de la
salida, presenta las siguientes tablas.
Medidas ajustadas y errores estándares para Coad*Altura LSD Fisher (alfa=0,05) Procedimiento de corrección de p-valores: No Coad Altura Medias E.E. Si Su 253.94 17.89 A No Su 204.69 17.89 A Si In 94.38 17.89 B No In 86.13 17.89 B Letras distintas indican diferencias significativas(p<= 0.05)
Modelos Mixtos en InfoStat
68
Medidas ajustadas y errores estándares para Altura*Cara LSD Fisher (alfa=0,05) Procedimiento de corrección de p-valores: No Altura Cara Medias E.E. Su Ar 356.88 22.74 A In Ar 121.75 22.74 B Su Ab 101.75 7.73 B In Ab 58.75 7.73 C Letras distintas indican diferencias significativas(p<= 0.05)
Sin coadyuvante Con coadyuvante
Superior Inferior
Altura
0
50
100
150
200
250
300
Co
be
rtu
ra
Sin coadyuvante Con coadyuvante Cara abajo Cara arriba
Superior Inferior
Altura
0
100
200
300
400
Co
be
rtu
ra
Cara abajo Cara arriba
Figura 45: Diagramas de puntos para estudiar la interacción entre Coad y Altura y entre Cara y Altura.
Parcelas subdivididas (split-split plot)
Este diseño utiliza el mismo principio que las parcelas divididas, excepto que lo
extiende un paso más. El principio puede extenderse arbitrariamente a niveles más
profundos de división. El modelo lineal para este diseño, suponiendo las parcelas
principales agrupadas en bloques completos aleatorizados, es el siguiente:
ijkl i j k ij ik jk ijk l il jil kjil ijkly b p sp ssp (6)
En la expresión anterior representa la media general, i el i-ésimo nivel del factor
asociado a las parcelas principales, j el j-ésimo nivel del factor asociado a las
subparcelas dentro de las parcelas principales, k el k-ésimo nivel del factor asociado a
las sub-subparcelas (dentro de las subparcelas) y ij , ik , jk y ijk las correspondientes
interacciones. Los términos aleatorios de éste modelo corresponden a los efectos de
Modelos Mixtos en InfoStat
69
bloques, 2~ 0,l bb N , los efectos de parcelas, 2~ 0,il pp N , los efectos de
subparcelas, 2~ 0,jil spsp N , los efectos de sub-subparcelas, 2~ 0,kjil sppssp N y el
error experimental, 2~ 0,ijkl N . Todos ellos, como siempre, se suponen
independientes.
Consideremos ahora un ejemplo. Los datos están en el archivo Calidad del
almidón.IDB2 (Di Rienzo 2007). En este experimento se evalúa el índice de absorción
de agua (IAA) del almidón cocido y crudo obtenido de dos genotipos de Quínoa
cultivada bajo 4 niveles de fertilización nitrogenada. Las variedades son Faro y
UDEC10. Éstas se asignaron a grandes parcelas dispuestas en 3 bloques. Las parcelas
en las que fueron sembradas las variedades fueron divididas en 4 subparcelas a las que
se les asignaron 4 dosis de fertilización: 0, 75, 150 y 225 kg/ha. Las subparcelas fueron
nuevamente divididas en 2 para asignar el tratamiento de cocción o sin cocción (crudo).
El esquema para este diseño de experimento se presenta en la Figura 46.
Figura 46: Esquema del diseño en parcelas subdivididas para el ejemplo de los datos en el archivo Calidad del almidón.IDB2.
Para el análisis de este diseño mediante un modelo mixto, además de la especificación
de la parte fija, como en un clásico experimento tri-factorial, sólo debemos especificar
la parte aleatoria para incluir el efecto aleatorio de los Bloques, de las Parcelas
Bloque 1
Bloque 2
Bloque 3
Sub-sub Parcela
Sub-Parcela Parcela principal
Modelos Mixtos en InfoStat
70
Principales dentro de Bloques y de las Subparcela dentro de Parcelas. El
encabezamiento del archivo Calidad del Almidón.IDB2 se presenta en la Figura 47.
Figura 47: Encabezamiento de la tabla de datos del archivo Calidad del Almidón.IDB2.
La ventana de selección de variables para este ejemplo tendrá que contener la
información que se presenta en la Figura 48.
Figura 48: Ventana de selección de variables para Modelos lineales generales y mixtos con datos del archivo Calidad del Almidón.IDB2.
La especificación de la parte fija deberá contener los factores e interacciones
presentados en la Figura 49.
Modelos Mixtos en InfoStat
71
Figura 49: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Calidad del Almidón.IDB2.
La parte aleatoria deberá tener declarados a los bloques (Bloque), a las parcelas
principales dentro de Bloques (Genotipo) y a las subparcelas dentro de parcelas
principales (Nitrógeno) (Figura 50).
Modelos Mixtos en InfoStat
72
Figura 50: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Calidad del Almidón.IDB2.
La salida correspondiente es la siguiente:
Modelos lineales generales y mixtos Especificación del modelo en R modelo000_IAA_REML<-lme(IAA~1+Genotipo+Nitrogeno+Coccion+Genotipo:Nitrogeno+Genotipo:Coccion+Nitrogeno:Coccion+Genotipo:Nitrogeno:Coccion ,random=list(Bloque=pdIdent(~1) ,Genotipo=pdIdent(~1) ,Nitrogeno=pdIdent(~1)) ,method="REML" ,na.action=na.omit ,data=R.data00 ,keep.data=FALSE) Resultados para el modelo: modelo000_IAA_REML Variable dependiente:IAA
Modelos Mixtos en InfoStat
73
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 R2_1 R2_2 R2_3 48 116.45 145.76 -38.22 0.61 0.75 0.75 0.75 0.75 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF denDF F-value p-value (Intercept) 1 16 1389.20 <0.0001 Genotipo 1 2 14.49 0.0626 Nitrogeno 3 12 0.78 0.5287 Coccion 1 16 32.90 <0.0001 Genotipo:Nitrogeno 3 12 0.88 0.4769 Genotipo:Coccion 1 16 37.67 <0.0001 Nitrogeno:Coccion 3 16 1.74 0.1998 Genotipo:Nitrogeno:Coccion.. 3 16 0.46 0.7108 Parámetros de los efectos aleatorios Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~1|Bloque Desvíos estándares relativos al residual y correlaciones (Const) (Const) 1.3E-05 Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~1|Genotipo dentro de Bloque Desvíos estándares relativos al residual y correlaciones (Const) (Const) 5.0E-06 Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~1|Nitrogeno dentro de Genotipo dentro de Bloque Desvíos estándares relativos al residual y correlaciones (Const) (Const) 1.8E-05
Podríamos seguir realizando pruebas de diagnóstico pero asumiremos que el modelo es
correcto. La interpretación de las pruebas de hipótesis indica que sólo la interacción
Genotipo:Cocción es significativa. Las comparaciones múltiples para las medias de
tratamientos correspondientes a esta interacción se presentan a continuación. En estas
pruebas se observa que sólo el almidón cocido del genotipo UDEC10 presenta un IAA
significativamente mayor que el resto de combinaciones de Genotipo y Cocción.
Modelos Mixtos en InfoStat
74
Medidas ajustadas y errores estándares para Genotipo*Coccion LSD Fisher (alfa=0,05) Genotipo Coccion Medias E.E. UDEC10 Cocido 4.64 0.18 A Faro Crudo 2.97 0.18 B Faro Cocido 2.90 0.18 B UDEC10 Crudo 2.56 0.18 B
Letras distintas indican diferencias significativas(p<= 0.05)
Una manera alternativa de formular el modelo anterior consiste en dejar los efectos fijos
como en la Figura 49 y especificar los efectos aleatorios como se muestra en la Figura
51. Los resultados son exactamente los mismos que antes, excepto por el cálculo de los
grados de libertad del denominador y por ende los valores de probabilidad. Esta es una
aproximación también válida aunque la versión anterior es acorde con el análisis
tradicional basado en efectos fijos. Además, las estimaciones de varianza están
presentadas en forma diferente.
Figura 51: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Calidad del Almidón.IDB2 que contempla otra forma de especificar la parte aleatoria.
Modelos Mixtos en InfoStat
75
Modelos lineales generales y mixtos Especificación del modelo en R modelo001_IAA_REML<-lme(IAA~1+Genotipo+Nitrogeno+Coccion+Genotipo:Nitrogeno+Genotipo:Coccion+Nitrogeno:Coccion+Genotipo:Nitrogeno:Coccion ,random=list(Bloque=pdIdent(~1) ,Bloque=pdIdent(~Genotipo-1) ,Bloque=pdIdent(~Genotipo:Nitrogeno-1)) ,method="REML" ,na.action=na.omit ,data=R.data00 ,keep.data=FALSE) Resultados para el modelo: modelo001_IAA_REML Variable dependiente:IAA Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 R2_1 R2_2 R2_3 48 116.45 145.76 -38.22 0.61 0.75 0.75 0.75 0.75 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF denDF F-value p-value (Intercept) 1 30 1389.20 <0.0001 Genotipo 1 30 14.49 0.0006 Nitrogeno 3 30 0.78 0.5157 Coccion 1 30 32.90 <0.0001 Genotipo:Nitrogeno 3 30 0.88 0.4605 Genotipo:Coccion 1 30 37.67 <0.0001 Nitrogeno:Coccion 3 30 1.74 0.1807 Genotipo:Nitrogeno:Coccion.. 3 30 0.46 0.7089 Parámetros de los efectos aleatorios Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~1|Bloque Desvíos estándares relativos al residual y correlaciones (Const) (Const) 1.3E-05 Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~Genotipo - 1|Bloque Desvíos estándares relativos al residual y correlaciones Faro UDEC10 Faro 5.0E-06 0.00 UDEC10 0.00 5.0E-06
Modelos Mixtos en InfoStat
76
Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~Genotipo:Nitrogeno - 1|Bloque Desvíos estándares relativos al residual y correlaciones Faro:0 UDEC10:0 Faro:75 UDEC10:75 Faro:150 UDEC10:150 Faro:225 UDEC10:225 Faro:0 1.8E-05 0 0 0 0 0 0 0 UDEC10:0 0 1.8E-05 0 0 0 0 0 0 Faro:75 0 0 1.8E-05 0 0 0 0 0 UDEC10:75 0 0 0 1.8E-05 0 0 0 0 Faro:150 0 0 0 0 1.8E-05 0 0 0 UDEC10:150 0 0 0 0 0 1.8E-05 0 0 Faro:225 0 0 0 0 0 0 1.8E-05 0 UDEC10:225 0 0 0 0 0 0 0 1.8E-05
Modelos Mixtos en InfoStat
77
Aplicación de modelos mixtos para mediciones repetidas en el tiempo
Datos longitudinales
Para la modelación de datos longitudinales el aspecto más importante a considerar es la
estructura de la matriz de covarianza residual, que es posible modelar especificando la
matriz de correlación. En algunos casos también las varianzas pueden ser distintas para
algún criterio de agrupamiento y se debe modelar la heteroscedasticidad. Recordemos
que existe correlación residual entre observaciones que comparten el mismo valor del
criterio de estratificación, conocido también como sujeto, (por ejemplo, tomadas sobre
la misma persona, la misma parcela, el mismo animal, el mismo árbol, etc.). Así, la
matriz de covarianza residual para todas las observaciones será una matriz diagonal por
bloques, y en cada bloque se reflejará la estructura deseada, i.e. simetría compuesta,
autorregresiva de orden 1, etc.
Para especificar esto, InfoStat presenta dos solapas. En la solapa Correlación se
encuentran las opciones que permiten especificar la estructura de correlación de los
errores y en la solapa Heteroscedasticidad se pueden seleccionar distintos modelos de
varianza. Así, las distintas estructuras de la matriz de covarianza residual que se pueden
ajustar resultan de combinar las distintas estructuras de correlación con la posible
heteroscedasticidad en el tiempo. Si adicionalmente se desea especificar un efecto
aleatorio también es posible hacerlo usando la solapa correspondiente. En este caso se
debe tener mucha precaución de no combinar efectos aleatorios, estructuras de
correlación y de heteroscedasticidad tales que el modelo final no sea identificable. Esto
sucede cuando existe un conjunto infinito de valores de los parámetros para los cuales el
modelo es indistinguible, y por lo tanto las soluciones a las ecuaciones de verosimilitud
no son únicas.
Ejemplos de estas situaciones ocurren cuando se especifica una estructura de
correlación de simetría compuesta con un criterio de estratificación (por ejemplo, la
parcela) y un efecto aleatorio de ese mismo criterio de estratificación sobre la constante.
En este caso la estructura de covarianza de las observaciones será una matriz diagonal
por bloques, y cada bloque tendrá una estructura de simetría compuesta. Por lo tanto,
esta estructura tiene intrínsecamente dos parámetros. Pero de la manera que la hemos
especificado aparecen tres parámetros (varianza del efecto aleatorio, correlación
Modelos Mixtos en InfoStat
78
intraclase de la estructura de correlación residual y varianza residual). Esta
sobreparametrización hace que existan infinitas soluciones, y por lo tanto los
estimadores no se pueden interpretar (y en muchos casos el algoritmo numérico no
converge). Otra situación común es la de una correlación sin estructura (corSymm) con
un criterio de estratificación dado (por ejemplo la parcela) y un efecto aleatorio de ese
mismo criterio de estratificación sobre la constante (intercept).
Análisis de un ensayo de establecimiento de forrajeras
A continuación se presenta un ejemplo de modelación de observaciones repetidas en el
tiempo. Los datos provienen de un ensayo de establecimiento de forrajeras para
comparar cinco métodos de labranza (labranza mínima, labranza mínima con herbicida,
labranza mínima con herbicida y arado de disco a los 45 días, labranza cero, y labranza
convencional) en la región central húmeda de Puerto Rico. La especie usada fue
Brachiaria decumbens cv. Basilik. El experimento estaba diseñado en tres bloques
completos aleatorizados, y se analizan aquí las medidas de cobertura (porcentaje de
cobertura estimado en cada parcela). Hay 5 medidas repetidas, tomadas con intervalos
de un mes entre agosto y diciembre de 2001 (Moser y Macchiavelli 2002). Los datos se
encuentran en Cobertura forrajes.IDB2 en la carpeta de datos de prueba de InfoStat.
Los perfiles promedio de cobertura observados en los cinco tiempos para cada uno de
los tratamientos se presentan en la Figura 52.
Trat1 Trat2 Trat3 Trat4 Trat5
1 2 3 4 5
Tiempo
0
10
20
30
40
50
Co
be
rtu
ra (
%)
Cobertura de Brachiaria decumbens
Trat1 Trat2 Trat3 Trat4 Trat5
Figura 52: Relación entre cobertura y tiempo para cinco tratamientos del archivo Cobertura forrajes.IDB2.
Modelos Mixtos en InfoStat
79
Como estrategia general para analizar estos datos primero se ajustarán modelos con
distintas estructuras de covarianza, combinando apropiadamente estructuras de
correlación residual, heteroscedasticidad residual y efectos aleatorios. Mediante criterios
de verosimilitud penalizada (AIC y BIC) se elegirá el modelo que mejor describa los
datos, y usando este modelo se realizarán inferencias acerca de las medias (comparar
tratamientos, estudiar el efecto del tiempo, analizar si los perfiles promedio varían en el
tiempo, si son paralelos, etc.).
Para el elegir el mejor modelo comenzaremos proponiendo un modelo sencillo con
pocos parámetros a estimar (i.e. parsimonioso), e iremos adicionando parámetros hasta
llegar al modelo sin estructura, que es el menos parsimonioso.
Se usarán las siguientes estructuras de covarianza para los datos (covarianza marginal):
1. Errores independientes y homoscedásticos.
2. Errores independientes y heteroscedásticos.
3. Correlación constante entre errores de la misma parcela y varianza residual constante en el tiempo.
4. Correlación constante entre errores de la misma parcela y varianza residual diferente en los distintos tiempos.
5. Estructura autorregresiva de orden 1 entre los errores de la misma parcela y varianza residual constante en el tiempo.
6. Estructura autorregresiva de orden 1 entre los errores de la misma parcela y varianza residual diferente en los distintos tiempos.
7. Estructura autorregresiva de orden 1 entre los errores de la misma parcela, varianza residual constante en el tiempo y efecto aleatorio de parcela.
8. Estructura autorregresiva de orden 1 entre los errores de la misma parcela, varianza residual diferente en los distintos tiempos y efecto aleatorio de parcela.
9. Sin estructura para las correlaciones entre errores provenientes de la misma parcela y varianzas residuales diferentes en el tiempo.
Para ajustar estos modelos en primer lugar se deben declarar las variables como se
indica en la Figura 53.
Modelos Mixtos en InfoStat
80
Figura 53: Ventana de selección de variables para Modelos lineales generales y mixtos con datos del ejemplo Cobertura forrajes.IDB2.
En todos los casos se usó el mismo modelo de medias, ya que la parte fija del modelo
referido no cambió (imprescindible si se desea comparar estructuras de covarianza
usando REML, y por ende los criterios de AIC y BIC) (Figura 54). A continuación se
detallará la forma de declarar cada uno de los modelos a evaluar seguido por una salida
de InfoStat con las medidas de ajuste correspondientes.
Modelos Mixtos en InfoStat
81
Figura 54: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Cobertura forrajes.IDB2.
Modelo 1: Errores independientes y homoscedásticos
En la solapa Correlación se debe declarar Errores independientes (Figura 55), que es la
opción por defecto, y en la solapa Heteroscedasticidad no se declara nada.
Modelos Mixtos en InfoStat
82
Figura 55: Ventana con la solapa Correlación desplegada para los datos del archivo Cobertura forrajes.IDB2 y selección de Errores independientes (Modelo 1).
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 75 465.05 517.45 -204.53 12.19 0.63 AIC y BIC menores implica mejor
Modelo 2: Errores independientes y heteroscedásticos
En la solapa Correlación se debe declarar Errores independientes (opción por defecto)
y en la solapa Heteroscedasticidad se declara varIdent y en criterio de agrupamiento se
declara Tiempo (Figura 56).
Modelos Mixtos en InfoStat
83
Figura 56: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Cobertura forrajes.IDB2 con selección de función varIdent con tiempo como criterio de agrupamiento
(Modelo 2).
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 75 465.83 525.71 -200.91 6.75 0.61
AIC y BIC menores implica mejor
Modelo 3: Correlación constante entre datos de la misma parcela y varianza constante en el
tiempo.
En la solapa Correlación se eligió la opción Simetría Compuesta. Se debe declarar
también el Criterio de agrupamiento, en este caso la Parcela, para indicar que se está
modelando la correlación de datos provenientes de una misma parcela (Figura 57). En la
solapa Heteroscedasticidad se dejó la opción por defecto, es decir no se eligió ningún
criterio (para esto ir a la solapa Heteroscedasticidad y borrar la selección anterior
desactivando todas las opciones y borrando varIdent(form=~1) con un doble clic).
Modelos Mixtos en InfoStat
84
Figura 57: Ventana con la solapa Correlación desplegada para los datos del archivo Cobertura forrajes.IDB2 y selección de simetría compuesta para datos
agrupados por parcela (Modelo 3).
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 75 458.67 512.94 -200.34 12.59 0.63 AIC y BIC menores implica mejor
Modelo 4: Correlación constante entre datos de la misma parcela y varianza diferente en los
distintos tiempos.
En la solapa Correlación se eligió la opción Simetría compuesta y en la solapa
Heteroscedasticidad eligió la opción varIdent y en Criterios de agrupamiento se declara
Tiempo.
