Estrategias de modelado para determinar la dosis efectiva de herbicidas
DOI:
https://doi.org/10.15517/am.2025.62055Palabras clave:
regresión logística, herbicida, dosis-respuesta, análisis estadístico, dosis efectivaResumen
Introducción. Los ensayos de dosis-respuesta se utilizan con el objetivo de seleccionar la dosis eficiente de herbicidas en el manejo de arvenses. El análisis de datos en estos experimentos ha recibido críticas debido al uso de modelos estadísticos que no se ajustan a la distribución de la variable respuesta, la omisión de la estructura original del diseño experimental y la preferencia por modelos parciales en lugar de ajustar un modelo único. Los modelos no lineales mixtos se presentan como una alternativa más precisa para analizar estos experimentos. Objetivo. Determinar una dosis efectiva de un herbicida mediante tres estrategias de modelación en ensayos de dosis-respuesta. Materiales y métodos. Se realizaron dos experimentos independientes en invernaderos localizados en Tambor de Alajuela, Costa Rica durante el 2012, en los que se cuantificó el peso fresco (PF) en gramos (g) de un biotipo de Paspalum paniculatum L. en función de los gramos de equivalente ácido (GEA) de un herbicida, bajo un diseño en bloques completos al azar. Se utilizó como base un modelo de regresión logística de cuatro parámetros, y se ajustaron tres variantes del modelo. Mediante los criterios de información penalizada [criterio de información de Akaike (AIC) y criterio de información Bayesiano (BIC)], se seleccionó el modelo con mejor ajuste y menor incertidumbre. Resultados. La estrategia que consideró el experimento y el bloque dentro de cada experimento como efectos aleatorios resultó ser la más precisa. Este modelo estimó el intervalo de confianza (95 %) para la dosis efectiva media de GEA entre 335,12 y 384,32 g. Conclusión. Integrar la información de experimentos independientes como efectos aleatorios en un único modelo, generó estimaciones más precisas de la dosis efectiva de glifosato.
Descargas
Citas
Burgos, N., Tranel, P., Streibig, J., Davis, V., Shaner, D., Norsworthy, J., & Ritz, C. (2013). Review: Confirmation of Resistance to Herbicides and Evaluation of Resistance Levels. Weed Science, 61(1), 4-20. https://doi.org/10.1614/WS-D-12-00032.1
Davidian, M; Giltinan, D. (2003). Nonlinear models for repeated measurements: an overview and update. Agricultural Biological and Environmental Statistics 8(4): 387-419. DOI 10.1198/1085711032697.
Di Rienzo, J. A., Casanoves, F., Balzarini, M. G., Gonzalez, L., Cuadroda, M., & Robledo, C. W. (2020). Infostat (No. 2020) [Software]. Centro de Transferencia InfoStat. https://www.infostat.com.ar/index.php?mod=page&id=15
European and Mediterranean Plant Protection Organization. (2012). PP 1/152 (4) Design and analysis of efficacu evaluation trials. EPPO Bulletin, 42(3), 367–381. https://doi.org/ 10.1111/epp.2610
European and Mediterranean Plant Protection Organization. (2017). PP 1/214 (4) Principles of acceptable efficacy. EPPO Bulletin, 47(3), 293–296. https://doi.org/10.1111/EPP.12395
Food and Agriculture Organization of the United Nations. (2006), Guidelines on efficacy data for the registration of pesticides for plant protection. https://openknowledge.fao.org/server/api/core/bitstreams/fa44518f-e597-4e96-9764-4d4f49229a36/content
Fox, J., & Weisberg, S. (2019). An R Companion to Applied Regression (3rd edition). Sage
Gerhard, D., & Ritz, C. (2017). Marginalization in nonlinear mixed-effects models with an application to dose-response analysis. https://doi.org/10.48550/arXiv.1707.02502
Keshtkar, E., Kudsk, P., & Mesgaran, M. B. (2021). Perspective: common errors in dose-response analysis and how to avoid them. Pest Management Science. 77(6), 2599–2608. https://doi.org/10.1002/ps.6268
Leguizamon, E. S., Ferrari, G., Williams, M. M., Burgos, N. R., Travlos, I., & Korres, N. E. (2019). Response of Annual Weeds to Glyphosate: Evaluation and optimization of application rate based on fecundity-avoidance biomass threshold criterion. Agronomy, 9(12), 851-865. https://doi.org/10.3390/AGRONOMY9120851
Nielsen, O. K., Ritz, C., & Streibig, J. C. (2004). Nonlinear Mixed-Model Regression to Analyze Herbicide Dose–Response Relationships. Weed Technology, 18(1), 30–37. https://doi.org/10.1614/WT-03-070R1
Pinheiro, J. C. & Bates, D. M. (2000) Mixed-Effects Models in S and S-PLUS. Springer.
Ramirez, F. (2017). Mecanismo de resistencia de paspalum paniculatum l. (poaceae) al herbicida glifosato [Tesis de Doctorado, Instituto Tecnológico de Costa Rica]. Repositorio TEC. https://repositoriotec.tec.ac.cr/handle/2238/10069
R Core Team. (2024). R: A language and environment for statistical computing (No. 2024) [Software]. R Foundation for Statistical Computing. https://www.r-project.org/
Ritz, C., Baty, F., Streibig, J. C., & Gerhard, D. (2015). Dose-Response Analysis Using R. PLOS ONE, 10(12), e0146021. https://doi.org/10.1371/journal.pone.0146021
Ritz, C., Jensen, S. M., Gerhard, D., & Streibig, J. C. (2019). Dose-Response Analysis Using R (1st ed.). Chapman and Hall/CRC. https://doi.org/10.1201/b21966
Ryan, T. P. (2004). Planning, Construction, and Statistical Analysis of Comparative Experiments. Journal of Quality Technology, 36(4), 454–457. https://doi.org/10.1080/00224065.2004.11980292
Schabenberger, O., Tharp, B., Kells, J., & Penner, D. (1999). Statistical Tests for Hormesis and Effective Dosages in Herbicide Dose Response. Agronomy Journal, 91(4), 714-721. https://doi.org/10.2134/agronj1999.914713x
Seefeldt, S., Erik Jensen, J., & Fuerst, P. (1995). Log-logistic analysis of herbicide dose-response relationships. Weed Technology, 9(2), 218–227. http://www.jstor.org/stable/3987736
Streibig, J. (1980) Models for curve-fitting herbicide dose-response data. Acta Agriculturae Scandinavica, 30(1), 59–63. https://doi.org/10.1080/00015128009435696
Szöcs, E. & Schäfer, R. B. (2015). Ecotoxicology is not normal: A comparison of statistical approaches for analysis of count and proportion data in ecotoxicology. Environmental Science and Pollution Research, 22, 13990-13999. https://doi.org/10.1007/s11356-015-4579-3
Wickham, H. (2016). ggplot2: Elegant graphics for data analysis (2nd ed.). Springer International Publishing. https://doi.org/10.1007/978-0-387-98141-3
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Alejandro Vargas Martinez, Jorge Claudio Vargas-Rojas, Eduardo Corrales Brenes

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
1. Política propuesta para revistas de acceso abierto
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos morales de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución, no comercial y sin obra derivada de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista, no se puede hacer uso de la obra con propósitos comerciales y no se puede utilizar las publicaciones para remezclar, transformar o crear otra obra.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).