Simulación de ensayos en blanco para determinar la potencia estadística de experimentos en arroz
DOI:
https://doi.org/10.15517/am.v32i1.40870Palabras clave:
potencia de prueba, número de repeticiones, simulaciones geoestadísticas, campos aleatoriosResumen
Introducción. El análisis prospectivo de la potencia estadística de una prueba de hipótesis debería ser una de las etapas más importantes de cualquier experimento, sin embargo, se omite con frecuencia. En Costa Rica, dentro de la bibliografía consultada, no se encontraron investigaciones relacionadas con este tema para experimentos de rendimiento en el cultivo de arroz. Objetivo. Simular ensayos en blanco para determinar la potencia estadística de un diseño completamente aleatorizado para experimentos de rendimiento de arroz en Bagaces, Costa Rica. Materiales y métodos. Se estimaron los parámetros del proceso de correlación espacial de un ensayo en blanco establecido en Bagaces, Costa Rica. Luego, las estimaciones se utilizaron para realizar 10 000 simulaciones de campos aleatorios de mayor tamaño, lo que permitió superponer diferente número de repeticiones y estimar la potencia lograda para detectar una diferencia del 10 % con respecto a la media en un experimento completamente aleatorizado a un nivel de significación del 5 %. Resultados. La potencia del 80 % se obtuvo con cinco repeticiones. Conclusión. En ensayos de rendimiento en arroz, para detectar una diferencia de medias del 10 % a un nivel de significación del 5 %, en esta investigación se requirió de cinco o más repeticiones.
Descargas
Citas
Ahn, C., Heo, M., & Zhang, S. (2015). Sample size calculations for clustered and longitudinal outcomes in clinical research. CRC Press, Taylor & Francis.
Bivand, R. S., Pebesma, E. J., & Gómez-Rubio, V. (2013). Applied spatial data analysis with R. Springer. https://doi.org/10.1007/978-1-4614-7618-4
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates Inc.
Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159. https://doi.org/10.1037//0033-2909.112.1.155
Cressie, N. (1993). Statistics for spatial data (2nd ed.). Wiley-Interscience. https://doi.org/10.1002/9781119115151
Diggle, P. J., & Ribeiro, P. J. (2010). Model-based geostatistics. Springer.
Fagroud, M., & Meirvenne, M. V. (2002). Accounting for Soil Spatial Autocorrelation in the Design of Experimental Trials. Soil Science Society of America Journal, 66(4), 1134–1142. https://doi.org/10.2136/sssaj2002.1134
Gbur, E. E., Stroup, W. W., McCarter, K. S., Durham, S., Young, L. J., Christman, M., West, M., & Kramer, M. (2012). Analysis of generalized linear mixed models in the agricultural and natural resources sciences (Chapter 7). American Society of Agronomy, Soil Science Society of America, and Crop Science Society of America.
Gent, D. H., Esker, P. D., & Kriss, A. B. (2018). Statistical Power in Plant Pathology Research. Phytopathology, 108(1), 15–22. https://doi.org/10.1094/phyto-03-17-0098-le
González, M. I. (2008). Potencia de prueba: La gran ausente en muchos trabajos científicos. Agronomía Mesoamericana, 19(2), 309–313. https://doi.org/10.15517/am. v19i2.5015
Instituto Nacional de Innovación y Transferencia en Tecnología Agropecuaria. (2008). Manual de recomendaciones del cultivo de arroz. Instituto Nacional de Innovación y Transferencia en Tecnología Agropecuaria.
Kuehl, R. (2001). Diseño de experimentos: Principios estadísticos de diseño y análisis de investigación (2nd ed.). International Thomson.
Lapeña, B. P., Wijnberg, K. M., Stein, A., & Hulscher, S. J. (2011). Spatial factors affecting statistical power in testing marine fauna displacement. Ecological Applications, 21(7), 2756–2769. https://doi.org/10.1890/10-1887.1
Montgomery, D. C. 2019. Design and analysis of experiments (8th ed.). John Wiley & Sons.
Murphy, K. R., Myors, B., & Wolach, A. H. (2014). Statistical power analysis: A simple and general model for traditional and modern hypothesis tests (4th ed.). Routledge.
Petitgas, P., Woillez, M., Rivoirard, J., Renard, D., and Bez, N. (2017). Handbook of geostatistics in R for fisheries and marine ecology. ICES Cooperative Research Report.
Pinheiro, J., Bates D., DebRoy S., & Sarkar, D. (2016). nlme: Linear and nonlinear mixed effects models. R package. http://CRAN.R-project.org/package=nlme.
Quinn, G., & Keough, M. (2002). Experimental Design and Data Analysis for Biologists (1st ed. Chapter 7). Cambridge University Press.
R Core Team. (2017). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
Ribeiro, P.J., & Diggle, P.J. (2001). GeoR: A Package for Geostatistical Analysis. R-News, 1, 14–18.
Richter, C., & Kroschewski, B. (2012). Geostatistical Models in Agricultural Field Experiments: Investigations Based on Uniformity Trials. Agronomy Journal, 104(1), 91–105. https://doi.org/10.2134/agronj2011.0100
Robledo, W. (2015). Diseño y análisis de experimentos a un criterio de clasificación. In: M. Balzarini, J. Di Rienzo, M. Tablada, L. González, C. Bruno, M. Córdoba, W. Robledo, & F. Casanoves (Eds.), Estadística y biometría: Ilustraciones del uso de Infostat en problemas de agronomía (2nd ed., pp. 257–285). Editorial Brujas.
Rodríguez, N., Sánchez, H., & Pacheco, P. (1993). Determinación de tamaño y forma óptimos de parcela para ensayos de rendimiento con café. Revista Colombiana de Estadística, 14(27), 50–64.
Rosselló, J. M., & Fernández, M. (1986). Guía técnica para ensayos de variedades en campo. Organización de las Naciones Unidas para la Agricultura y la Alimentación.
Stroup, W.W. (1999). Mixed model procedures to assess power, precision, and sample size in the design of experiments. In American Statistical Association (Ed.) Proceedings Biopharmaceutical Section American Statistical Association (pp. 15–24). American Statistical Association; Biopharmaceutical Section.
Stroup, W. W. (2002). Power analysis based on spatial effects mixed models: A tool for comparing design and analysis strategies in the presence of spatial variability. Journal of Agricultural, Biological, and Environmental Statistics, 7(4), 491–511. https://doi.org/10.1198/108571102780.
Vargas, J. C., & J. R. Navarro. (2019). Tamaño y forma de unidad experimental para ensayos de rendimiento de arroz (Oryza sativa), en Guanacaste, Costa Rica. Cuadernos de Investigación, 11(3), 355–360. https://doi.org/10.22458/urj.v11i3.2653
West, B. T., Welch, K. B., & Gałecki, A. T. (2015). Linear mixed models: A practical guide using statistical software (2 ed.). Chapman & Hall/CRC.
Archivos adicionales
Publicado
Cómo citar
Número
Sección
Licencia
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).