Modelos Mixtos en InfoStat
85
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 75 456.66 518.41 -195.33 8.05 0.48 AIC y BIC menores implica mejor
Modelo 5: Estructura autorregresiva de orden 1 entre los errores de la misma parcela y
varianza residual constante en el tiempo.
En la solapa Correlación se eligió la opción Autorregresivo de orden 1 (Figura 58).
Debido a que este modelo tiene en cuenta el orden en que fueron tomadas las
observaciones, la variable que indica esto se debe declarar en la ventana
correspondiente (en este caso la variable Tiempo). En la solapa Heteroscedasticidad se
dejó la opción por defecto, es decir no se eligió ningún criterio (para esto ir a la solapa
Heteroscedasticidad y borrar la selección anterior desactivando todas las opciones y
borrando varIdent(form=~1) con un doble clic).
Figura 58: Ventana con la solapa Correlación desplegada para los datos del archivo Cobertura forrajes.IDB2 y selección de modelo Autorregresivo de orden 1 para datos agrupados por parcela y
orden de las observaciones indicado por la variable Tiempo (Modelo 5).
Modelos Mixtos en InfoStat
86
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 75 449.36 503.62 -195.68 12.40 0.63 AIC y BIC menores implica mejor
Modelo 6: Estructura autorregresiva de orden 1 entre los errores de la misma parcela y
varianza residual diferente en los distintos tiempos.
En la solapa Correlación se eligió la opción Autorregresivo de orden 1. En la solapa
Heteroscedasticidad se eligió la opción varIdent y se especificó el criterio de
agrupamiento que en este caso es la variable tiempo.
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 75 452.40 514.15 -193.20 8.78 0.63
AIC y BIC menores implica mejor
Modelo 7: Estructura autorregresiva de orden 1 entre los errores de la misma parcela,
varianza residual constante en el tiempo y efecto aleatorio de parcela.
En la solapa Correlación se eligió la opción Autorregresivo de orden 1 (igual que el
Modelo 5, Figura 58) y en la solapa Heteroscedasticidad se dejó la opción por defecto,
es decir no se eligió ningún criterio y se borraron las selecciones realizadas con
anterioridad. En la solapa Efectos aleatorios se declaró a Parcela en Criterios de
estratificación (Figura 59).
Modelos Mixtos en InfoStat
87
Figura 59: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Cobertura forrajes.IDB2 con parcela como criterio de estratificación (Modelo 7).
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 R2_1 75 451.36 507.49 -195.68 12.40 0.63 0.63 AIC y BIC menores implica mejor
Modelo 8: Estructura autorregresiva de orden 1 entre los errores de la misma parcela,
varianza residual diferente en los distintos tiempos y efecto aleatorio de parcela.
Modelos Mixtos en InfoStat
88
En la solapa Correlación se eligió la opción Autorregresivo “continuo” de orden 1
(Figura 60) para mostrar que en este caso es igual al Autorregresivo de orden 1. Si los
tiempos no fuesen equidistantes, la estructura corAR1 no es aplicable, y se debe usar su
análoga continua (corCAR1). Para este ejemplo ambas estructuras son equivalentes
debido a que los tiempos son equidistantes.
En la solapa Heteroscedasticidad se dejó la opción varIdent (como en la Figura 56). En
la solapa Efectos aleatorios se declaró a Parcela como Criterio de estratificación (como
en el Modelo 7, Figura 59).
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 R2_1 75 454.40 518.03 -193.20 8.78 0.63 0.63 AIC y BIC menores implica mejor
Figura 60: Ventana con la solapa Correlación desplegada para los datos del archivo Cobertura forrajes.IDB2 y selección de modelo Autorregresivo continuo de orden 1 para datos agrupados por
parcela y orden de las observaciones indicado por la variable Tiempo (Modelo 8).
Modelos Mixtos en InfoStat
89
Modelo 9: Sin estructura para los datos provenientes de la misma parcela.
En la solapa Correlación se eligió la opción Sin estructura (Figura 61) y en la solapa
Heteroscedasticidad se dejó tildada la opción varIdent (como en Figura 56). En la
solapa Efectos aleatorios se eliminó Parcela en Criterios de estratificación.
Figura 61: Ventana con la solapa Correlación desplegada para los datos del archivo Cobertura forrajes.IDB2 y selección de modelo Sin estructura para datos agrupados por parcela y orden de las
observaciones indicado por la variable Tiempo (Modelo 9).
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 75 425.03 503.62 -170.51 6.82 0.60 AIC y BIC menores implica mejor
Modelos Mixtos en InfoStat
90
Selección de la estructura de covarianza
Si comparamos los valores de AIC (o los de BIC) para las estructuras que hemos
ajustado, se puede observar que el menor valor se obtiene con el Modelo 9 (AIC =
425.03, BIC = 503.62). Por lo tanto elegimos la covarianza sin estructura. Observemos
los parámetros estimados bajo este modelo:
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 75 425.03 503.62 -170.51 6.82 0.60 AIC y BIC menores implica mejor
Estructura de correlación
Modelo de correlacion: General correlation
Formula: ~ as.integer(Tiempo) | Parcela
Matriz de correlación común
1 2 3 4
2 0.3230
3 0.7160 0.2760
4 0.0650 0.0990 0.4600
5 0.0450 0.1240 0.4580 0.9950
Estructura de varianzas
Modelo de varianzas: varIdent
Formula: ~ 1 | Tiempo
Parámetros del modelo
Parámetro Estim
1 1.0000
2 1.1819
3 1.9653
4 2.3775
5 2.2697
Las varianzas estimadas para cada uno de los 5 tiempos se calculan de la siguiente
manera:
Modelos Mixtos en InfoStat
91
2 21
222
223
224
225
ˆ 6.8211 46.53
ˆ 1.1819 6.8211 64.99
ˆ 1.9653 6.8211 179.71
ˆ 2.3775 6.8211 263.00
ˆ 2.2697 6.8211 239.69
Las 10 correlaciones estimadas aparecen directamente como una matriz en Estructura
de Correlación.
Inferencia sobre las medias
Una vez elegida la estructura de covarianza de los datos (en este caso el modelo sin
estructura) podemos proceder a realizar inferencias acerca de las medias. Los perfiles
promedios observados para cada tratamiento se presentaron en la Figura 52.
En un experimento factorial como este, donde se tiene el factor tratamiento y el factor
tiempo, lo primero que se debe indagar es si existe interacción entre los tratamientos y
el tiempo. Para ello podemos realizar una prueba de Wald, que aparece directamente en
InfoStat como Trat:Tiempo en las pruebas secuenciales (recordemos que la interacción
es el último término que colocamos en el modelo). Otra opción es realizar una prueba
del cociente de verosimilitudes (LRT por sus siglas en inglés). Para esta última no
podemos usar REML debido a que estamos probando modelos con efectos fijos
diferentes, y por lo tanto los estimadores REML no son comparables. En su lugar se usa
el estimador máximo verosímil (ML).
Pruebas de hipótesis secuenciales
numDF F-value p-value
(Intercept) 1 127.93 <0.0001
Bloque 2 2.75 0.0739
Tratam 4 6.28 0.0004
Tiempo 4 16.77 <0.0001
Tratam:Tiempo 16 1.49 0.1417
Para realizar una prueba de cociente de verosimilitudes podemos ajustar (con ML) dos
modelos con la misma estructura de covarianza (en este ejemplo el modelo sin
Modelos Mixtos en InfoStat
92
estructura) pero que difieren en su parte fija: uno contiene la interacción (modelo
completo) y el otro no la contiene (modelo reducido):
Modelo completo:
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 75 535.33 632.67 -225.67 5.29 0.60
AIC y BIC menores implica mejor
Modelo reducido:
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 75 527.01 587.27 -237.51 5.55 0.38 AIC y BIC menores implica mejor
Si bien la prueba LRT se puede obtener directamente desde el menú Análisis-
exploración de modelos estimados, solapa Modelos, a continuación se muestra otra
forma de calcularla. En primer lugar se obtiene el estadístico de la prueba LRT,
2 log lik 2log lik 2( 225.67) 2( 237.51) 23.68completo reducidoG . Este tiene 42-
26=16 grados de libertad, y arroja un valor p=0.0967, por lo que podemos decir que no
existe interacción con un nivel de significancia del 5%. Este valor de probabilidad se
obtiene a partir de una distribución chi-cuadrado con 16 grados de libertad, y puede ser
calculado con la herramienta Calculador de probabilidades y cuantiles del menú
Estadísticas de InfoStat (Figura 62).
Modelos Mixtos en InfoStat
93
Figura 62: Ventana del Calculador de probabilidades y cuantiles de InfoStat.
Ambas pruebas (Wald y LRT) indican una interacción no significativa (aunque los
p-valores no son demasiado altos, p=0.1417 y p=0.0967 respectivamente), por lo que
podemos (con precaución) realizar pruebas de efectos de tratamiento y tiempo por
separado.
Contrastando tiempos sucesivos
Para comparar los tiempos sucesivos, es decir el tiempo 1 con el tiempo 2, el tiempo 2
con el tiempo 3 y así sucesivamente, se debe activar la solapa Comparaciones y dentro
de esta la subsolapa Contrastes y seleccionar el efecto Tiempo (Figura 63). El resto de
las ventanas debe quedar como en el Modelo 9, que fue elegido como el de mejor
estructura de correlación para explicar el comportamiento de estos datos en el tiempo.
Modelos Mixtos en InfoStat
94
Figura 63: Ventana con la solapa Comparaciones desplegada para los datos del archivo Cobertura forrajes.IDB2 y selección de la subsolapa Contrastes.
Pruebas de hipótesis para contrastes
F gl(num) gl(den) p-valor
Cont.1 18.94 1 48 0.0001
Cont.2 2.70 1 48 0.1070
Cont.3 0.19 1 48 0.6640
Cont.4 0.34 1 48 0.5645
Total 16.77 4 48 <0.0001
Las salidas presentadas aquí corresponden a las estimaciones REML. Está claro a partir
de estos resultados que, en promedio para los cuatro tratamientos, se ve un cambio
significativo entre los tiempos 1 y 2, pero en tiempos posteriores la cobertura promedio
no cambia significativamente. Las mismas conclusiones se obtienen realizando una
comparación de medias de cada tiempo (LSD):
Modelos Mixtos en InfoStat
95
Medias ajustadas y errores estándares para Tiempo LSD Fisher (alfa=0.05) Procedimiento de correccion de p-valores: No Tiempo Medias E.E. 3 30.29 3.46 A 4 28.53 4.19 A 5 28.27 4.00 A 2 24.53 2.08 A 1 14.73 1.76 B Letras distintas indican diferencias significativas(p<= 0.05)
Comparación de tratamientos
Medias ajustadas y errores estándares para Tratam LSD Fisher (alfa=0.05) Procedimiento de correccion de p-valores: No Tratam Medias E.E. 5 39.60 5.15 A 1 31.27 5.15 A B 4 24.96 5.15 A B C 3 17.33 5.15 B C 2 13.19 5.15 C Letras distintas indican diferencias significativas(p<= 0.05)
A partir de esta comparación de medias ajustadas se puede concluir que los tratamientos
5, 1 y 4 son los que proveen mayor cobertura y no se diferencias estadísticamente entre
sí.
Modelos Mixtos en InfoStat
96
Análisis de un ensayo de drogas para asma
Una compañía farmacéutica ha examinado los efectos de dos drogas (A y B) sobre la
capacidad respiratoria de pacientes de asma (Littel et ál. 2002, 2006). Las dos drogas y
un placebo fueron administradas a un grupo de pacientes en forma aleatoria. Se contó
con 24 pacientes por cada uno de los tres tratamientos. A cada paciente se le midió la
capacidad respiratoria basal (Cap_Rep_Bas) inmediatamente antes de aplicarle el
tratamiento y la capacidad respiratoria cada hora durante las 8 horas siguientes
(Cap_Respirat). Los datos están en el archivo CapacidadRespiratoria.IDB2.
Usando nuevamente la estrategia definida en los ejemplos anteriores, primero se
ajustarán modelos con distintas estructuras de covarianza, combinando apropiadamente
estructuras de correlación residual, heteroscedasticidad residual y efectos aleatorios.
Mediante criterios de verosimilitud penalizada (AIC y BIC) y pruebas de cociente de
verosimilitud se elegirá el modelo que mejor describa los datos. Una vez seleccionado el
modelo de estructura de covarianza adecuado se realizarán inferencias acerca de las
medias (comparar medias de drogas, estudiar el efecto del tiempo, analizar si los
perfiles promedio varían en el tiempo, si son paralelos, etc.). Es importante destacar que
toda la inferencia sobre las medias estará basada en el modelo de estructura de
covarianza seleccionado.
Debido a que la variable que identifica al paciente (Paciente) en la base de datos toma
valores iguales dentro de cada droga, para identificar a los 72 pacientes de este estudio
se ha debido crear una nueva variable (paciente_droga) que identifica completamente al
paciente. Para hacer esto se ha usado el menú Datos, submenú Cruzar categorías para
formar una nueva variable (seleccionado Paciente y Droga en la ventana del selector de
variables). Este es un experimento bifactorial y se usa un modelo que contempla los
factores Droga, Hora y su interacción y la covariable Cap_Rep_Bas (todos de efectos
fijos). Para realizar el análisis de este modelo, se deben declarar las variables de la
siguiente forma (Figura 64).
Modelos Mixtos en InfoStat
97
Figura 64: Ventana de selector de variables con los datos del archivo CapacidadRespiratoria.IDB2.
En primer lugar se evaluará un conjunto de modelos para determinar cuál es el que
mejor ajusta. Los modelos evaluados son:
1. Errores independientes y varianzas residuales homoscedásticas.
2. Simetría compuesta y varianzas residuales homoscedásticas.
3. Auto regresivo de orden 1 y varianzas residuales homoscedásticas.
4. Auto regresivo de orden 1 y varianzas residuales heteroscedásticas.
5. Auto regresivo de orden 1 y varianzas residuales homoscedásticas y efecto aleatorio de paciente.
6. Auto regresivo de orden 1 y varianzas residuales heteroscedásticas y efecto aleatorio de paciente.
7. Matriz de varianzas y covarianzas sin estructura y varianzas residuales heteroscedásticas.
La especificación de la parte fija del modelo es la misma para los 7 modelos evaluados
(Figura 65). Para obtener el ajuste del Modelo 1 solo se debe activar el botón Aceptar
con el modelo de efectos fijos presentado a continuación:
Modelos Mixtos en InfoStat
98
Figura 65: Ventana con la solapa Efectos fijos desplegada con los datos del archivo CapacidadRespiratoria.IDB2.
Para ajustar el Modelo 2, se deben especificar las ventanas como en la Figura 65 y la
Figura 66. El Modelo 3 se especifica como en la Figura 65 y la Figura 67. El Modelo 4
se especifica como el anterior más el agregado de varianzas residuales heterogéneas
como en la Figura 68. El Modelo 5 se especifica con las ventanas presentadas en la
Figura 65, la Figura 67 y la Figura 69. El Modelo 6 es como el Modelo 5 más la
especificacion de varianzas residuales heterogéneas (Figura 68). El modelo 7 se
especifica como se muestra en la Figura 65, Figura 68 y Figura 70).
Modelos Mixtos en InfoStat
99
Figura 66: Ventana con la solapa Correlación desplegada, opción Simetría compuesta, con los datos del archivo CapacidadRespiratoria.IDB2.
Modelos Mixtos en InfoStat
100
Figura 67: Ventana con la solapa Correlación desplegada, opción Autorregresivo de orden 1, con los datos del archivo CapacidadRespiratoria.IDB2.
Modelos Mixtos en InfoStat
101
Figura 68: Ventana con la solapa Heteroscedasticidad desplegada con los datos del archivo CapacidadRespiratoria.IDB2.
Modelos Mixtos en InfoStat
102
Figura 69: Ventana con la solapa Efectos aleatorios desplegada con los datos del archivo CapacidadRespiratoria.IDB2.
Modelos Mixtos en InfoStat
103
Figura 70: Ventana con la solapa Correlación desplegada, opción Sin estructura, con los datos del archivo CapacidadRespiratoria.IDB2.
Luego de ajustar los siguientes modelos estos son los resultados:
Cuadro 2. Características y medidas de ajuste de los modelos evaluados para los datos del archivo CapacidadRespiratoria.IDB2.
Modelo Efecto
Aleatorio paciente
Correlación Residual
Varianzas residuales
heterogéneas en el tiempo
AIC BIC log lik
1 NO NO NO 968.94 1081.04 -458.47
2 NO Simetría
Compuesta NO 401.29 517.71 -173.65
3 NO AR1 NO 329.04 445.45 -137.52
4 NO AR1 SÍ 324.57 471.17 -128.28
5 SÍ AR1 NO 303.03 423.76 -123.52
6 SÍ AR1 SÍ 287.80 438.71 -108.90
7 NO Sin estructura SÍ 270.27 533.29 -74.14
Modelos Mixtos en InfoStat
104
A partir del Cuadro 2 podemos observar que los modelos 6 y 7 presentan los valores
más bajos de AIC mientras que los modelos 5 y 6 presentan los valores más bajos para
BIC. Una prueba formal de cociente de verosimilitud para comparar los modelos 5 y 6
puede obtenerse mediante:
2 2(log lik modelo reducido - log lik modelo completo)
2( 123.52 108.90) 29.24
X
Como ambos modelos difieren en 7 parámetros (el Modelo 5 tiene una única varianza
residual y el Modelo 6 tiene 8 varianzas residuales), el estadístico de verosimilitud se
compara con un valor crítico de una distribución chi-cuadrado con 7 grados de libertad.
Al hacer esto con el calculador de probabilidades y cuantiles de InfoStat obtenemos un
p-valor de 0.0001, lo que nos lleva a escoger el modelo completo (Modelo 6).
La misma prueba se puede realizar con el menú Estadísticas>>Modelos lineales
generales y mixtos>> Análisis-exploración de modelos estimados. Para comparar ambos
modelos seleccionamos la solapa Modelos y obtenemos los siguientes resultados:
Comparación de modelos Model df AIC BIC logLik Test L.Ratio p-value 5 28 303.03 423.76 -123.52 6 35 287.80 438.71 -108.90 1 vs 2 29.23 0.0001
Los resultados de la prueba del cociente de verosimilitud indican que entre estos dos
modelos el mejor es el Modelo 6. Luego, resta solo comparar el Modelo 6 con el 7. En
este caso el modelo reducido es el 6 y el completo es el 7. Los resultados para esta
comparación son:
Comparación de modelos Model df AIC BIC logLik Test L.Ratio p-value 7 61 270.27 533.29 -74.14 6 35 287.80 438.71 -108.90 1 vs 2 69.53 <0.0001
Los resultados indican que el Modelo 7 es el mejor. Por lo tanto el modelo seleccionado
tiene una estructura de correlación residual sin estructura y varianzas residuales
heterogéneas en el tiempo. La salida completa para este modelo se presenta a
continuación:
Modelos Mixtos en InfoStat
105
Modelos lineales generales y mixtos Especificación del modelo en R modelo009_Cap_Respirat_REML<-gls(Cap_Respirat~1+Droga+Hora+Droga:Hora+Cap_Resp_base ,weight=varComb(varIdent(form=~1|Hora)) ,correlation=corSymm(form=~as.integer(as.character(Hora))|Paciente_Droga) ,method="REML" ,na.action=na.omit ,data=R.data09) Resultados para el modelo: modelo009_Cap_Respirat_REML Variable dependiente:Cap_Respirat Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 576 270.27 533.29 -74.14 0.48 0.55 AIC y BIC menores implica mejor Pruebas de hipótesis marginales(SC tipo III) numDF F-value p-value (Intercept) 1 6.49 0.0111 Droga 2 7.25 0.0008 Hora 7 13.72 <0.0001 Cap_Resp_base 1 92.57 <0.0001 Droga:Hora 14 4.06 <0.0001 Pruebas de hipótesis secuenciales numDF F-value p-value (Intercept) 1 3936.01 <0.0001 Droga 2 13.87 <0.0001 Hora 7 13.72 <0.0001 Cap_Resp_base 1 92.57 <0.0001 Droga:Hora 14 4.06 <0.0001 Estructura de correlación Modelo de correlación: General correlation Formula: ~ as.integer(as.character(Hora)) | Paciente_Droga Matriz de correlación común 1 2 3 4 5 6 7 8 1 1.00 0.89 0.88 0.78 0.69 0.67 0.52 0.65 2 0.89 1.00 0.91 0.87 0.81 0.70 0.59 0.70 3 0.88 0.91 1.00 0.91 0.81 0.75 0.64 0.74 4 0.78 0.87 0.91 1.00 0.82 0.73 0.67 0.75 5 0.69 0.81 0.81 0.82 1.00 0.85 0.73 0.84 6 0.67 0.70 0.75 0.73 0.85 1.00 0.81 0.88 7 0.52 0.59 0.64 0.67 0.73 0.81 1.00 0.82 8 0.65 0.70 0.74 0.75 0.84 0.88 0.82 1.00
Modelos Mixtos en InfoStat
106
Estructura de varianzas Modelo de varianzas: varIdent Formula: ~ 1 | Hora Parámetros de la función de varianza Parámetro Estim 1 1.00 2 1.07 3 1.06 4 1.15 5 1.12 6 1.07 7 1.09 8 1.15 Medias ajustadas y errores estándares para Droga LSD Fisher (alfa=0.05) Procedimiento de correccion de p-valores: No Droga Medias E.E. B 3.33 0.09 A A 3.11 0.09 A P 2.82 0.09 B Letras distintas indican diferencias significativas(p<= 0.05) Medias ajustadas y errores estándares para Hora LSD Fisher (alfa=0.05) Procedimiento de correccion de p-valores: No Hora Medias E.E. 1 3.33 0.06 A 2 3.30 0.06 A 3 3.22 0.06 B 4 3.12 0.06 C 5 3.02 0.06 D 6 2.96 0.06 D 7 2.88 0.06 E 8 2.87 0.06 E Letras distintas indican diferencias significativas(p<= 0.05) Medias ajustadas y errores estándares para Droga*Hora LSD Fisher (alfa=0.05) Procedimiento de correccion de p-valores: No Droga Hora Medias E.E. B 1 3.69 0.10 A B 2 3.63 0.10 A B B 3 3.58 0.10 A B A 1 3.47 0.10 A B C B 4 3.44 0.11 B C D A 2 3.39 0.10 B C D B 5 3.25 0.11 C D E A 3 3.18 0.10 D E F B 6 3.08 0.10 E F G
Modelos Mixtos en InfoStat
107
A 5 3.05 0.11 E F G H A 4 3.04 0.11 E F G H B 8 3.01 0.11 E F G H I A 6 2.98 0.10 E F G H I B 7 2.98 0.11 F G H I P 3 2.90 0.10 F G H I P 2 2.89 0.10 G H I P 4 2.87 0.11 G H I A 7 2.87 0.11 G H I A 8 2.86 0.11 G H I P 1 2.83 0.10 G H I P 6 2.82 0.10 G H I P 7 2.79 0.11 H I P 5 2.77 0.11 H I P 8 2.73 0.11 I Letras distintas indican diferencias significativas(p<= 0.05)
Podemos ver que hay interacción significativa entre la droga y el tiempo (p<0.0001),
por lo que procederemos a realizar un Gráfico de interacción. Para realizar este gráfico
en primer lugar se copiaron las Medias ajustadas y errores estándares para
Droga*Hora y se pegaron en una nueva tabla de InfoStat. Esta tabla fue guardada como
MedCapRes.IDB2. Luego en el menú Gráficos>>Gráficos de puntos se declararon las
variables como se muestra a continuación (Figura 71 y Figura 72):
Figura 71: Ventana de selector de variables para los datos del archivo MedCapRes.IDB2.
Modelos Mixtos en InfoStat
108
Figura 72: Ventana de selector de variables con solapa Particiones activada para los datos del archivo MedCapRes.IDB2.
Es importante recalcar que debido a que los errores estándar de cada una de las
combinaciones de tratamientos y horas son diferentes éstos deben ser tenidos en cuenta
al momento de solicitar el gráfico. Esto se logra declarando la medida de error en la
subventana Error. Con estas especificaciones se obtiene el gráfico para estudiar la
interacción (Figura 73).
Modelos Mixtos en InfoStat
109
Droga ADroga BPlacebo
1 2 3 4 5 6 7 8
Hora
2.60
2.70
2.80
2.90
3.00
3.10
3.20
3.30
3.40
3.50
3.60
3.70
3.80
Cap
acid
ad r
espi
rato
ria m
edia
Droga ADroga BPlacebo
Figura 73: Gráfico de puntos para estudiar la interacción entre tratamientos y hora con los datos del archivo CapacidadRespiratoria.IDB2.
Podemos observar que mientras el placebo tiene una respuesta prácticamente constante,
las drogas A y B aumentan la capacidad respiratoria después de su aplicación. Esta
capacidad va disminuyendo con el tiempo, y siempre es superior el valor medio de la
droga B respecto a la droga A. Para encontrar diferencias significativas entre los
tratamientos en cada una de las horas se pueden realizar contrastes. En este caso, dentro
de cada hora se pueden probar hipótesis sobre igualdad de medias entre drogas y
placebo, y entre las dos drogas. Para la obtención de los contrastes (en este caso
ortogonales) se deben declara en la solapa Comparaciones, subsolapa Contrastes como
en la Figura 74.
Modelos Mixtos en InfoStat
110
Figura 74: Ventana con la solapa Comparaciones, subsolapa Contrastes con los datos del archivo CapacidadRespiratoria.IDB2.
A continuación se presentan lo valores de probabilidad para los contrastes solicitados: Pruebas de hipótesis para contrastes Droga*Hora F gl(num) gl(den) p-valor Ct.1 40.08 1 551 <0.0001 Ct.2 2.54 1 551 0.1119 Ct.3 23.46 1 551 <0.0001 Ct.4 2.46 1 551 0.1170 Ct.5 14.55 1 551 0.0002 Ct.6 7.36 1 551 0.0069 Ct.7 7.39 1 551 0.0068 Ct.8 6.37 1 551 0.0119 Ct.9 8.11 1 551 0.0046 Ct.10 1.63 1 551 0.2022 Ct.11 2.86 1 551 0.0914 Ct.12 0.53 1 551 0.4651 Ct.13 1.09 1 551 0.2965 Ct.14 0.53 1 551 0.4656 Ct.15 2.13 1 551 0.1446 Ct.16 0.94 1 551 0.3319 Total 5.19 16 551 <0.0001
Modelos Mixtos en InfoStat
111
Los Contrastes 1, 3, 5, 7 y 9 comparan el placebo con el promedio de las drogas para las
horas 1, 2, 3 ,4 y 5 respectivamente. Debido a que todos estos son significativos
(p<0.05) podemos decir que recién a la hora 6 de aplicadas las drogas estas pierden su
efecto, ya que los contrastes 11, 13 y 15 no son significativos. Respecto a la
comparación de las drogas entres sí, la superioridad de la B sobre la A se manifiesta
(p<0.05) solo en las horas 3 y 4 (contrastes 6 y 8 respectivamente).
Modelos Mixtos en InfoStat
112
Análisis de bolsas de descomposición
En los ensayos de descomposición de hojarasca la materia seca remanente en cada
tiempo es analizada, generalmente, mediante ANCOVA, usando el tiempo como
covariable y transformación logarítmica de la respuesta, o ANOVA para un diseño en
parcelas divididas, cuando los periodos de evaluación son equi-distantes. Las unidades
de observación consisten en bolsas conteniendo el material vegetal. Usualmente estas
bolsas son agrupadas para conformar una repetición y permitir su evaluación a lo largo
del tiempo, evaluando el contenido de una bolsa en cada instancia de valoración.
Aunque en cada tiempo las bolsas evaluadas son distintas, en muchas ocasiones la
estructura de correlación que supone independencia o simetría compuesta (inducida por
la agrupación de bolsas que representan una repetición) no es suficiente para explicar
las correlaciones observadas. Las observaciones cercanas en el tiempo suelen estar más
correlacionadas que las lejanas, o las correlaciones entre observaciones en los primeros
tiempos son diferentes a las de los últimos. El uso de modelos mixtos permite no sólo
manejar estructuras de correlación más complejas sino también la posibilidad de
modelar varianzas heterogéneas. En estos modelos los tratamientos pueden ser incluidos
como factores de clasificación y el tiempo puede modelarse tanto como una covariable
o como un factor. Este último caso produce modelos menos parsimoniosos pero más
flexibles para modelar diferentes tendencias en el tiempo. Por otra parte, la introducción
de efectos aleatorios sobre los parámetros que involucran al tiempo puede ser usada
para corregir falta de ajuste.
En el ejemplo, que se presenta a continuación, se analizan un conjunto de datos
proveniente de un ensayo de descomposición realizado en ambiente acuático tropical
(Martinez 2006). Los tratamientos comparados consisten en: dos especies (Guadua sp. y
Ficus sp.) de las cuales se obtiene el material vegetal y dos tamaño de la trama de la
bolsa donde se coloca el material (tramado fino y grueso). Los cuatro tratamientos
contaron con 5 repeticiones (conteniendo 7 bolsas cada una) y fueron evaluados en 7
tiempos. El propósito de este ensayo fue establecer el efecto de los factores y el tiempo
sobre la tasa de descomposición. Los datos se encuentran en el archivo
Descomposición.IDB2.
Los datos originales (materia seca remanente) fueron transformados a logaritmos. El
gráfico del logaritmo de la materia seca remanente (en adelante la respuesta) en función
del tiempo y para cada tratamiento (Figura 75) muestra un decaimiento del peso seco
Modelos Mixtos en InfoStat
113
remanente en función del tiempo. Se insinúa también una posible falta de
homoscedasticidad en función del tiempo y dependiente de la especie y el tramado de la
tela de la bolsa. Una primera aproximación a la modelación de estos datos podría ser el
ajuste de un modelo de regresión con ordenadas al origen y pendientes diferentes. Para
realizar este ajuste se invocó al módulo de modelos mixtos indicando como variable
dependiente al LnPesoSeco, como factores de clasificación a Especie y Bolsa y como
covariable al Tiempo. Luego en la solapa de la parte fija del modelo se indicaron los
términos que se presentan en la Figura 76. El gráfico del modelo ajustado se presenta en
la Figura 77.
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
0 10 20 30 40 50 60 70 80 90
Tiempo
-4.0
-3.5
-3.0
-2.5
-2.0
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
Ln
Pe
soS
eco
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
Figura 75: Gráfico de puntos para el logaritmo del peso seco remanente en función del tiempo, para los cuatro tratamientos (Especie-Bolsa). Archivo Descomposición.IDB2.
Modelos Mixtos en InfoStat
114
Figura 76: Especificación del modelo de regresión lineal con ordenadas al origen y pendientes diferentes para el logaritmo de la materia seca remanente en función del tiempo para cuatro
tratamientos dados por la especie de origen del material vegetal y el tramado de la bolsa que lo almacena. Archivo Descomposición.IDB2.
Modelos Mixtos en InfoStat
115
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
0 10 20 30 40 50 60 70 80 90
Tiempo
-4.0
-3.5
-3.0
-2.5
-2.0
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
Ln
Pe
soS
eco
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
Figura 77: Gráfico de puntos para el logaritmo del peso seco remanente en función del tiempo, para los cuatro tratamientos (Especie-Bolsa). Archivo Descomposición.IDB2.
La Figura 77 muestra que el ajuste de rectas específicas por tratamiento, es una
aproximación que, aunque plausible, no da cuenta de algunas particularidades de la
pérdida de peso seco. Esto se refleja en la presencia de curvatura en los residuos (Figura
78). Una forma de resolver el problema de la presencia de curvatura es la imposición de
un modelo que incluya términos cuadráticos para el tiempo. Para ello tendremos que
extender el modelo propuesto en Figura 76, incluyendo todos los términos
correspondientes al tiempo al cuadrado. Para simplificar la notación hemos creado tres
variables T1 y T2 que representan el tiempo y el tiempo al cuadrado y Especie_Bolsa
que identifica los cuatro tratamientos. T1 es el tiempo centrado respecto del valor 30
(días) y T2 el cuadrado de T1. La razón para centrar las covariables es romper la
colinealidad que resulta de utilizar una regresora y su cuadrado y mejorar la condición
de la matriz X’X. Las variables T1 y T2 así como Especie_Bolsa se incluyen en el
archivo Descomposición.IDB2. En la invocación del módulo de modelos mixtos debería
incluirse Especie_Bolsa como factor de clasificación y T1 y T2 como covariables.
Luego en la solapa de los efectos fijos del modelo debería verse como se muestra en la
Figura 79.
Modelos Mixtos en InfoStat
116
0 10 20 30 40 50 60 70 80 90
Tiempo
-3.50
-1.75
0.00
1.75
3.50
RE
_0
_L
nP
eso
Se
co
Figura 78: Gráfico de residuos estudentizados (Pearson) vs. Tiempo, para un modelo de regresión de
la materia seca residual en función del tiempo para cuatro tratamientos (Especia-Bolsa) con diferentes ordenadas y pendientes. Archivo Descomposición.IDB2.
Figura 79: Especificación del modelo de regresión lineal con ordenadas y pendientes diferentes para el logaritmo de la materia seca remanente en función del tiempo para cuatro tratamientos dados por la
especie de origen del material vegetal y el tramado de la bolsa que lo almacena. Archivo Descomposición.IDB2.
Modelos Mixtos en InfoStat
117
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
0 10 20 30 40 50 60 70 80 90
Tiempo
-4.00
-3.50
-3.00
-2.50
-2.00
-1.50
-1.00
-0.50
0.00
0.50
1.00
1.50
Ln
Pe
soS
eco
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
Figura 80: Ajustes del modelo de regresión polinómica de orden 2 con ordenadas y pendientes diferentes para el logaritmo de la materia seca remanente en función del tiempo y el tiempo^2
(centrados) para cuatro tratamientos dados por la especie de origen del material vegetal y el tramado de la bolsa que lo almacena. Archivo Descomposición.IDB2.
Los residuos del modelo ajustado según Figura 79, muestran dos problemas:
heteroscedasticidad (que depende del tiempo y los tratamientos) y falta de ajuste, ya que
para algunos tratamientos y tiempos, los residuos de Pearson aparecen por encima o por
debajo de la línea del cero (Figura 81).
En este punto optaremos por modelar primeramente, el problema de heteroscedasticidad
utilizando una función de varianza identidad. Para ello, en la ventana de especificación
del modelo dejaremos la parte fija tal cual se indicó en la Figura 79, pero en la solapa
Heteroscedasticidad indicaremos que la varianza debe ser estimada de manera diferente
para la combinación de tiempo y tratamiento según se muestra en la Figura 82. Los
residuos estudentizados vs. tiempo para este modelo se presentan en la (Figura 83). Aún
cuando se pudo subsanar, en gran medida, el problema de la heteroscedasticidad,
persisten problemas de falta de ajuste que se visualizan en conjuntos de residuos de un
único tratamiento en un tiempo dado que quedan ya sean todos positivos o negativos.
Modelos Mixtos en InfoStat
118
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
0 23 45 68 90
Tiempo
-7.00
-6.00
-5.00
-4.00
-3.00
-2.00
-1.00
0.00
1.00
2.00
3.00
4.00
Re
sid
uo
s L
nP
eso
Se
co (
Pe
ars
on
)
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
Figura 81: Residuos estudentizados (Pearson) vs. Tiempo para el modelo de regresión polinómica de orden 2 con ordenadas y pendientes diferentes para el logaritmo de la materia seca remanente en
función del tiempo y el tiempo^2 (centrados) para cuatro tratamientos dados por la especie de origen del material vegetal y el tramado de la bolsa que lo almacena. Archivo Descomposición.IDB2.
Figura 82: Especificación de la parte heteroscedástica del modelo de regresión polinómica de orden 2 con ordenadas y pendientes diferentes para el logaritmo de la materia seca remanente en función del tiempo y el tiempo^2 (centrados) para cuatro tratamientos dados por la especie de origen del material
vegetal y el tramado de la bolsa que lo almacena. Archivo Descomposición.IDB2.
Modelos Mixtos en InfoStat
119
Una forma de resolver esta falta de ajuste, es agregar efectos aleatorios sobre el nivel
medio para las combinaciones de tiempo y tratamientos. Si en la solapa Efectos
aleatorios agregamos Tiempo_Especie_Bolsa y dejamos tildado el casillero
correspondiente a la Constante estamos indicando que se trata de un corrimiento
aleatorio que afecta la ordenada al origen para cada conjunto de observaciones
correspondientes a la combinación Tiempo, Especie y Bolsa (Figura 84). Finalmente, el
gráfico de residuos estudentizados de este modelo muestra una imagen donde no hay
evidencia de falta de ajuste o presencia de heteroscedasticidad (Figura 85).
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
0 23 45 68 90
Tiempo
-2.50
-1.25
0.00
1.25
2.50
Re
sid
uo
s L
nP
eso
Se
co (
Pe
ars
on
)
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
Figura 83: Residuos estudentizados (Pearson) vs Tiempo para el modelo heteroscedástico de regresión con ordenadas y pendientes diferentes por tratamiento para el logaritmo de la materia seca remanente
en función del tiempo y el tiempo^2 (centrados) para cuatro tratamientos dados por la especie de origen del material vegetal y el tramado de la bolsa que lo almacena. Archivo Descomposición.IDB2.
Modelos Mixtos en InfoStat
120
Figura 84: Especificación de la parte aleatoria del modelo heteroscedástico de regresión polinómica de orden 2 con ordenadas y pendientes diferentes para el logaritmo de la materia seca remanente en
función del tiempo y el tiempo^2 (centrados) para cuatro tratamientos dados por la especie de origen del material vegetal y el tramado de la bolsa que lo almacena. Archivo Descomposición.IDB2.
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
0 10 20 30 40 50 60 70 80 90
Tiempo
-2.50
-1.25
0.00
1.25
2.50
Re
sid
uo
s L
nP
eso
Se
co (
Pe
ars
on
)
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
Figura 85: Residuos estudentizados (Pearson) vs Tiempo para el modelo heteroscedástico de regresión con ordenadas y pendientes diferentes por tratamiento y el agregado de un efecto aleatorio sobre la constante que es particular para cada combinación de tiempo y tratamiento, para el logaritmo de la materia seca remanente en función del tiempo y el tiempo^2 (centrados) para cuatro tratamientos
dados por la especie de origen del material vegetal y el tramado de la bolsa que lo almacena. Archivo Descomposición.IDB2.
Modelos Mixtos en InfoStat
121
Finalmente, como el propósito de este ensayo fue calcular las tasas de descomposición y
lo que hemos ajustado es un modelo lineal para el logaritmo del peso de materia seca
remanente, podemos estimar la tasa de descomposición como la derivada de
-exp(modelo ajustado). Utilizaremos la interfase con R para obtener estas derivadas.
Apretando la tecla F9 se invoca la ventana del intérprete de R (Figura 86). A la derecha
de la ventana aparecerán una lista de los objetos R que se hayan creado durante la sesión
de trabajo. En esta lista debe aparecer el modelo ajustado utilizando el modulo de
modelos mixtos, el nombre de estos objetos es “modelo”+ número correlativo_nombre
de la variable dependiente_método de estimación. En nuestro ejemplo debería aparecer
modelo#_LnPesoSeco_REML (en la posición # debe haber un número que depende del
número de veces que se ajusto un modelo para la misma variable dependiente). En el
ejemplo figura el modelo modeloOO1_LnPesoSeco_REML.
Figura 86: Intérprete de R. Tiene 4 paneles. Script: contiene el o los programas R que se quieren ejecutar. Output: la salida de la ejecución de un script o de la visualización de un objeto, Objetos: la
lista de los objetos residente en la memoria de R. Finalmente un panel inferior muestra los mensajes y reporte de errores que envía R a la consola.
Para calcular las tasas de descomposición tenemos que comprender qué es lo que hemos
ajustado con el modelo lineal estimado. La parte fija de modelo propuesto fue:
Modelos Mixtos en InfoStat
122
Especie_Bolsa
Especie_Bolsa*T1
Especie_Bolsa*T2
Este modelo especifica una regresión polinómica de segundo grado en el tiempo
(centrado alrededor de 30 días) para cada una de las combinaciones de Especie y
tramado de Bolsa. Así, lo que estimamos es una función de la forma:
2
0 1 2ln 30 30i i iPesoSeco T T (7)
Donde el índice i indica el tratamiento (en este caso i identifica a las cuatro
combinaciones de Especie y tramado de Bolsa). Es decir que vamos a tener una
ecuación como (7) específica para cada condición. Los coeficientes estimados de la
parte fija pueden obtenerse durante la estimación del modelo tildando, en la solapa
Efectos fijos, la opción Mostrar coeficientes de la parte fija.
Como vamos a utilizar R para calcular las derivadas de (7), revisaremos estos
coeficientes desde R. Si en la ventana Script escribimos:
Modelo004_LnPesoSeco_REML$coefficients$fixed
y apretamos al final de la línea Shift Enter aparecerá en el output la siguiente salida:
(Intercept) Especies_BolsaFicus_Grueso -0.7738921651 -0.5941956918 Especies_BolsaGuadua_Fino Especies_BolsaGuadua_Grueso 1.5901279280 1.5369627029 Especies_BolsaFicus_Fino:T1 Especies_BolsaFicus_Grueso:T1 -0.0326126598 -0.0508364778 Especies_BolsaGuadua_Fino:T1 Especies_BolsaGuadua_Grueso:T1 -0.0086055613 -0.0192635993 Especies_BolsaFicus_Fino:T2 Especies_BolsaFicus_Grueso:T2 0.0002938702 0.0004422140 Especies_BolsaGuadua_Fino:T2 Especies_BolsaGuadua_Grueso:T2
0.0000571603 -0.0002451274
Los primeros 4 coeficientes (leyendo de izquierda a derecha), corresponden a las
ordenadas al origen 0i de: Ficus_Fino, Ficus_Grueso, Guadua_Fino y
Modelos Mixtos en InfoStat
123
Guadua_Grueso. La ordenada al origen de Ficus_Fino no aparece explícitamente porque
está confundido con la ordenada al origen (Intercept) que se supone presente por
defecto.
Los segundos 4 coeficientes (-0.0326126598,…,,-0.0192635993) son los coeficientes
1i del término lineal de (7) y los últimos 4 (0.0002938702,…, -0.0002451274) son
los coeficientes 2i del término cuadrático en (7). Luego, el peso seco remanente para
la Especie Ficus con Bolsa de tramado Fino la ecuación será:
2ln 0.7738921651 0.0326126598 ( 30) 0.0002938702( 30)PesoSeco T T
Como la función (7) representa el peso seco remanente, el peso descompuesto debería
calcularse como:
2
0 1 2exp 30 30i i iPesoSecoConsumido PesoInicial T T (8)
En tanto la tasa de descomposición, sería la derivada de esta función, es decir:
2
0 1 2 1 2exp 30 30 2 30i i i i iTasaDescomp T T T (9)
El siguiente script genera una tabla cuya primera columna es el tiempo y las restantes
las tasas de descomposición para cada uno de los tratamientos. Tener en cuenta que se
debe especificar el modelo que mejor ajustó (en nuestro caso modelo004):
a=modelo004_LnPesoSeco_REML$coefficients$fixed
T=seq(0,90,1)
dFF = -exp(a[1]+(T-30)*a[5]+(T-30)*(T-30)*a[9]) *(a[5]+2*(a[9] *(T-30)))
dFG = -exp(a[2]+(T-30)*a[6]+(T-30)*(T-30)*a[10])*(a[6]+2*(a[10]*(T-30)))
dGF = -exp(a[3]+(T-30)*a[7]+(T-30)*(T-30)*a[11])*(a[7]+2*(a[11]*(T-30)))
dGG = -exp(a[4]+(T-30)*a[8]+(T-30)*(T-30)*a[12])*(a[8]+2*(a[12]*(T-30)))
Tasas=as.data.frame=cbind(T,dFF,dFG,dGF,dGG)
Modelos Mixtos en InfoStat
124
En la lista de objetos aparecerán los objetos a, T,
dFF, dFG, dGF, dGG y Tasas. Haciendo clic
sobre Tasas, con el botón derecho del ratón
aparecerá un menú de acciones entre las que se
encuentra Convertir matriz, data frame o vector
a tabla InfoStat. Seleccionando esta opción
obtendremos una nueva tabla InfoStat como la
que se muestra a la derecha de este párrafo.
Utilizando el submenú Diagrama de dispersión
en el menú Gráficos podemos obtener la
siguiente representación de las tasas de
descomposición (Figura 87). Para ello se
asignaron las variables dFF, dFG, dGF y dGG
al Eje Y y la variable T al Eje X, en la ventana de
diálogo emergente del submenú Diagrama de
dispersión.
Ficus Fino Ficus Grueso Guadua Fino Guadua Grueso
0 10 20 30 40 50 60 70 80 90
Tiempo
0.00
0.05
0.10
0.15
0.20
0.25
0.30
Ta
sa d
e d
esc
om
po
sici
ón
Ficus Fino Ficus Grueso Guadua Fino Guadua Grueso
Figura 87: Curvas de tasas de descomposición según especie y tramado de la bolsa de almacenamiento.
Modelos Mixtos en InfoStat
125
Uso de modelos mixtos para el control de la variabilidad espacial en
ensayos agrícolas
Correlación espacial
La estratificación o bloqueo de parcelas es una técnica usada para controlar los efectos
de variación entre las unidades experimentales. Los bloques son grupos de unidades
experimentales formados de manera tal que las parcelas dentro de los bloques sean lo
más homogéneas posible. Los diseños con estratificación de parcelas tales como el
diseño en bloques completos aleatorizados (DBCA), los diseños en bloques incompletos
y los látices son más eficientes que el diseño completamente aleatorizado cuando las
diferencias entre unidades experimentales que conforman un mismo estrato (bloque) son
mínimas y las diferencias entre los estratos son máximas. Cuando esta condición no se
cumple puede ocurrir una sobrestimación de la varianza del error y, si los datos son
desbalanceados, también puede presentarse un sesgo en las estimaciones de los efectos
de tratamientos. Cuando se evalúan muchos tratamientos en parcelas a campo, el
tamaño de los bloques necesarios para lograr una repetición del ensayo es grande y por
tanto resulta difícil asegurar la homogeneidad de las parcelas que conforman el bloque;
las parcelas más próximas pueden ser más similares que las más distantes, generando
variabilidad espacial (Casanoves et ál. 2005). La variabilidad espacial se refiere a la
variación entre observaciones realizadas sobre parcelas con arreglos espaciales sobre el
terreno. Debido a la existencia de variabilidad espacial dentro de bloques, el análisis de
varianza estándar para los diseños que involucran el bloqueo de unidades
experimentales no siempre elimina los sesgos en las comparaciones de efectos de
tratamientos. La variación de parcela a parcela dentro de un mismo bloque puede
deberse a competencia, heterogeneidad en la fertilidad del suelo, dispersión de insectos,
malezas, enfermedades del cultivo o labores culturales, entre otros. Por este motivo se
han propuesto procedimientos estadísticos que contemplan la variación espacial entre
parcelas y que van desde el ajuste de medias de tratamientos en función de lo observado
en las parcelas vecinas más cercanas (Papadakis 1937), hasta el uso de modelos que
contemplan las correlaciones espaciales en términos del error y que también producen
ajustes de medias de tratamientos (Mead 1971, Besag 1974, 1977, Ripley 1981).
Gilmour et ál. (1997) particionan la variabilidad espacial entre parcelas de un ensayo en
variabilidad espacial local y global. La variabilidad espacial local hace referencia a las
Modelos Mixtos en InfoStat
126
diferencias entre parcelas a pequeña escala, donde se contemplan las variaciones intra-
bloque. La tendencia espacial local y la heterogeneidad residual se modelan mediante la
matriz de varianza y covarianza residual. A través de un sistema de coordenadas
bidimensionales es posible definir la ubicación de las parcelas en el campo.
La modelación de la estructura espacial de parcelas a partir de funciones de distancia
puede realizarse en el contexto de los modelos lineales mixtos (Zimmerman y Harville
1991, Gilmour et ál. 1997, Cullis et ál. 1998), donde además de contemplar la estructura
de correlación entre observaciones provenientes de distintas parcelas es posible modelar
heterogeneidad de varianza residual. Esto es muy útil en los ensayos comparativos de
rendimiento ya que estos se llevan a cabo en distintos ambientes. Si la correlación solo
depende de la distancia (magnitud y/o dirección de las distancias), los modelos que
estiman las covarianzas entre observaciones se denominan estacionarios. Las funciones
de correlación para modelos estacionarios pueden ser isotrópicas o anisotrópicas. Las
primeras son idénticas en cualquier dirección (sólo dependen de la magnitud de las
distancias) mientras que las segundas permiten diferentes valores de sus parámetros en
diferentes direcciones (i.e. dependen también de la dirección sobre la cual se calculan
las distancias).
Análisis de un ensayo comparativo de rendimientos en maní
Para ejemplificar las alternativas de análisis usaremos los datos que se encuentran en el
archivo ECRmaní.IDB2 y provienen de un año agrícola de un ensayo comparativo de
rendimientos (ECR) de líneas experimentales (genotipos) de maní (Arachis hypogaea
L.) del Programa de Mejoramiento de Maní de la EEA-Manfredi, INTA, Argentina. En
cada campaña los ECR se realizaron en tres localidades del área de cultivo en la
provincia de Córdoba: Manfredi, General Cabrera y Río Tercero. El conjunto de líneas
evaluadas fue el mismo para cada localidad. En cada una de las tres localidades los
ensayos fueron conducidos según un DBCA con cuatro repeticiones, registrándose los
valores de rendimiento en grano (kg/parcela).
Los datos de rendimiento fueron analizados usando distintas modificaciones del
siguiente modelo:
; 1,..,16; 1,...,4; 1,...,3ijk i j k jk ik ijkly i j k (10)
Modelos Mixtos en InfoStat
127
donde ijky representa la respuesta observada en i-ésimo nivel del factor genotipo,
j-ésimo nivel de factor bloque, y k-ésimo nivel del factor localidad, representa la
media general de la respuesta, i representa el efecto del i-ésimo nivel del factor
genotipo, j representa el efecto del j-ésimo nivel del factor bloque, k el k-ésimo nivel
del factor localidad y ik la interacción entre los factores genotipo y localidad, ik el
efecto de bloque dentro de localidad, y ijkl representa el error experimental. La
suposición usual es que 2~ 0,ijkl N .
Excepto por ijk y los efectos de bloque (cuando son considerados aleatorios) en la
mayoría de los casos, todos los factores del modelo serán considerados como de efectos
fijos. Esto tiene la finalidad de restringir la comparación de los modelos a su estructura
de parcelas. Las distintas estructuras de parcela inducen una estructura de correlación
entre las observaciones que puede ser contemplada en el marco de los modelos mixtos,
incluyendo técnicas de análisis para el control de la variabilidad espacial.
Se usarán las siguientes estructuras de covarianza para los datos (covarianza marginal):
1. Modelo BF: Efecto de Bloques fijos, errores independientes y varianza entre localidades constante.
2. Modelo BA: Efecto de Bloques aleatorios, errores independientes y varianza entre localidades constante.
3. Modelo BFH: Efecto de Bloques fijos, errores independientes y varianzas diferentes entre localidades.
4. Modelo BAH: Efecto de Bloques aleatorios, errores independientes y varianzas diferentes entre localidades.
5. Modelo Exp: Correlación espacial exponencial sin efecto de bloques y varianza entre localidades constante.
6. Modelo BFExp: Correlación espacial exponencial, efecto de bloques fijos, y varianza entre localidades constante.
7. Modelo ExpH: Correlación espacial exponencial sin efecto de bloques y varianzas diferentes entre localidades.
8. Modelo Gau: Correlación espacial Gaussiana sin efecto de bloques y varianza entre localidades constante.
9. Modelo Esf: Correlación espacial esférico sin efecto de bloques y varianza entre localidades constante.
En los dos primeros modelos los ijk se asumirán como independientes con varianza
constante 2, i.e. se supone que no existe variación espacial local (intrabloque) y
además existe homogeneidad de varianzas residuales entre localidades. Los efectos de
Modelos Mixtos en InfoStat
128
bloque serán considerados fijos y aleatorios, denotando los procedimientos como
Modelo BF y Modelo BA respectivamente.
Los procedimientos denotados como Modelo BFH y Modelo BAH se basarán también
en un modelo para un DBCA pero contemplando la posibilidad de varianzas residuales
heterogéneas según los distintos niveles del factor localidad.
El quinto procedimiento consistirá en ajustar para cada localidad un modelo de
correlación espacial isotrópico con función de correlación potencia (Modelo Exp) sin
declarar el efecto de bloques. Este modelo supone que la función exponencial no solo
contemplará la variación intrabloque sino también la variación entre bloques.
El sexto procedimiento fue igual al anterior pero agregando un efecto fijo de bloque
(Modelo BFExp).
El séptimo modelo consistió en un modelo como el Exp pero permitiendo la posibilidad
de varianzas (y correlaciones) diferentes para cada localidad.
Los dos últimos procedimiento consistirán en ajustar para cada localidad un modelo de
correlación espacial isotrópico con función de correlación Gaussiana (Modelo Gau) y
con función de correlación Esférica, sin declarar el efecto de bloques.
En todos los casos se utilizó estimación REML. En el selector de variables se indica al
rendimiento (Rendim) como dependiente y bloque, local y geno como clasificatorias.
Para ajustar el Modelo BF, en la solapa de efectos fijos se deben declarar los efectos
como se muestra en la Figura 88. No se declara nada en el resto de las solapas.
Para ajustar el Modelo BA, en la solapa efectos fijos y efectos aleatorios debe declararse
los factores como se presenta en la Figura 89 y Figura 90 respectivamente. No se
declara nada en el resto de las solapas.
Modelos Mixtos en InfoStat
129
Figura 88: Ventana con la solapa Efectos fijos desplegada para los datos del archivo ECRmaní.IDB2 y el Modelo BF.
Figura 89: Ventana con la solapa Efectos fijos desplegada para los datos del archivo ECRmaní.IDB2 y el Modelo BA.
Modelos Mixtos en InfoStat
130
Figura 90: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo ECRmaní.IDB2 y el Modelo BA.
Los modelos BFH y BAH contemplan errores independientes y varianzas entre
localidades diferentes. Para especificar estos modelos, se procede igual que en los dos
casos anteriores (i.e. BF y BA) pero agregando una función varIdent en la solapa
Heteroscedasticidad, indicando como criterio de agrupamiento a la localidad (local).
Una vez declarada la función y el criterio de agrupamiento hacer clic en Agregar
(Figura 91).
Modelos Mixtos en InfoStat
131
Figura 91: Ventana con la solapa Heteroscedasticidad usando local como criterio de agrupamiento para los datos del archivo ECRmaní.IDB2 y los Modelos BFH y BAH.
El quinto modelo no incluye el efecto de bloque y modela la variabilidad entre bloques
e intra-bloque por medio de una función exponencial isotrópica (modelo Exp) con
varianzas constantes entre localidades. Par usar la función exponencial deberemos
agregar al modelo las variables que denotan las coordenadas espaciales. Para esto en el
selector de variables debemos colocar las variables la y lon en Covariables. En la solapa
Efectos fijos dejamos geno, local y geno*local y en la solapa Efectos aleatorios no se
declara ningún factor. En la solapa Heteroscedasticidad no debe quedar ninguna
función declarada. Para declarar la correlación espacial tipo exponencial, en la solapa
Correlación se debe seleccionar la función correspondiente y declarar las coordenadas
en X y en Y, y el criterio de agrupamiento, en este caso local, ya que hay un sistema de
coordenadas dentro de cada localidad (Figura 92).
Modelos Mixtos en InfoStat
132
Figura 92: Ventana con la solapa Correlación usando las variables la y lon como coordenadas en X e Y respectivamente y local como criterio de agrupamiento para los datos del archivo ECRmaní.IDB2 y
los Modelos Exp y BFExp.
El sexto modelo, Modelo BFExp, es igual que el anterior pero declarando los efectos de
bloque dentro de localidad como fijos (como en la Figura 88). La inclusión de los
bloques fijos restringe la modelación de la variación espacial únicamente a la variación
dentro de bloque. La variación entre bloques está siendo contemplada, en un sentido
clásico, por la inclusión de los bloques en la parte fija. Así, declarar como coordenadas
del modelo de correlación espacial a la y lon, parece redundante ya que bastaría con
declarar sólo lon (coordenada que varia dentro de bloque). Sin embargo para omitir la
coordenada la sería necesario declara un nuevo criterio de estratificación consistente en
la combinación de los niveles de local y bloque. Esta forma alternativa produce
idénticos resultados a los mostrados en el modelo BFExp.
El séptimo modelo, modelo ExpH, es como el modelo Exp pero permitiendo varianzas
heterogéneas entre las localidades (como en la Figura 91). Los modelos Gau y Esf se
ajustan al igual que el Exp sin el efecto de bloque, y como se muestra en la Figura 92,
Modelos Mixtos en InfoStat
133
pero eligiendo la función de correlación espacial Gaussiana y esférica respectivamente.
En la solapa Heteroscedasticidad no debe quedar nada declarado.
A continuación se presentan las salidas con las medidas de ajuste de los diferentes
modelos.
Modelo BF Modelos lineales generales y mixtos Especificación del modelo en R modelo000_rendim_REML<-gls(rendim~1+local+geno+local:geno+local/bloque ,method="REML" ,na.action=na.omit ,data=R.data00) Resultados para el modelo: modelo000_rendim_REML Variable dependiente:rendim Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 192 299.71 468.22 -91.86 0.35 0.86 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF F-value p-value (Intercept) 1 8372.75 <0.0001 local 2 280.56 <0.0001 geno 15 6.02 <0.0001 local:geno 30 4.32 <0.0001 local:bloque 9 4.77 <0.0001
Modelo BA Modelos lineales generales y mixtos Especificación del modelo en R modelo001_rendim_REML<-lme(rendim~1+local+geno+local:geno ,random=list(bloque_local=pdIdent(~1)) ,method="REML" ,na.action=na.omit ,data=R.data00 ,keep.data=FALSE) Resultados para el modelo: modelo001_rendim_REML Variable dependiente:rendim
Modelos Mixtos en InfoStat
134
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 R2_1 192 283.41 431.90 -91.71 0.35 0.81 0.86 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF denDF F-value p-value (Intercept) 1 135 1754.21 <0.0001 local 2 9 58.78 <0.0001 geno 15 135 6.02 <0.0001 local:geno 30 135 4.32 <0.0001 Parámetros de los efectos aleatorios Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~1|bloque_local Desvíos estándares relativos al residual y correlaciones (const) (const) 0.49
Modelo BFH Modelos lineales generales y mixtos Especificación del modelo en R modelo002_rendim_REML<-gls(rendim~1+local+geno+local:geno+local/bloque ,weight=varComb(varIdent(form=~1|local)) ,method="REML" ,na.action=na.omit ,data=R.data00) Resultados para el modelo: modelo002_rendim_REML Variable dependiente:rendim Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 192 303.44 477.75 -91.72 0.36 0.86 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF F-value p-value (Intercept) 1 8547.37 <0.0001 local 2 292.67 <0.0001 geno 15 6.02 <0.0001 local:geno 30 4.36 <0.0001 local:bloque 9 4.76 <0.0001 Estructura de varianzas
Modelos Mixtos en InfoStat
135
Modelo de varianzas: varIdent Formula: ~ 1 | local Parámetros de la función de varianza Parámetro Estim gralcabr 1.00 manf 0.92 rio3 0.96
Modelo BAH Modelos lineales generales y mixtos Especificación del modelo en R modelo003_rendim_REML<-lme(rendim~1+local+geno+local:geno ,random=list(bloque_local=pdIdent(~1)) ,weight=varComb(varIdent(form=~1|local)) ,method="REML" ,na.action=na.omit ,data=R.data00 ,keep.data=FALSE) Resultados para el modelo: modelo003_rendim_REML Variable dependiente:rendim Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 R2_1 192 287.12 441.55 -91.56 0.36 0.81 0.86 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF denDF F-value p-value (Intercept) 1 135 1765.74 <0.0001 local 2 9 59.53 <0.0001 geno 15 135 6.01 <0.0001 local:geno 30 135 4.36 <0.0001 Parámetros de los efectos aleatorios Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~1|bloque_local Desvíos estándares relativos al residual y correlaciones (const) (const) 0.46 Estructura de varianzas
Modelos Mixtos en InfoStat
136
Modelo de varianzas: varIdent Formula: ~ 1 | local Parámetros de la función de varianza Parámetro Estim gralcabr 1.00 manf 0.92 rio3 0.95
Modelo Exp Modelos lineales generales y mixtos Especificación del modelo en R modelo004_rendim_REML<-gls(rendim~1+geno+local+local:geno ,correlation=corExp(form=~as.numeric(as.character(la))+as.numeric(as.character(lon))|local ,metric="euclidean" ,nugget=FALSE) ,method="REML" ,na.action=na.omit ,data=R.data05) Resultados para el modelo: modelo004_rendim_REML Variable dependiente:rendim Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 192 273.43 421.92 -86.72 0.39 0.81 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF F-value p-value (Intercept) 1 1687.54 <0.0001 geno 15 7.27 <0.0001 local 2 56.18 <0.0001 geno:local 30 5.33 <0.0001 Estructura de correlación Modelo de correlación: Exponential spatial correlation Formula: ~ as.numeric(as.character(la)) + as.numeric(as.character(lon)) | local Metrica: euclidean Parámetros del modelo Parámetro Estim range 0.96
Modelos Mixtos en InfoStat
137
Modelo BFExp Modelos lineales generales y mixtos Especificación del modelo en R modelo005_rendim_REML<-gls(rendim~1+geno+local+local:geno+local/bloque ,correlation=corExp(form=~as.numeric(as.character(la))+as.numeric(as.character(lon))|local ,metric="euclidean" ,nugget=FALSE) ,method="REML" ,na.action=na.omit ,data=R.data05) Resultados para el modelo: modelo005_rendim_REML Variable dependiente:rendim Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 192 284.85 456.26 -83.42 0.35 0.86 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF F-value p-value (Intercept) 1 2785.57 <0.0001 geno 15 7.86 <0.0001 local 2 92.79 <0.0001 geno:local 30 5.74 <0.0001 local:bloque 9 3.46 0.0007 Estructura de correlación Modelo de correlación: Exponential spatial correlation Formula: ~ as.numeric(as.character(la)) + as.numeric(as.character(lon)) | local Metrica: euclidean Parámetros del modelo Parámetro Estim range 0.78
Modelos Mixtos en InfoStat
138
Modelo ExpH Modelos lineales generales y mixtos Especificación del modelo en R modelo006_rendim_REML<-gls(rendim~1+geno+local+local:geno ,weight=varComb(varIdent(form=~1|local)) ,correlation=corExp(form=~as.numeric(as.character(la))+as.numeric(as.character(lon))|local ,metric="euclidean" ,nugget=FALSE) ,method="REML" ,na.action=na.omit ,data=R.data05) Resultados para el modelo: modelo006_rendim_REML Variable dependiente:rendim Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 192 275.01 429.44 -85.50 0.43 0.81 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF F-value p-value (Intercept) 1 1633.46 <0.0001 geno 15 7.15 <0.0001 local 2 61.51 <0.0001 geno:local 30 5.53 <0.0001 Estructura de correlación Modelo de correlación: Exponential spatial correlation Formula: ~ as.numeric(as.character(la)) + as.numeric(as.character(lon)) | local Metrica: euclidean Parámetros del modelo Parámetro Estim range 0.99 Estructura de varianzas Modelo de varianzas: varIdent Formula: ~ 1 | local Parámetros de la función de varianza Parámetro Estim gralcabr 1.00 manf 0.85 rio3 0.81
Modelos Mixtos en InfoStat
139
Modelo Gau
Modelos lineales generales y mixtos Especificación del modelo en R modelo007_rendim_REML<-gls(rendim~1+geno+local+local:geno ,correlation=corGaus(form=~as.numeric(as.character(la))+as.numeric(as.character(lon))|local ,metric="euclidean" ,nugget=FALSE) ,method="REML" ,na.action=na.omit ,data=R.data05) Resultados para el modelo: modelo007_rendim_REML Variable dependiente:rendim Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 192 277.81 426.30 -88.90 0.37 0.81 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF F-value p-value (Intercept) 1 3399.06 <0.0001 geno 15 7.36 <0.0001 local 2 113.57 <0.0001 geno:local 30 4.97 <0.0001 Estructura de correlación Modelo de correlación: Gaussian spatial correlation Formula: ~ as.numeric(as.character(la)) + as.numeric(as.character(lon)) | local Metrica: euclidean Parámetros del modelo Parámetro Estim range 0.87
Modelos Mixtos en InfoStat
140
Modelo Esf Modelos lineales generales y mixtos Especificación del modelo en R modelo008_rendim_REML<-gls(rendim~1+geno+local+local:geno ,correlation=corSpher(form=~as.numeric(as.character(la))+as.numeric(as.character(lon))|local ,metric="euclidean" ,nugget=FALSE) ,method="REML" ,na.action=na.omit ,data=R.data05) Resultados para el modelo: modelo008_rendim_REML Variable dependiente:rendim Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 192 277.72 426.21 -88.86 0.38 0.81 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF F-value p-value (Intercept) 1 3170.04 <0.0001 geno 15 7.61 <0.0001 local 2 105.96 <0.0001 geno:local 30 5.15 <0.0001 Estructura de correlación Modelo de correlación: Spherical spatial correlation Formula: ~ as.numeric(as.character(la)) + as.numeric(as.character(lon)) | local Metrica: euclidean Parámetros del modelo Parámetro Estim range 1.91
Comparación de los modelos ajustados
Debido a que los modelos ajustados tienen distintas componentes en su parte fija, se
compararán por medio de los criterios AIC y BIC aquellos que comparten los mismos
efectos fijos. En primer lugar se comparan entonces el BF, BFH y BFExp (Cuadro 3).
Modelos Mixtos en InfoStat
141
Cuadro 3. Criterios de bondad de ajuste para los modelos ajustados con efectos de bloque fijo en los datos del archivo ECRmani.IDB2
Modelo AIC BIC
BF 299.72 468.22
BFH 303.44 477.75
BFExp 284.85 456.26
Para este grupo de modelos que contemplan efecto de bloques fijos se puede ver que el
modelo con bloques fijos más una función de correlación exponencial provee el mejor
ajuste. Esto implica la existencia de una correlación intra-bloque que es removida por la
función de correlación exponencial. También se puede observar que no hay una mejora
en estos modelos al permitir varianzas heterogéneas entre localidades (BF respecto a
BFH). Si se calculan las varianzas a partir de los coeficientes para las distintas
localidades se puede ver que estas son realmente similares:
Varianza de gralcabr = (1*0.36)2 = 0.129
Varianza de manf = (0.92*0.36)2 = 0.109
Varianza de rio3 = (0.96*0.36)2 = 0.119
Los restantes 6 modelos se pueden comparar entre sí ya que todos comparten los
mismos efectos fijos, i.e. geno, local y geno*local (Cuadro 4).
Cuadro 4. Criterios de bondad de ajuste para los modelos ajustados sin efectos de bloque fijo en los datos del archivo ECRmani.IDB2
Modelo AIC BIC
BA 283.41 431.90
BAH 287.12 441.55
Exp 273.43 421.92
ExpH 275.01 429.44
Gau 277.81 426.30
Esf 277.72 426.21
Modelos Mixtos en InfoStat
142
Dentro de los modelos que contemplan efectos de bloque aleatorio se puede ver
nuevamente que al permitir varianzas heterogéneas entre localidades el modelo no
mejora, ya que AIC y BIC son más pequeños en BA comparados con BAH. Lo mismo
ocurre cuando sólo se modela la variabilidad espacial por medio de una función de
correlación exponencial, ya que al permitir varianzas heterogéneas (ExpH) no se logra
una mejoría respecto a Exp.
Comparando distintos modelos de correlación espacial, no se encontraron diferencias
importantes para AIC y BIC entre los modelos Gau y Esf, pero estos criterios tuvieron
valores inferiores para la función de correlación espacial exponencial. Este último
modelo fue el de mejor ajuste dentro de los modelos sin efecto de bloque fijo.
Si bien el primer grupo de modelos (BF, BFH y BFExp) no son comparables por medio
de AIC y BIC con este último grupo, el investigador deberá poder discernir si sus
bloques deben ser considerados fijos o aleatorios. La elección de uno u otro grupo de
modelos tendrá efecto sobre las inferencias que se realicen. Esto se visualiza fácilmente
al ver que los errores estándar usados para las comparaciones de medias cambian entre
los modelos. Una discusión más detallada sobre la elección de bloques fijos o aleatorios
puede encontrarse en Casanoves et ál. (2007).
En este ejemplo los mejores modelos dentro de cada grupo (i.e. BFExp y Exp para el
primero y segundo grupo de modelos respectivamente) tienen la misma estructura de
covarianza pero difieren en su parte fija: unos contienen el efecto de bloque y otros no.
Para decidir cuál de los dos modelos es el que conviene, podemos realizar una prueba de
cociente de verosimilitudes, usando las estimaciones por ML para los modelos con y sin
efectos de bloque (recordemos que para comparar modelos con distintos efectos fijos se
debe usar ML):
Modelo con bloque (completo BFExp):
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 192 163.82 356.01 -22.91 0.29 0.86 AIC y BIC menores implica mejor
Modelo sin bloque (reducido Exp):
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 192 182.85 345.73 -41.43 0.34 0.81 AIC y BIC menores implica mejor
Modelos Mixtos en InfoStat
143
Así, el estadístico 2log lik 2log lik 2( 22.91 41.43) 37.04completo reducidoG con 9
grados de libertad, y un valor p<0.0001, por lo que podemos decir, con una
significancia del 5%, que conviene dejar el efecto de bloques fijos y la función de
correlación exponencial. La comparación se puede hacer manualmente, o utilizando el
módulo Análisis exploratorio de un modelo estimado. Seleccionando la solapa, Modelos
y tildando los modelos estimados correspondientes a BFExp y ExP, se obtienen la salida
mostrada a continuación.
Comparación de modelos Model df logLik Test L.Ratio p-value modelo009_rendim_ML 1 59 -22.91 modelo010_rendim_ML 2 50 -41.43 1 vs 2 37.04 <0.0001
A continuación se presenta la salida completa correspondiente al modelo BFExp. Las
pruebas de hipótesis para la interacción entre genotipo y localidad son significativas
(p<0.0001) por lo que la recomendación de un genotipo puede cambiar dependiendo de
la localidad. Puede observarse que debido al ajuste de la función de correlación espacial
los EE de los genotipos no son únicos. Las comparaciones múltiples presentadas se
realizaron mediante la aplicación del procedimiento DGC (Di Rienzo et ál. 2002). Esta
procedimiento fue adaptado para contemplar las particularidades de la estructura de
correlación entre estimaciones emergente de los modelos mixtos. La aplicación de este
procedimiento es recomendada por el gran número de medias a comparar, ya que
asegura una interpretación más sencilla que la que puede obtenerse de la aplicación de
un test tipo LSD de Fisher. Para hacer recomendaciones se pueden usar las
comparaciones de medias de las combinaciones de localidades y genotipos como así
también el grafico de interacción (Figura 93).
Modelos lineales generales y mixtos Especificación del modelo en R modelo010_rendim_REML<-gls(rendim~1+local+geno+local:geno+local/bloque ,correlation=corExp(form=~as.numeric(as.character(la))+as.numeric(as.character(lon))|local ,metric="euclidean" ,nugget=FALSE) ,method="REML" ,na.action=na.omit ,data=R.data03)
Modelos Mixtos en InfoStat
144
Resultados para el modelo: modelo010_rendim_REML Variable dependiente:rendim Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 192 284.85 456.26 -83.42 0.35 0.86 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF F-value p-value (Intercept) 1 2785.57 <0.0001 local 2 92.79 <0.0001 geno 15 7.86 <0.0001 local:geno 30 5.74 <0.0001 local:bloque 9 3.46 0.0007 Estructura de correlación Modelo de correlación: Exponential spatial correlation Formula: ~ as.numeric(as.character(la)) + as.numeric(as.character(lon)) | local Metrica: euclidean Parámetros del modelo Parámetro Estim range 0.78 Medias ajustadas y errores estándares para local DGC (alfa=0.05) local Medias E.E. manf 3.00 0.08 A gralcabr 2.27 0.08 B rio3 1.56 0.08 C Letras distintas indican diferencias significativas(p<= 0.05) Medias ajustadas y errores estándares para geno DGC (alfa=0.05) geno Medias E.E. mf435 2.73 0.10 A mf407 2.59 0.10 A mf429 2.51 0.10 A mf415 2.49 0.10 A mf420 2.38 0.10 B mf421 2.36 0.10 B mf431 2.34 0.10 B mf405 2.31 0.10 B manf68 2.24 0.10 B mf408 2.22 0.10 B manf393 2.22 0.10 B colirrad 2.21 0.10 B mf404 2.14 0.10 B mf433 1.96 0.10 C mf432 1.96 0.10 C mf410 1.78 0.10 C Letras distintas indican diferencias significativas(p<= 0.05)
Modelos Mixtos en InfoStat
145
Medias ajustadas y errores estándares para local*geno DGC (alfa=0.05) local geno Medias E.E. manf mf407 3.67 0.17 A manf mf421 3.54 0.17 A manf mf405 3.38 0.17 B manf mf431 3.28 0.17 B manf mf435 3.24 0.17 B manf manf68 3.23 0.17 B manf mf420 3.17 0.17 B manf mf429 3.08 0.17 B manf colirrad 3.05 0.17 B manf manf393 3.02 0.17 B gralcabr mf435 2.96 0.17 B manf mf408 2.90 0.17 B manf mf415 2.90 0.17 B gralcabr mf420 2.82 0.17 B gralcabr mf404 2.71 0.17 C manf mf433 2.64 0.17 C gralcabr mf415 2.61 0.17 C manf mf410 2.53 0.17 C gralcabr mf429 2.52 0.17 C manf mf432 2.48 0.17 C gralcabr mf421 2.42 0.17 C gralcabr mf408 2.32 0.17 C gralcabr manf393 2.30 0.17 C gralcabr mf407 2.30 0.17 C gralcabr mf405 2.25 0.17 C gralcabr mf431 2.05 0.17 D gralcabr manf68 2.04 0.17 D rio3 mf435 1.99 0.17 D rio3 mf415 1.98 0.17 D manf mf404 1.97 0.17 D rio3 mf429 1.93 0.17 D gralcabr colirrad 1.92 0.17 D rio3 mf432 1.89 0.17 D rio3 mf407 1.81 0.17 D gralcabr mf410 1.79 0.17 D gralcabr mf433 1.77 0.17 D rio3 mf404 1.74 0.17 D rio3 mf431 1.70 0.17 D rio3 colirrad 1.64 0.17 D gralcabr mf432 1.50 0.17 E rio3 mf433 1.47 0.17 E rio3 manf68 1.45 0.17 E rio3 mf408 1.44 0.17 E rio3 manf393 1.33 0.17 E rio3 mf405 1.32 0.17 E rio3 mf420 1.16 0.17 E rio3 mf421 1.14 0.17 E rio3 mf410 1.02 0.17 E Letras distintas indican diferencias significativas(p<= 0.05)
Modelos Mixtos en InfoStat
146
Manfredi General Cabrera Río Tercero
mf4
04
mf4
32
mf4
10
mf4
33
mf4
15
man
f393
mf4
08
mf4
29
colir
rad
mf4
20
mf4
31
man
f68
mf4
35
mf4
05
mf4
21
mf4
07
Genotipo
0
1
2
3
4
Re
nd
imie
nto
(kg
/pa
rce
la)
Manfredi General Cabrera Río Tercero
Figura 93: Diagrama de puntos para estudiar la interacción entre localidades y genotipos para la variable rendimiento.
Modelos Mixtos en InfoStat
Aplicaciones de modelos mixtos en otros diseños experimentales
Diseño en franjas (strip-plot)
El diseño strip-plot es un resultado de las restricciones a la aleatorización. Al igual que
en el diseño en parcelas divididas, el strip-plot es un resultado de cómo fue llevado a
cabo un experimento que involucra dos o más factores. Estos factores (o sus
combinaciones) se aplican en diferentes etapas, generalmente 2, y las restricciones a la
aleatorización producen las unidades experimentales de diferentes tamaños y por ende
diferentes términos de error para cada una de los factores o sus combinaciones (Milliken
y Johnson 1984).
Consideremos un ejemplo donde se desean evaluar tres niveles de fertilización con N (0,
50 y 100 kg N/ha) y dos niveles de riego (bajo y alto) sobre los rendimientos de maíz.
El ensayo se condujo bajo un diseño en bloques completos al azar con cuatro bloques
(datos: StripPlot.IDB2).
Debido a restricciones de la aplicación de los tratamientos, en una primera etapa, en
cada uno de los bloques, se aleatorizan los tres niveles de nitrógeno y en la segunda
etapa, en cada bloque y en sentido trasversal al sentido de aplicación de los niveles de
nitrógeno, se aleatorizan los niveles del factor riego.
Si bien en el siguiente esquema (Figura 94).se presenta la aleatorización dentro de un
bloque en particular, el experimento ha sido repetido en bloques, esquema necesario
para poder obtener los distintos términos de error y que el modelo resultante tenga
sentido. Si en cada etapa del diseño hubiera más de un factor, y estos no interactuaran
entre sí, se podrían usar las interacciones de más alto orden como términos de error y así
poder obtener las pruebas F sin necesidad de repeticiones.
Modelos Mixtos en InfoStat
148
Etapa 1
100 kg N/ha
0 kg N/ha
50 kg N/ha
Etapa 2
Riego alto Riego bajo
Figura 94: Esquema de un experimento conducido bajo un diseño strip-plot repetido en bloques completos al azar, con la aleatorización para un bloque particular de los factores cantidad de
nitrógeno y cantidad de riego. Datos del archivo StripPlot.IDB2.
Los datos de rendimiento se analizaron usando el siguiente modelo:
; 1,..,3; 1,2; 1,...,4ijk i j k ik jk ij ijky i j k (11)
donde ijky representa la respuesta observada en el i-ésimo nivel del factor nitrógeno,
j-ésimo nivel de factor riego y k-ésimo nivel del factor bloque, representa la media
general de la respuesta, i representa el efecto del i-ésimo nivel del factor nitrógeno, j
representa el efecto del j-ésimo nivel del factor riego, k el k-ésimo nivel del factor
Modelos Mixtos en InfoStat
149
bloque, ik el efecto del bloque k en el nivel i de nitrógeno (efecto aleatorio con el que
se construye el término de error para nitrógeno), jk el efecto del bloque k en el nivel j
de riego (término de error para riego), ij la interacción entre los factores nitrógeno y
riego, y ijk representa el error residual (término de error para nitrógeno×riego). La
suposición usual es que 2 2 2~ 0, , ~ 0, y ~ 0,ik jk ijklN N N , siendo todos
independientes.
Este modelo puede ajustarse en InfoStat en el menú Análisis de varianza, de efectos
fijos, declarando al rendimiento como variable dependiente y a riego, nitrógeno y
bloque como variables clasificatorias. Luego, en la solapa Modelo se declaran los
siguientes factores indicando su correspondiente término de error (Figura 95).
Figura 95: Ventana del procedimiento de Análisis de varianza con la solapa Modelo desplegada para los datos del archivo StripPlot.IDB2.
A continuación se presenta la salida correspondiente al análisis de la varianza
tradicional.
Modelos Mixtos en InfoStat
150
Análisis de la varianza Variable N R² R² Aj CV Rendimiento 24 0.99 0.97 1.65 Cuadro de Análisis de la Varianza (SC tipo III) F.V. SC gl CM F p-valor (Error) Modelo 1177.38 17 69.26 48.41 0.0001 Bloque 123.46 3 41.15 28.77 0.0006 Nitrogeno 339.08 2 169.54 60.13 0.0001 (Bloque*Nitrogeno) Bloque*Nitrogeno 16.92 6 2.82 1.97 0.2147 Riego 570.38 1 570.38 52.18 0.0055 (Bloque*Riego) Bloque*Riego 32.79 3 10.93 7.64 0.0179 Nitrogeno*Riego 94.75 2 47.38 33.12 0.0006 Error 8.58 6 1.43 Total 1185.96 23 Test:LSD Fisher Alfa=0.05 DMS=2.05433 Error: 2.8194 gl: 6 Nitrogeno Medias n 0 68.25 8 A 50 71.75 8 B 100 77.38 8 C Letras distintas indican diferencias significativas(p<= 0.05) Test:LSD Fisher Alfa=0.05 DMS=4.29543 Error: 10.9306 gl: 3 Riego Medias n Bajo 67.58 12 A Alto 77.33 12 B Letras distintas indican diferencias significativas(p<= 0.05) Test:LSD Fisher Alfa=0.05 DMS=2.06945 Error: 1.4306 gl: 6 Nitrogeno Riego Medias n 0 Bajo 61.50 4 A 50 Bajo 66.00 4 B 0 Alto 75.00 4 C 100 Bajo 75.25 4 C 50 Alto 77.50 4 D 100 Alto 79.50 4 D Letras distintas indican diferencias significativas(p<= 0.05)
Se encontró efecto de nitrógeno (p=0.0001), de riego (p=0.0055) y también interacción
nitrogeno×riego (p=0.0006). Para estudiar la interacción se realizó un gráfico de puntos
(Figura 96).
Modelos Mixtos en InfoStat
151
Riego Alto
Riego Bajo
0 50 100
Nitrogeno
55
60
65
70
75
80
Re
nd
imie
nto
Riego Alto
Riego Bajo
Figura 96: Diagramas de puntos para estudiar la interacción entre Riego y Nitrógeno y su efecto sobre el rendimiento. Datos archivo StripPlot.IDB2.
A partir del gráfico de interacción y de las medias de los tratamientos se recomienda el
riego alto con fertilización de nitrógeno de 50 kg, ya que esta combinación no difiere
estadísticamente de 100 kg de nitrógeno con riego alto y ambas difieren del resto.
Este ensayo pudo evaluarse bajo la óptica de los modelos lineales fijos debido a que está
completamente balanceado. Estos datos también pueden analizarse como modelos
mixtos como se detalla a continuación. Si hubiera existido desbalance o si los bloques
hubiesen sido aleatorios, este enfoque es el único válido.
Este modelo puede ajustarse en InfoStat en el menú Modelos lineales generales y
mixtos, declarando a rendimiento como variable dependiente y a riego, nitrógeno y
bloque como variables clasificatorias. Luego, en la solapa Efectos fijos se declaran los
siguientes términos (Figura 97).
Modelos Mixtos en InfoStat
152
Figura 97: Ventana con la solapa Efectos fijos desplegada para evaluar un modelo mixto con los datos del archivo StripPlot.IDB2 .
En la solapa Efectos aleatorios se debe declarar el efecto de bloque tanto en la constante
( k ) como en los factores fijos nitrógeno y riego ( ik y jk respectivamente) (Figura 98).
Modelos Mixtos en InfoStat
153
Figura 98: Ventana con la solapa Efectos aleatorios desplegada para evaluar un modelo mixto con los datos del archivo StripPlot.IDB2 .
Modelos lineales generales y mixtos Especificación del modelo en R modelo000_Rendimiento_REML<-lme(Rendimiento~1+Nitrogeno+Riego+Nitrogeno:Riego ,random=list(Bloque=pdIdent(~1) ,Bloque=pdIdent(~Nitrogeno-1) ,Bloque=pdIdent(~Riego-1)) ,method="REML" ,na.action=na.omit ,data=R.data00 ,keep.data=FALSE) Resultados para el modelo: modelo000_Rendimiento_REML Variable dependiente:Rendimiento Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 R2_1 R2_2 R2_3 24 106.09 115.00 -43.05 1.20 0.85 0.94 0.95 0.99 AIC y BIC menores implica mejor
Modelos Mixtos en InfoStat
154
Pruebas de hipótesis secuenciales numDF denDF F-value p-value (Intercept) 1 15 3061.88 <0.0001 Nitrogeno 2 15 60.13 <0.0001 Riego 1 15 52.18 <0.0001 Nitrogeno:Riego 2 15 33.12 <0.0001 Parámetros de los efectos aleatorios Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~1|Bloque Desvíos estándares relativos al residual y correlaciones (const) (const) 1.83 Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~Nitrogeno - 1|Bloque Desvíos estándares relativos al residual y correlaciones 0 100 50 0 0.70 0.00 0.00 100 0.00 0.70 0.00 50 0.00 0.00 0.70 Modelo de covarianzas de los efectos aleatorios: pdIdent Formula: ~Riego - 1|Bloque Desvíos estándares relativos al residual y correlaciones Alto Bajo Alto 1.49 0.00 Bajo 0.00 1.49 Medias ajustadas y errores estándares para Nitrogeno LSD Fisher (alfa=0.05) Procedimiento de correccion de p-valores: No Nitrogeno Medias E.E. 100 77.38 1.40 A 50 71.75 1.40 B 0 68.25 1.40 C Letras distintas indican diferencias significativas(p<= 0.05) Medias ajustadas y errores estándares para Riego LSD Fisher (alfa=0.05) Procedimiento de correccion de p-valores: No Riego Medias E.E. Alto 77.33 1.47 A Bajo 67.58 1.47 B Letras distintas indican diferencias significativas(p<= 0.05)
Modelos Mixtos en InfoStat
155
Medias ajustadas y errores estándares para Nitrogeno*Riego LSD Fisher (alfa=0.05) Procedimiento de correccion de p-valores: No Nitrogeno Riego Medias E.E. 100 Alto 79.50 1.59 A 50 Alto 77.50 1.59 A B 100 Bajo 75.25 1.59 B C 0 Alto 75.00 1.59 C 50 Bajo 66.00 1.59 D 0 Bajo 61.50 1.59 E Letras distintas indican diferencias significativas(p<= 0.05)
Podemos observar que bajo el enfoque de modelos mixtos en este experimento se llega
a las mismas conclusiones que en el enfoque clásico y que los estadísticos F para las
pruebas de efectos fijos son los mismos, pero los grados de libertad del denominador
son diferentes. Debemos destacar que los modelos no son absolutamente equivalentes,
ya que en el enfoque de modelos mixtos los bloques son aleatorios y en el clásico son
fijos; y que las fórmulas para el cálculo de los grados de libertad del denominador en los
estadísticos F son diferentes.
Modelos Mixtos en InfoStat
156
Diseño experimental con dos factores y dependencia espacial
En muchas situaciones se presentan niveles de un factor de interés que, por su
naturaleza, no se pueden asignar en forma aleatoria. Este es el caso de las tomas de
muestras de agua a lo largo de un río, cuando se evalúan efectos a distintas distancias en
un bosque o cuando se toman muestras de suelo a distintas profundidades. El hecho de
que no se puedan aleatorizar los niveles de un factor genera una dependencia espacial
que debe ser contemplada. Aquí presentamos un ejemplo (datos Lombrices.IDB2) en
donde se evalúan cuatro tipo de sombra en cultivos de café: testigo con sol (sol),
leguminosa1 (SombraL1), leguminosa2 (SombraL2) y no leguminosa (SombraNL) en
tres profundidades (1=0-10 cm, 2=10-20 cm y 3=20-30 cm). En cada una de las
unidades experimentales (combinación de tratamientos y repeticiones) se tomaron
muestras de 30×30 cm con 10 cm de profundidad en cada una de las tres profundidades.
En cada muestra se recolectaron las lombrices y se obtuvo su peso vivo (biomasa). Las
unidades experimentales estaban arregladas en un diseño completamente aleatorizado
con tres repeticiones. La variable tratam_rep identifica a las unidades experimentales
sobre las que se miden las distintas profundidades y fue generada desde el menú Datos,
sub menú Cruzar categorias para formar una nueva variable (en la ventana de
selección de variables se declaró a tratam y rep como variables).
Para realizar el análisis de los datos del archivo Lombrices.IDB2, se deben declarar las
variables como se muestra a continuación (Figura 99).
Modelos Mixtos en InfoStat
157
Figura 99: Ventana se selector de variable para Modelos lineales generales y mixtos los datos del archivo Lombrices.IDB2.
Luego, en la solapa Efectos fijos se deben declarar las variables como se muestra en la
siguiente figura (Figura 100).
Modelos Mixtos en InfoStat
158
Figura 100: Ventana con la solapa Efectos fijos desplegada para evaluar un modelo mixto con los datos del archivo Lombrices.IDB2.
Por último, se declara en la solapa Correlación el modelo de Correlación espacial
exponencial, identificando a profund como coordenada X y a tratam_rep como criterio
de agrupamiento (Figura 101).
Modelos Mixtos en InfoStat
159
Figura 101: Ventana con la solapa Correlación desplegada para evaluar un modelo mixto con correlación espacial exponencial en los datos del archivo Lombrices.IDB2.
La salida correspondiente se presenta a continuación.
Modelos lineales generales y mixtos Especificación del modelo en R modelo000_Biomasa_REML<-gls(Biomasa~1+Tratam+Profund+Tratam:Profund ,correlation=corExp(form=~as.numeric(as.character(Profund))|Tratam_Rep ,metric="euclidean" ,nugget=FALSE) ,method="REML" ,na.action=na.omit ,data=R.data00) Resultados para el modelo: modelo000_Biomasa_REML Variable dependiente:Biomasa
Modelos Mixtos en InfoStat
160
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 36 161.03 177.52 -66.52 3.46 0.97 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF F-value p-value (Intercept) 1 3725.04 <0.0001 Tratam 3 66.75 <0.0001 Profund 2 303.14 <0.0001 Tratam:Profund 6 4.86 0.0022 Estructura de correlación Modelo de correlación: Exponential spatial correlation Formula: ~ as.numeric(as.character(Profund)) | Tratam_Rep Metrica: euclidean Parámetros del modelo Parámetro Estim range 2.12
Todos los factores resultaron significativos, presentándose interacción entre
tratamientos y profundidad (p=0.0022). El parámetro range tiene un valor estimado de
2.12. Este parámetro debe interpretarse con cuidado, dependiendo del modelo de
correlación espacial usado. En la bibliografía geoestadística, el range se define, para
procesos espaciales estacionales de segundo orden, como la distancia a partir de la cual
las observaciones pueden considerarse independientes. El parámetro range que se
muestra en la salida está relacionado a esta definición, pero no es la distancia a partir de
la cual no hay más correlación (excepto en los modelos esférico y lineal). En los
modelos de correlación espacial, en los que la covarianza alcanza cero solo
asintóticamente (todos excepto el esférico y el lineal), no existe una distancia a la cual la
correlación espacial se haga 0, por lo que se usa el concepto de practical range
(distancia a partir de la cual la covarianza espacial se reduce al 5%, o equivalentemente,
la distancia a la cual el semivariograma alcanza el 95% de su máximo). Esta distancia
depende del modelo usado: para correlación espacial exponencial es 3 veces el range
estimado, mientras que para correlación espacial Gaussiana es √3 veces el range
estimado (Littel et ál. 2006). Para la correlación racional cuadrática este factor es
aproximadamente 4.36.
Modelos Mixtos en InfoStat
161
En este ejemplo se usó un modelo de correlación espacial exponencial. La profundidad
1 era entre 0 y 10 cm, la 2 entre 10 y 20 cm y la 3 entre 20 y 30 cm, es decir, la
diferencia entre la profundidad 1 y 2 de la forma en que fueron declaradas, es de 1, sin
embargo en la escala original esta diferencia es de 10. Por lo tanto, el practical range en
la escala original es de 3×21.2 cm=63.6 cm. Esto implica que, para las profundidades
estudiadas (0 a 30 cm), las observaciones de biomasa de lombrices nunca serán
independientes (para que pudieran considerarse prácticamente independientes las
observaciones deberían estar a más de 63.6 cm, lo que es imposible con estos datos).
El modelo de correlación espacial exponencial isotrópico presentado aquí es equivalente
a un modelo autorregresivo de orden 1 (Casanoves et ál. 2005). Si con este mismo
conjunto de datos usamos ahora un modelo Autorregresivo de orden 1 (Figura 102) se
obtiene la siguiente salida.
Figura 102: Ventana con la solapa Correlación desplegada para evaluar un modelo mixto con correlación autorregresiva de orden 1 en los datos del archivo Lombrices.IDB2.
Modelos Mixtos en InfoStat
162
Modelos lineales generales y mixtos Especificación del modelo en R modelo001_Biomasa_REML<-gls(Biomasa~1+Tratam+Profund+Tratam:Profund ,correlation=corAR1(form=~as.integer(as.character(Profund))|Tratam_Rep) ,method="REML" ,na.action=na.omit ,data=R.data00) Resultados para el modelo: modelo001_Biomasa_REML Variable dependiente:Biomasa Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 36 161.03 177.52 -66.52 3.46 0.97 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF F-value p-value (Intercept) 1 3725.05 <0.0001 Tratam 3 66.75 <0.0001 Profund 2 303.14 <0.0001 Tratam:Profund 6 4.86 0.0022 Estructura de correlación Modelo de correlación: AR(1) Formula: ~ as.integer(as.character(Profund)) | Tratam_Rep Parámetros del modelo Parámetro Estim Phi 0.62
La única diferencia entre esta salida y la anterior es que en ésta se muestra el parámetro
Phi de correlación (0.62) en vez del parámetro range.
A continuación estudiaremos la validez de los supuestos de este modelo. Para esto, en el
submenú Análisis-exploración de los modelos estimados se solicitaron los gráficos de
diagnóstico que se presentan a continuación (Figura 103).
Modelos Mixtos en InfoStat
163
sol sombraL1 sombraNL
-1.5
-0.5
0.5
1.5
Tratam
Res
.con
d.es
tand
.Pea
rson
1 2 3
-1.5
-0.5
0.5
1.5
Profund
Res
.con
d.es
tand
.Pea
rson
30 40 50 60 70 80
-1.5
-0.5
0.5
1.5
Valores ajustados
Res
.con
d.es
tand
.Pea
rson
-2 -1 0 1 2
-1.5
-0.5
0.5
1.5
Cuantiles teóricos
Cua
ntile
s m
uest
rale
s
Figura 103: Herramientas gráficas para diagnóstico obtenidas para los datos del archivo Lombrices.IDB2.
Como se puede observar la variabilidad de los residuos bajo los distintos tratamientos
parece diferente. Para evaluar un modelo heteroscedástico por tratamientos, en la solapa
Heteroscedasticidad se declararon las variables como en la (Figura 104) y se obtuvo la
siguiente salida.
Modelos Mixtos en InfoStat
164
Figura 104: Ventana con la solapa Heteroscedasticidad desplegada para evaluar un modelo mixto con en los datos del archivo Lombrices.IDB2.
Modelos lineales generales y mixtos Especificación del modelo en R modelo002_Biomasa_REML<-gls(Biomasa~1+Tratam+Profund+Tratam:Profund ,weight=varComb(varIdent(form=~1|Tratam)) ,correlation=corAR1(form=~as.integer(as.character(Profund))|Tratam_Rep) ,method="REML" ,na.action=na.omit ,data=R.data00) Resultados para el modelo: modelo002_Biomasa_REML Variable dependiente:Biomasa
Modelos Mixtos en InfoStat
165
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 36 164.03 184.06 -65.02 4.20 0.97 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF F-value p-value (Intercept) 1 4300.37 <0.0001 Tratam 3 54.19 <0.0001 Profund 2 511.72 <0.0001 Tratam:Profund 6 6.32 0.0004 Estructura de correlación Modelo de correlación: AR(1) Formula: ~ as.integer(as.character(Profund)) | Tratam_Rep Parámetros del modelo Parámetro Estim Phi 0.73 Estructura de varianzas Modelo de varianzas: varIdent Formula: ~ 1 | Tratam Parámetros de la función de varianza Parámetro Estim sol 1.00 sombraL1 0.65 sombraL2 0.66 sombraNL 1.22
Los criterios AIC y BIC son mayores en el modelo heteroscedástico que en el
homoscedástico, indicando que este último es el mejor. Similar conclusión se obtiene a
partir de la prueba del cociente de verosimilitud (p=0.3916) al pedir la comparación de
los modelos como se mostró en la sección Análisis de un modelo ajustado.
Comparación de modelos df AIC BIC logLik Test L.Ratio p-value modelo001_Biomasa_REML 14 161.03 177.52 -66.52
modelo002_Biomasa_REML 17 164.03 184.06 -65.02 1 vs 2 3.00 0.3916
Por este motivo, nos quedamos con el modelo homoscedástico y, debido a la presencia
de interacción entre los dos factores, se realiza un diagrama de puntos para visualizar el
comportamiento de las medias de biomasa de lombrices (Figura 105).
Modelos Mixtos en InfoStat
166
Sol SombraL1 SombraL2 SombraNL
1 2 3
Profundidad
20
30
40
50
60
70
80
90
Bio
ma
sa
Sol SombraL1 SombraL2 SombraNL
Figura 105: Diagramas de puntos para estudiar la interacción entre tratamientos y profundidad y su efecto sobre la biomasa. Datos archivo Lombrices.IDB2.
Como se puede observar, este gráfico sugiere la presencia de un comportamiento lineal
para sol y uno cuadrático para los otros tratamientos. Para probar estas hipótesis se
realizan contrastes ortogonales polinómicos a partir de la solapa Comparaciones,
subsolapa Contrastes (Figura 106).
Modelos Mixtos en InfoStat
167
Figura 106: Ventana con la solapa Comparaciones y la subsolapa Contrastes desplegada para evaluar un modelo mixto con los datos del archivo Lombrices.IDB2.
A continuación se muestran los resultados de los contrastes. Se puede ver que el único
tratamiento que presenta solo tendencia lineal y no cuadrática es el de sol (p<0.0001 y
p=0.8147 respectivamente). El resto de los tratamientos, además de la tendencia lineal,
presentan una tendencia cuadrática.
Pruebas de hipótesis para contrastes Tratam*Profund F gl(num) gl(den) p-valor Cont.1 111.81 1 24 <0.0001 Cont.2 0.06 1 24 0.8147 Cont.3 222.11 1 24 <0.0001 Cont.4 26.66 1 24 <0.0001 Cont.5 164.40 1 24 <0.0001 Cont.6 10.52 1 24 0.0035 Cont.7 92.62 1 24 <0.0001 Cont.8 7.26 1 24 0.0127 Total 79.43 8 24 <0.0001
Modelos Mixtos en InfoStat
168
Coeficientes de los contrastes Tratam Profund Cont.1 Cont.2 Cont.3 Cont.4 Cont.5 Cont.6 Cont.7 Cont.8 sol 1 -1.00 1.00 0.00 0.00 0.00 0.00 0.00 0.00 sol 2 0.00 -2.00 0.00 0.00 0.00 0.00 0.00 0.00 sol 3 1.00 1.00 0.00 0.00 0.00 0.00 0.00 0.00 sombraL1 1 0.00 0.00 -1.00 1.00 0.00 0.00 0.00 0.00 sombraL1 2 0.00 0.00 0.00 -2.00 0.00 0.00 0.00 0.00 sombraL1 3 0.00 0.00 1.00 1.00 0.00 0.00 0.00 0.00 sombraL2 1 0.00 0.00 0.00 0.00 -1.00 1.00 0.00 0.00 sombraL2 2 0.00 0.00 0.00 0.00 0.00 -2.00 0.00 0.00 sombraL2 3 0.00 0.00 0.00 0.00 1.00 1.00 0.00 0.00 sombraNL 1 0.00 0.00 0.00 0.00 0.00 0.00 -1.00 1.00 sombraNL 2 0.00 0.00 0.00 0.00 0.00 0.00 0.00 -2.00 sombraNL 3 0.00 0.00 0.00 0.00 0.00 0.00 1.00 1.00
Modelos Mixtos en InfoStat
169
Diseños de testigos apareados
Este tipo de arreglo de tratamientos es común en la evaluación de nuevos cultivares
(variedades, híbridos, etc.) en mejoramiento genético vegetal. Básicamente consisten en
ubicar en forma aleatoria el conjunto de cultivares a evaluar intercalando siempre entre
ellos un testigo común. La presencia de este testigo es la que permite de alguna forma
modelar los efectos sistemáticos de la calidad del terreno donde se ubican las parcelas
experimentales. Para ejemplificar su análisis se presenta un ejemplo con 16 híbridos
(H1,…, H16) y un testigo, y así se tiene un total de 32 unidades experimentales. Los
datos se encuentran en el archivo Testigos apareados.IDB2.
Una alternativa básica y muy poco eficiente para analizar estos datos es realizar un
ANOVA a una vía de clasificación, y comparar los tratamientos usando una estimación
del término de error a partir de la varianza entre los testigos (únicos niveles del factor
tratamiento que están repetidos). Este modelo es incapaz de contemplar los sesgos
producidos por las diferencias sistemáticas entre unidades experimentales. Para obtener
este modelo, se declara en el selector de variables a Rendimiento como variable
dependiente y a Hibrido como variable de clasificación.
En la solapa de Efectos fijos se declara al Hibrido como en la Figura 107. Luego, en la
solapa Comparaciones se solicitó la prueba LSD de Fisher para Hibrido.
Modelos Mixtos en InfoStat
170
Figura 107: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Testigos_apareados.IDB2.
La salida correspondiente se presenta a continuación.
Modelos lineales generales y mixtos Especificación del modelo en R modelo000_Rendimiento_REML<-gls(Rendimiento~1+Hibrido ,method="REML" ,na.action=na.omit ,data=R.data21) Resultados para el modelo: modelo000_Rendimiento_REML Variable dependiente:Rendimiento Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 32 219.90 232.64 -91.95 101.35 0.69 AIC y BIC menores implica mejor
Modelos Mixtos en InfoStat
171
Pruebas de hipótesis secuenciales numDF F-value p-value (Intercept) 1 3580.56 <0.0001 Hibrido 16 2.12 0.0763 Medias ajustadas y errores estándares para Hibrido LSD Fisher (alfa=0.05) Procedimiento de correccion de p-valores: No Hibrido Medias E.E. H4 1230.00 101.35 A H3 1222.00 101.35 A H14 1193.00 101.35 A B H10 1168.00 101.35 A B C H11 1116.00 101.35 A B C Testigo 1115.81 25.34 A B C H5 1099.00 101.35 A B C H9 1063.00 101.35 A B C H2 1037.00 101.35 A B C D H12 1033.00 101.35 A B C D H8 975.00 101.35 A B C D H7 966.00 101.35 A B C D H16 928.00 101.35 A B C D H6 907.00 101.35 B C D H1 886.00 101.35 C D H13 876.00 101.35 C D H15 756.00 101.35 D Letras distintas indican diferencias significativas(p<= 0.05)
La prueba F para Hibrido no resultó significativa (p = 0.0763) por lo cual no deben
interpretarse las diferencias de medias presentadas en la prueba LSD de Fisher.
La alternativa a este modelo es el uso de correlaciones espaciales para corregir las
medias de cada híbrido por el “efecto del sitio” en donde fueron ubicadas por azar. Para
esto, se procede a colocar la Posicion de la parcela como una covariable.
En la solapa Efectos fijos se deja igual que en la Figura 107. En la solapa Correlación se
especifican los diferentes modelos:
Modelo 1: Correlación espacial exponencial ( Figura 108).
Modelo 2: Correlación espacial Gaussiana (Figura 109).
Modelo 3: Correlación espacial lineal (Figura 110).
Modelo 4: Correlación espacial “rational quadratic” (Figura 111).
Modelo 5: Correlación espacial esférica (Figura 112).
Modelos Mixtos en InfoStat
172
A continuación se muestran las ventanas de selección de correlación espacial y las
medidas de ajuste de cada uno de los modelos estimados.
Figura 108: Ventana con la solapa Correlación desplegada para los datos del archivo Testigos_apareados.IDB2 y selección de Correlación espacial exponencial.
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 32 218.62 232.08 -90.31 112.79 0.58 AIC y BIC menores implica mejor
Modelos Mixtos en InfoStat
173
Figura 109: Ventana con la solapa Correlación desplegada para los datos del archivo Testigos_apareados.IDB2 y selección de Correlación espacial Gaussiana.
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 32 219.17 232.62 -90.58 106.78 0.58 AIC y BIC menores implica mejor
Modelos Mixtos en InfoStat
174
Figura 110: Ventana con la solapa Correlación desplegada para los datos del archivo Testigos_apareados.IDB2 y selección de Correlación espacial lineal.
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 32 219.13 232.58 -90.56 107.52 0.56 AIC y BIC menores implica mejor
Modelos Mixtos en InfoStat
175
Figura 111: Ventana con la solapa Correlación desplegada para los datos del archivo Testigos_apareados.IDB2 y selección de Correlación espacial “rational quadratic”.
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 32 218.81 232.26 -90.40 106.92 0.59 AIC y BIC menores implica mejor
Modelos Mixtos en InfoStat
176
Figura 112: Ventana con la solapa Correlación desplegada para los datos del archivo Testigos_apareados.IDB2 y selección de Correlación espacial esférica.
Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 32 219.21 232.66 -90.60 137.39 0.56 AIC y BIC menores implica mejor
Todos los modelos ajustan bien, ya que sus valores de AIC y BIC son muy parecidos. El
modelo con menores valores es el de Correlación espacial exponencial (AIC=218.62,
BIC=232.08). La salida correspondiente a este modelo se presenta a continuación.
Modelos Mixtos en InfoStat
177
Modelos lineales generales y mixtos Especificación del modelo en R modelo028_Rendimiento_REML<-gls(Rendimiento~1+Hibrido ,correlation=corExp(form=~as.numeric(as.character(Posicion)) ,metric="euclidean" ,nugget=FALSE) ,method="REML" ,na.action=na.omit ,data=R.data28) Resultados para el modelo: modelo028_Rendimiento_REML Variable dependiente:Rendimiento Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 32 218.62 232.08 -90.31 112.79 0.58 AIC y BIC menores implica mejor Pruebas de hipótesis secuenciales numDF F-value p-value (Intercept) 1 582.79 <0.0001 Hibrido 16 5.27 0.0012 Estructura de correlación Modelo de correlación: Exponential spatial correlation Formula: ~ as.numeric(as.character(Posicion)) Metrica: euclidean Parámetros del modelo Parámetro Estim range 2.74 Medias ajustadas y errores estándares para Hibrido LSD Fisher (alfa=0.05) Procedimiento de correccion de p-valores: No Hibrido Medias E.E. H3 1248.31 85.33 A H4 1244.19 85.33 A H10 1145.64 85.33 A B H5 1128.65 85.33 A B C Testigo 1096.98 45.09 A B C H2 1091.07 85.33 A B C H11 1078.43 85.33 A B C H9 1078.28 85.33 A B C H14 1070.07 85.33 A B C H1 1005.46 85.33 B C H12 979.80 85.33 B C H6 966.31 85.33 B C
Modelos Mixtos en InfoStat
178
H7 936.21 85.33 B C D H8 933.40 85.33 B C D H16 902.87 85.33 C D H13 727.55 85.33 D E H15 653.36 85.33 E Letras distintas indican diferencias significativas(p<= 0.05)
Se encontraron diferencias entre híbridos (p = 0.0012). Mediante la prueba LSD de
Fisher de comparación de medias se pudo determinar que los híbridos de mayor
rendimiento fueron los H2, H3, H4, H5, H9, H10, H11, H14, y que éstos a su vez no
difieren del testigo.
Otra alternativa es pensar el problema como en los orígenes de la modelación espacial
(Papadakis 1937), y utilizar un análisis de covarianza para ajustar las medias de los
híbridos en las distintas posiciones. Para realizar una aproximación a este tipo de
análisis se construyó una nueva variable llamada Tes, la cual contiene los rendimientos
correspondientes a los testigos, luego se adicionó una nueva columna (Hib) en la que se
copiaron los valores del rendimiento del hibrido más cercano a cada testigo. Se calculó
luego la diferencia del rendimiento del testigo frente al hibrido (Dif).
A continuación se realizó un análisis de regresión lineal considerando a Dif como
variable dependiente y a Posicion como variable regresora. Se guardaron los predichos
de este modelo con el fin de utilizarlos como una covariable en el análisis de las medias
de híbridos.
Luego, en la ventana del selector de variables de Modelos lineales generalizados y
mixtos se declaran las variables como se muestra en la Figura 113.
Modelos Mixtos en InfoStat
179
Figura 113: Ventana de selección de variables para Modelos lineales generales y mixtos con datos del archivo Testigos_apareados.IDB2.
En la ventana de Efectos fijos se declara a Hibrido y a PRED_Dif. En la solapa
Comparaciones se solicitó la prueba LSD de Fisher. La salida correspondiente se
presenta a continuación.
Modelos lineales generales y mixtos Especificación del modelo en R modelo029_Rendimiento_REML<-gls(Rendimiento~1+Hibrido+PRED_Dif ,method="REML" ,na.action=na.omit ,data=R.data29) Resultados para el modelo: modelo029_Rendimiento_REML Variable dependiente:Rendimiento Medidas de ajuste del modelo N AIC BIC logLik Sigma R2_0 32 215.09 227.23 -88.54 79.89 0.82 AIC y BIC menores implica mejor
Modelos Mixtos en InfoStat
180
Pruebas de hipótesis secuenciales numDF F-value p-value (Intercept) 1 5763.58 <0.0001 Hibrido 16 3.42 0.0129 PRED_Dif 1 10.15 0.0066 Medias ajustadas y errores estándares para Hibrido LSD Fisher (alfa=0.05) Procedimiento de correccion de p-valores: No Hibrido Medias E.E. H4 1295.07 82.46 A H3 1293.92 83.02 A H10 1150.88 80.07 A B H5 1143.52 81.10 A B H2 1129.47 85.00 A B H14 1121.08 83.02 A B Testigo 1115.81 19.97 A B H11 1078.33 80.76 A B H9 1052.73 79.95 A B C H12 988.48 81.10 B C H1 985.32 85.76 B C H8 985.27 79.95 B C H7 983.12 80.07 B C H6 944.67 80.76 B C H16 828.68 85.76 C D H13 810.93 82.46 C D H15 663.53 85.00 D Letras distintas indican diferencias significativas(p<= 0.05)
Si bien se llega a la misma conclusión con respecto a los cultivares que en el análisis
usando correlación espacial exponencial, podemos observar que las medias ajustadas y
los errores estándares son diferentes. También difiere el orden o ranking presente entre
los híbridos que presentan los mayores rendimientos.
Por último, el contemplar la correlación espacial es una alternativa mucho más sencilla
para realizar este tipo de análisis.
Modelos Mixtos en InfoStat
181
Referencias
Benjamini Y., Hochberg Y.1995. Controlling the false discovery rate: a practical and
powerful approach to multiple testing. J. R. Stat. Soc. Ser. B, 57:289-300.
Benjamini Y., Yekutieli, D. 2001. The control of the false discovery rate in multiple
hypothesis testing under dependency. The Annals of Statistics, 29(4):1165-
1188.
Besag J.E. 1974. Spatial interaction and the statistical analysis of lattice systems. J. R.
Stat. Soc. Ser. B 36: 192-225.
Besag J.E. 1977. Errors-in-variables estimation for Gaussian lattice schemes. J. R. Stat.
Soc. Ser. B 39: 73-78.
Casanoves F., Macchiavelli R., Balzarini, M. 2005. Error variation in multienvironment
peanut trials: Within-trial spatial correlation and between-trial heterogeneity.
Crop Science, 45: 1927-1933.
Casanoves F., Macchiavelli R., Balzarini M. 2007. Models for multi-environment yield
trials with fixed and random block effects and homogeneous and
heterogeneous residual variances. Journal of Agriculture of the University of
Puerto Rico, 91(3-4): 117-131.
Cullis B.R., Gogel B.J., Verbyla A.P., Thompson R. 1998. Spatial analysis of multi-
environment early generation trials. Biometrics 54: 1-18.
Di Rienzo J.A., Guzman A.W., Casanoves F. (2002). A Multiple Comparisons Method
based On the Distribution of the Root Node Distance of a Binary Tree
Obtained by Average Linkage of the Matrix of Euclidean Distances between
Treatment Means. JABES 7(2), 129-142.
Di Rienzo J. 2007.Curso de Diseño de Experimentos 2007 de la Maestría en Estadística
Aplicada – UNC. http://vaca.agro.uncor.edu/~estad/cursosposgrado.htm
Gilmour A.R., Thompson R, Cullis B.R., Verbyla A.P. 1997. Accounting for natural
and extraneous variation in the analysis of field experiments. J. Agric. Biol.
Env. Stat. 2: 269:273.
Hsu J.C. 1996. Multiple comparisons: Theory and methods. Firts edition. Chapman &
Hall, London. 277 p.
Modelos Mixtos en InfoStat
182
Littel R., Milliken G., Stroup W., Wolfinger R., Schabenberger O. 2006. SAS for
Mixed Models. Second Ed., SAS Institute, Cary, NC.
Littel R., Pendergast J., Natarajan R. 2002. Modelling Covariance Structure in the
Analysis of Repeated Measures Data. Statistics in Medicine 19:1793-1819.
Martínez N. 2006. Determinación de la tasa de degradación de hojarasca de guadua
(Guadua angustifolia) e higuerón (Ficus glabrata) con y sin presencia de
macroinvertebrados acuáticos en una quebrada del Valle del Cauca, Colombia.
Disertación, Departamento de Biología, Universidad del Valle, Colombia.
Mead R. 1971. Models for interplant competition in irregularly spaced population. In:
Statistical Ecology, Patil G.P., Pielou E.C. and Waters W.E. (Eds.).
Pensilvania State University Press, College Town, Pa, pp: 13-22.
Milliken G.A., Johnson D.E. 1984. Analysis of Messy Data, Vol. 1. Van Nostrand
Reinhold, NY.
Moser E.B., Macchiavelli R. 2002. Model selection techniques for repeated measures
covariance structures. Proceedings of the XIV Conference on Applied
Statistics in Agriculture 14: 17-31.
Navarro C., Cavers S., Pappinen A., Tigerstedt P., Lowe A., Merila J. 2005. Contrasting
quantitative traits and neutral genetic markers for genetic resource assessment
of Mesoamerican Cedrela odorata. Silvae Genetica. 54: 281–292.
Papadakis J.S. 1937. Methode statistique pour des experiencessur champ. Institut
d’Amelioration des Plantes a Thessaloniki.
Pinheiro J.C., Bates D.M. 2004. Mixed-Effects Models in S and S-PLUS. Springer,
New York.
Pierson R.A., Ginther O.J. 1987. Follicular population dynamics during the estrus cycle
of the mare. Animal Reproduction Science 14: 219–231.
Ripley B.D. 1981. Spatial Statistics. Wiley, New York.
Zimmerman D.L., Harville D.A. 1991. A random field approach to the analysis of field
plot experiments and other spatial experiments. Biometrics 47: 223-239.
Modelos Mixtos en InfoStat
183
Índice de cuadros
Cuadro 1. Componentes de varianza estimados para los datos del archivo Compvar.IDB2.........................................31
Cuadro 2. Características y medidas de ajuste de los modelos evaluados para los datos del archivo
CapacidadRespiratoria.IDB2. .....................................................................................................................................103
Cuadro 3. Criterios de bondad de ajuste para los modelos ajustados con efectos de bloque fijo en los datos del archivo
ECRmani.IDB2 ..........................................................................................................................................................141
Cuadro 4. Criterios de bondad de ajuste para los modelos ajustados sin efectos de bloque fijo en los datos del archivo
ECRmani.IDB2 ..........................................................................................................................................................141
Índice de figuras
Figura 1: Solapas con las opciones para especificación de un modelo lineal general y mixto........................................2
Figura 2: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Atriplex.IDB2. ............................4
Figura 3: Ventana desplegada con la solapa Efectos aleatorios para los datos del archivo Bloque.IDB2.......................6
Figura 4: Ventana desplegada con la solapa Comparaciones para los datos del archivo Bloque.IDB2. .........................8
Figura 5: Ventana de diálogo para importar datos desde las librerías de R...................................................................10
Figura 6: Encabezamiento de la tabla de datos del archivo Ovary................................................................................11
Figura 7: Relación entre el número de folículos (follicles) y el tiempo (Time). ...........................................................11
Figura 8: Ventana desplegada con la solapa Efectos fijos para los datos del archivo Ovary. .......................................12
Figura 9: Ventana desplegada con la solapa Efectos aleatorios para los datos del archivo Ovary................................13
Figura 10: Ventana desplegada con la solapa Correlación para los datos del archivo Ovary. ......................................15
Figura 11: Funciones ajustadas para el número poblacional de folículos (línea sólida negra) y para cada yegua
originada por el efecto aleatorio sobre la constante (archivo Ovary)............................................................................17
Figura 12: Funciones ajustadas para el número de folículos para cada yegua originada por la inclusión de efectos
aleatorios sobre todos los parámetros de la parte fija del modelo (archivo Ovary).......................................................18
Figura 13: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Ovary. .........................19
Figura 14: Ventana comparación de modelos generales y mixtos con la solapa Diagnóstico desplegada (archivo
Atriplex.IDB2)..............................................................................................................................................................22
Figura 15: Ventana comparación de modelos generales y mixtos con la solapa Combinaciones lineales desplegada
(archivo Atriplex.IDB2). ..............................................................................................................................................23
Figura 16: Función de autocorrelación de los residuos del modelo presentado en la Ecuación (2) excluyendo la
modelación de la autocorrelación serial........................................................................................................................24
Modelos Mixtos en InfoStat
184
Figura 17: Función de autocorrelación de los residuos del modelo presentado en la Ecuación (2) incluyendo la
modelación de la autocorrelación serial........................................................................................................................25
Figura 18: Ventana de selección de variables para Modelos lineales generales y mixtos con datos del archivo
Compvar.IDB2. ............................................................................................................................................................28
Figura 19: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Compvar.IDB2 para la
especificación del Modelo 1. ........................................................................................................................................29
Figura 20: Ventana Análisis-exploración de modelos estimados con la solapa Diagnóstico desplegada para el Modelo
1 con los datos del archivo Compvar.IDB2. .................................................................................................................32
Figura 21: Gráficos de diagnóstico obtenidos para la variable largo y el modelo 1 para los datos del archivo
Compvar.IDB2. ............................................................................................................................................................32
Figura 22: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Compvar.IDB2 para la
especificación de varianzas heterogéneas para poblaciones. ........................................................................................33
Figura 23: Gráficos de diagnóstico obtenidos para la variable largo y el modelo 1 con varianzas residuales
heterogéneas para poblaciones y los datos del archivo Compvar.IDB2........................................................................38
Figura 24: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Compvar.IDB2 para la
especificación del Modelo 2. ........................................................................................................................................39
Figura 25: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Compvar.IDB2 para la
especificación del Modelo 2. ........................................................................................................................................39
Figura 26: Ventana con la solapa Comparaciones desplegada para los datos del archivo Compvar.IDB2 para la
especificación del Modelo 2. ........................................................................................................................................40
Figura 27: Ventana Análisis-exploración de modelos estimados con la solapa Diagnóstico desplegada para el Modelo
2 con los datos del archivo Compvar.IDB2. .................................................................................................................44
Figura 28: Gráficos de diagnóstico obtenidos para la variable largo y el Modelo 2 para los datos del archivo
Compvar.IDB2 .............................................................................................................................................................45
Figura 29: Gráficos de diagnóstico obtenidos para la variable largo y el modelo 2 para los datos del archivo
Compvar.IDB2 una vez declaradas las varianzas residuales diferentes para cada población. ......................................48
Figura 30: Esquema del diseño en parcelas divididas para el ejemplo de los datos en el archivo Trigo.IDB2. ............51
Figura 31: Encabezamiento de la tabla de datos del archivo Trigo.IDB2. ....................................................................52
Figura 32: Ventana de selección de variables para Modelos lineales generales y mixtos con datos del archivo
Trigo.IDB2. ..................................................................................................................................................................52
Figura 33: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Trigo.IDB2..............................53
Figura 34: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Trigo.IDB2 con bloque y
agua como criterios de estratificación...........................................................................................................................54
Figura 35: Ventana Comparación de modelos generales y mixtos con la solapa Diagnóstico desplegada para los datos
del archivo Trigo.IDB2.................................................................................................................................................56
Figura 36: Herramientas gráficas para diagnóstico obtenidas para los datos del archivo Trigo.IDB2..........................57
Modelos Mixtos en InfoStat
185
Figura 37: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Trigo.IDB2 con
selección de función varIdent con variedad como criterio de agrupamiento. ...............................................................58
Figura 38: Ventana con la solapa Comparaciones desplegada para los datos del archivo Trigo.IDB2 y selección de la
subsolapa Medias..........................................................................................................................................................59
Figura 39: Encabezamiento de la tabla de datos del archivo Cobertura de gotas.IDB2. ...............................................61
Figura 40: Ventana de selección de variables para Modelos lineales generales y mixtos con datos del archivo
Cobertura de gotas.IDB2. .............................................................................................................................................62
Figura 41: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Cobertura de gotas.IDB2. .......62
Figura 42: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Cobertura de gotas.IDB2
con Parcela como criterio de estratificación. ................................................................................................................63
Figura 43: Diagrama de cajas para los residuos estandarizados de Pearson para los niveles del factor Cara. ..............64
Figura 44: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Cobertura de gotas.IDB2
con Cara como criterio de agrupamiento. .....................................................................................................................65
Figura 45: Diagramas de puntos para estudiar la interacción entre Coad y Altura y entre Cara y Altura. ....................68
Figura 46: Esquema del diseño en parcelas subdivididas para el ejemplo de los datos en el archivo Calidad del
almidón.IDB2. ..............................................................................................................................................................69
Figura 47: Encabezamiento de la tabla de datos del archivo Calidad del Almidón.IDB2.............................................70
Figura 48: Ventana de selección de variables para Modelos lineales generales y mixtos con datos del archivo Calidad
del Almidón.IDB2. .......................................................................................................................................................70
Figura 49: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Calidad del Almidón.IDB2. ....71
Figura 50: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Calidad del Almidón.IDB2.
......................................................................................................................................................................................72
Figura 51: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Calidad del Almidón.IDB2
que contempla otra forma de especificar la parte aleatoria. ..........................................................................................74
Figura 52: Relación entre cobertura y tiempo para cinco tratamientos del archivo Cobertura forrajes.IDB2..............78
Figura 53: Ventana de selección de variables para Modelos lineales generales y mixtos con datos del ejemplo
Cobertura forrajes.IDB2. ..............................................................................................................................................80
Figura 54: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Cobertura forrajes.IDB2. ........81
Figura 55: Ventana con la solapa Correlación desplegada para los datos del archivo Cobertura forrajes.IDB2 y
selección de Errores independientes (Modelo 1). .........................................................................................................82
Figura 56: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Cobertura forrajes.IDB2
con selección de función varIdent con tiempo como criterio de agrupamiento (Modelo 2)..........................................83
Figura 57: Ventana con la solapa Correlación desplegada para los datos del archivo Cobertura forrajes.IDB2 y
selección de simetría compuesta para datos agrupados por parcela (Modelo 3). .........................................................84
Figura 58: Ventana con la solapa Correlación desplegada para los datos del archivo Cobertura forrajes.IDB2 y
selección de modelo Autorregresivo de orden 1 para datos agrupados por parcela y orden de las observaciones
indicado por la variable Tiempo (Modelo 5). ...............................................................................................................85
Modelos Mixtos en InfoStat
186
Figura 59: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Cobertura forrajes.IDB2
con parcela como criterio de estratificación (Modelo 7)...............................................................................................87
Figura 60: Ventana con la solapa Correlación desplegada para los datos del archivo Cobertura forrajes.IDB2 y
selección de modelo Autorregresivo continuo de orden 1 para datos agrupados por parcela y orden de las
observaciones indicado por la variable Tiempo (Modelo 8). ........................................................................................88
Figura 61: Ventana con la solapa Correlación desplegada para los datos del archivo Cobertura forrajes.IDB2 y
selección de modelo Sin estructura para datos agrupados por parcela y orden de las observaciones indicado por la
variable Tiempo (Modelo 9). ........................................................................................................................................89
Figura 62: Ventana del Calculador de probabilidades y cuantiles de InfoStat. .............................................................93
Figura 63: Ventana con la solapa Comparaciones desplegada para los datos del archivo Cobertura forrajes.IDB2 y
selección de la subsolapa Contrastes. ...........................................................................................................................94
Figura 64: Ventana de selector de variables con los datos del archivo CapacidadRespiratoria.IDB2. .........................97
Figura 65: Ventana con la solapa Efectos fijos desplegada con los datos del archivo CapacidadRespiratoria.IDB2. ..98
Figura 66: Ventana con la solapa Correlación desplegada, opción Simetría compuesta, con los datos del archivo
CapacidadRespiratoria.IDB2. .......................................................................................................................................99
Figura 67: Ventana con la solapa Correlación desplegada, opción Autorregresivo de orden 1, con los datos del
archivo CapacidadRespiratoria.IDB2. ........................................................................................................................100
Figura 68: Ventana con la solapa Heteroscedasticidad desplegada con los datos del archivo
CapacidadRespiratoria.IDB2. .....................................................................................................................................101
Figura 69: Ventana con la solapa Efectos aleatorios desplegada con los datos del archivo
CapacidadRespiratoria.IDB2. .....................................................................................................................................102
Figura 70: Ventana con la solapa Correlación desplegada, opción Sin estructura, con los datos del archivo
CapacidadRespiratoria.IDB2. .....................................................................................................................................103
Figura 71: Ventana de selector de variables para los datos del archivo MedCapRes.IDB2........................................107
Figura 72: Ventana de selector de variables con solapa Particiones activada para los datos del archivo
MedCapRes.IDB2.......................................................................................................................................................108
Figura 73: Gráfico de puntos para estudiar la interacción entre tratamientos y hora con los datos del archivo
CapacidadRespiratoria.IDB2. .....................................................................................................................................109
Figura 74: Ventana con la solapa Comparaciones, subsolapa Contrastes con los datos del archivo
CapacidadRespiratoria.IDB2. .....................................................................................................................................110
Figura 75: Gráfico de puntos para el logaritmo del peso seco remanente en función del tiempo, para los cuatro
tratamientos (Especie-Bolsa). Archivo Descomposición.IDB2. .................................................................................113
Figura 76: Especificación del modelo de regresión lineal con ordenadas al origen y pendientes diferentes para el
logaritmo de la materia seca remanente en función del tiempo para cuatro tratamientos dados por la especie de origen
del material vegetal y el tramado de la bolsa que lo almacena. Archivo Descomposición.IDB2. ..............................114
Figura 77: Gráfico de puntos para el logaritmo del peso seco remanente en función del tiempo, para los cuatro
tratamientos (Especie-Bolsa). Archivo Descomposición.IDB2. .................................................................................115
Modelos Mixtos en InfoStat
187
Figura 78: Gráfico de residuos estudentizados (Pearson) vs. Tiempo, para un modelo de regresión de la materia seca
residual en función del tiempo para cuatro tratamientos (Especia-Bolsa) con diferentes ordenadas y pendientes.
Archivo Descomposición.IDB2..................................................................................................................................116
Figura 79: Especificación del modelo de regresión lineal con ordenadas y pendientes diferentes para el logaritmo de
la materia seca remanente en función del tiempo para cuatro tratamientos dados por la especie de origen del material
vegetal y el tramado de la bolsa que lo almacena. Archivo Descomposición.IDB2. ..................................................116
Figura 80: Ajustes del modelo de regresión polinómica de orden 2 con ordenadas y pendientes diferentes para el
logaritmo de la materia seca remanente en función del tiempo y el tiempo^2 (centrados) para cuatro tratamientos
dados por la especie de origen del material vegetal y el tramado de la bolsa que lo almacena. Archivo
Descomposición.IDB2................................................................................................................................................117
Figura 81: Residuos estudentizados (Pearson) vs. Tiempo para el modelo de regresión polinómica de orden 2 con
ordenadas y pendientes diferentes para el logaritmo de la materia seca remanente en función del tiempo y el tiempo^2
(centrados) para cuatro tratamientos dados por la especie de origen del material vegetal y el tramado de la bolsa que
lo almacena. Archivo Descomposición.IDB2.............................................................................................................118
Figura 82: Especificación de la parte heteroscedástica del modelo de regresión polinómica de orden 2 con ordenadas
y pendientes diferentes para el logaritmo de la materia seca remanente en función del tiempo y el tiempo^2
(centrados) para cuatro tratamientos dados por la especie de origen del material vegetal y el tramado de la bolsa que
lo almacena. Archivo Descomposición.IDB2.............................................................................................................118
Figura 83: Residuos estudentizados (Pearson) vs Tiempo para el modelo heteroscedástico de regresión con ordenadas
y pendientes diferentes por tratamiento para el logaritmo de la materia seca remanente en función del tiempo y el
tiempo^2 (centrados) para cuatro tratamientos dados por la especie de origen del material vegetal y el tramado de la
bolsa que lo almacena. Archivo Descomposición.IDB2.............................................................................................119
Figura 84: Especificación de la parte aleatoria del modelo heteroscedástico de regresión polinómica de orden 2 con
ordenadas y pendientes diferentes para el logaritmo de la materia seca remanente en función del tiempo y el tiempo^2
(centrados) para cuatro tratamientos dados por la especie de origen del material vegetal y el tramado de la bolsa que
lo almacena. Archivo Descomposición.IDB2.............................................................................................................120
Figura 85: Residuos estudentizados (Pearson) vs Tiempo para el modelo heteroscedástico de regresión con ordenadas
y pendientes diferentes por tratamiento y el agregado de un efecto aleatorio sobre la constante que es particular para
cada combinación de tiempo y tratamiento, para el logaritmo de la materia seca remanente en función del tiempo y el
tiempo^2 (centrados) para cuatro tratamientos dados por la especie de origen del material vegetal y el tramado de la
bolsa que lo almacena. Archivo Descomposición.IDB2.............................................................................................120
Figura 86: Intérprete de R. Tiene 4 paneles. Script: contiene el o los programas R que se quieren ejecutar. Output: la
salida de la ejecución de un script o de la visualización de un objeto, Objetos: la lista de los objetos residente en la
memoria de R. Finalmente un panel inferior muestra los mensajes y reporte de errores que envía R a la consola.....121
Figura 87: Curvas de tasas de descomposición según especie y tramado de la bolsa de almacenamiento..................124
Figura 88: Ventana con la solapa Efectos fijos desplegada para los datos del archivo ECRmaní.IDB2 y el Modelo BF.
....................................................................................................................................................................................129
Figura 89: Ventana con la solapa Efectos fijos desplegada para los datos del archivo ECRmaní.IDB2 y el Modelo
BA. .............................................................................................................................................................................129
Modelos Mixtos en InfoStat
188
Figura 90: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo ECRmaní.IDB2 y el
Modelo BA. ................................................................................................................................................................130
Figura 91: Ventana con la solapa Heteroscedasticidad usando local como criterio de agrupamiento para los datos del
archivo ECRmaní.IDB2 y los Modelos BFH y BAH. ................................................................................................131
Figura 92: Ventana con la solapa Correlación usando las variables la y lon como coordenadas en X e Y
respectivamente y local como criterio de agrupamiento para los datos del archivo ECRmaní.IDB2 y los Modelos Exp
y BFExp......................................................................................................................................................................132
Figura 93: Diagrama de puntos para estudiar la interacción entre localidades y genotipos para la variable rendimiento.
....................................................................................................................................................................................146
Figura 94: Esquema de un experimento conducido bajo un diseño strip-plot repetido en bloques completos al azar,
con la aleatorización para un bloque particular de los factores cantidad de nitrógeno y cantidad de riego. Datos del
archivo StripPlot.IDB2. ..............................................................................................................................................148
Figura 95: Ventana del procedimiento de Análisis de varianza con la solapa Modelo desplegada para los datos del
archivo StripPlot.IDB2. ..............................................................................................................................................149
Figura 96: Diagramas de puntos para estudiar la interacción entre Riego y Nitrógeno y su efecto sobre el rendimiento.
Datos archivo StripPlot.IDB2. ....................................................................................................................................151
Figura 97: Ventana con la solapa Efectos fijos desplegada para evaluar un modelo mixto con los datos del archivo
StripPlot.IDB2 . ..........................................................................................................................................................152
Figura 98: Ventana con la solapa Efectos aleatorios desplegada para evaluar un modelo mixto con los datos del
archivo StripPlot.IDB2 . .............................................................................................................................................153
Figura 99: Ventana se selector de variable para Modelos lineales generales y mixtos los datos del archivo
Lombrices.IDB2. ........................................................................................................................................................157
Figura 100: Ventana con la solapa Efectos fijos desplegada para evaluar un modelo mixto con los datos del archivo
Lombrices.IDB2. ........................................................................................................................................................158
Figura 101: Ventana con la solapa Correlación desplegada para evaluar un modelo mixto con correlación espacial
exponencial en los datos del archivo Lombrices.IDB2...............................................................................................159
Figura 102: Ventana con la solapa Correlación desplegada para evaluar un modelo mixto con correlación
autorregresiva de orden 1 en los datos del archivo Lombrices.IDB2..........................................................................161
Figura 103: Herramientas gráficas para diagnóstico obtenidas para los datos del archivo Lombrices.IDB2..............163
Figura 104: Ventana con la solapa Heteroscedasticidad desplegada para evaluar un modelo mixto con en los datos del
archivo Lombrices.IDB2. ...........................................................................................................................................164
Figura 105: Diagramas de puntos para estudiar la interacción entre tratamientos y profundidad y su efecto sobre la
biomasa. Datos archivo Lombrices.IDB2. ..................................................................................................................166
Figura 106: Ventana con la solapa Comparaciones y la subsolapa Contrastes desplegada para evaluar un modelo
mixto con los datos del archivo Lombrices.IDB2.......................................................................................................167
Figura 107: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Testigos_apareados.IDB2. ..170
Figura 108: Ventana con la solapa Correlación desplegada para los datos del archivo Testigos_apareados.IDB2 y
selección de Correlación espacial exponencial. ..........................................................................................................172
Modelos Mixtos en InfoStat
189
Figura 109: Ventana con la solapa Correlación desplegada para los datos del archivo Testigos_apareados.IDB2 y
selección de Correlación espacial Gaussiana..............................................................................................................173
Figura 110: Ventana con la solapa Correlación desplegada para los datos del archivo Testigos_apareados.IDB2 y
selección de Correlación espacial lineal. ....................................................................................................................174
Figura 111: Ventana con la solapa Correlación desplegada para los datos del archivo Testigos_apareados.IDB2 y
selección de Correlación espacial “rational quadratic”...............................................................................................175
Figura 112: Ventana con la solapa Correlación desplegada para los datos del archivo Testigos_apareados.IDB2 y
selección de Correlación espacial esférica..................................................................................................................176
Figura 113: Ventana de selección de variables para Modelos lineales generales y mixtos con datos del archivo
Testigos_apareados.IDB2...........................................................................................................................................179
Recommended