Experimentos agrícolas con medidas repetidas en el tiempo: comparación entre estrategias de análisis
DOI:
https://doi.org/10.15517/am.v34i2.52634Palabras clave:
biometría, modelos estadísticos, análisis de la varianza, análisis multivariante, análisis estadísticoResumen
Introducción. Diversas técnicas de modelación se han utilizado para analizar experimentos con medidas repetidas en el tiempo; no obstante, algunas de estas no son pertinentes en la actualidad. Objetivo. Comparar cuatro estrategias de análisis que se usan para analizar experimentos agrícolas con evaluaciones a través del tiempo. Materiales y métodos. Se utilizaron datos de un experimento donde se evaluó el efecto de distintas fuentes de fertilizante nitrogenado sobre el contenido de clorofila en un pasto forrajero a diferentes edades de cosecha. Estos datos se analizaron con cuatro estrategias: índice de área bajo la curva (IABC), análisis de la varianza multivariado (MANOVA), efecto aleatorio de la unidad experimental y modelación de la correlación temporal. Las dos últimas estrategias se realizaron bajo la teoría de modelos lineales mixtos; en estas se ajustaron diferentes modelos, todos con la misma estructura de efectos fijos, pero con diferentes efectos aleatorios, estructura de correlación residual o estructura de varianza residual. Mediante criterios de verosimilitud penalizada [criterio de información de Akaike (AIC) y criterio de información Bayesiano (BIC)] se eligió el modelo de mejor ajuste, con este se realizaron inferencias acerca de las medias de los efectos fijos que fueron significativos y se comparó con los resultados obtenidos de las estrategias IABC y MANOVA. Resultados. El modelo lineal mixto de mejor ajuste tuvo una estructura de correlación de simetría compuesta y varianza heterocedástica. Este modelo permitió analizar la interacción tratamiento × tiempo; por el contrario, tanto el MANOVA como el IABC, no permitieron analizar las tendencias temporales de los tratamientos. Conclusión. El modelo lineal mixto de mejor ajuste posibilitó seleccionar el mejor tratamiento en función del tiempo de evaluación. Por el contrario, tanto el MANOVA como el IABC condujeron a la selección de tratamientos que no fueron los mejores en todos los tiempos de evaluación.
Descargas
Referencias
Arnau, J., & Bono, R. (2008). Estudios longitudinales: modelos de diseño y análisis. Escritos de Psicología, 2(1), 32–41. DOI: https://doi.org/10.24310/espsiescpsi.v2i1.13356
Barrios Maestre, R., & Silva-Acuña, R. (2019). Pertinencia de uso del análisis estadístico de medidas repetidas en la investigación agrícola. Agronomía Tropical, 69, 9–17.
Beale, C. M., Lennon, J. J., Yearsley, J. M., Brewer, M. J., & Elston, D. A. (2010). Regression analysis of spatial data. Ecology Letters, 13, 246–264. https://doi.org/10.1111/J.1461-0248.2009.01422.X DOI: https://doi.org/10.1111/j.1461-0248.2009.01422.x
Bell, M. L., King, M. T., & Fairclough, D. L. (2014). Bias in area under the curve for longitudinal clinical trials with missing patient reported outcome data: Summary measures versus summary statistics. SAGE Open, 4(2). https://doi.org/10.1177/2158244014534858 DOI: https://doi.org/10.1177/2158244014534858
Dale, M. R. T., & Fortin, M. J. (2014). Spatial analysis. A guide for ecologists (2nd ed.). Cambridge University Press. DOI: https://doi.org/10.1017/CBO9780511978913
Demidenko, E. (2013). Mixed models: Theory and applications with R (2nd ed.). Wiley.
Di Rienzo, J. A., Casanoves, F., Balzarini, M. G., Gonzalez, L., Tablada, M., & Robledo, C. W. (2020). Infostat (Versión 2020) [programa de computadora]. Centro de Transferencia InfoStat. https://www.infostat.com.ar/index.php?mod=page&id=15
Di Rienzo, J. A., Casanoves, F., Gonzalez, L., Tablada, E., Díaz, M., Robledo, C., & Balzarini, M. (2005). Diseño de experimentos. In J. Di Rienzo., & F. Casanoves (Eds.), Estadística para las ciencias agropecuarias (7ª ed., pp. 245–274). Editorial Brujas.
Di Rienzo, J. A., Guzmán, A. W., & Casanoves, F. (2002). A multiple-comparisons method based on the distribution of the root node distance of a binary tree. Journal of Agricultural, Biological, and Environmental Statistics, 7(2), 129–142. https://doi.org/10.1198/10857110260141193 DOI: https://doi.org/10.1198/10857110260141193
Gómez, S., Torres, V., García, Y., & Navarro, J. A. (2012). Procedimientos estadísticos más utilizados en el análisis de medidas repetidas en el tiempo en el sector agropecuario. Revista Cubana de Ciencia Agrícola, 46(1), 1–7.
Gueorguieva, R., & Krystal, J. H. (2004). Move over ANOVA: progress in analyzing repeated-measures data and its reflection in papers published in the Archives of General Psychiatry. Archives of General Psychiatry, 61(3), 310–317. https://doi.org/10.1001/ARCHPSYC.61.3.310 DOI: https://doi.org/10.1001/archpsyc.61.3.310
Lawal, B. (2014). Applied statistical methods in agriculture, health and life sciences. Springer Cham. https://doi.org/10.1007/978-3-319-05555-8 DOI: https://doi.org/10.1007/978-3-319-05555-8
Legendre, P., & Fortin, M. J. (1989). Spatial pattern and ecological analysis. Vegetatio, 80(2), 107–138. https://doi.org/10.1007/BF00048036 DOI: https://doi.org/10.1007/BF00048036
Littell, R. C., Milliken, G. A., Stroup, W. W., Wolfinger, R. D., & Schabenberger, O. (2006). SAS for mixed models (2nd ed.). SAS Institute Inc.
Mets, K. D., Armenteras, D., & Dávalos, L. M. (2017). Spatial autocorrelation reduces model precision and predictive power in deforestation analyses. Ecosphere, 8(5), Article e01824. https://doi.org/10.1002/ECS2.1824 DOI: https://doi.org/10.1002/ecs2.1824
Montgomery, D. C. (2020). Design and analysis of experiments (10th ed.). John Wiley & Sons, Inc.
Navarro Flores, J. R. (2012). La técnica del área bajo la curva. Centro de Protección de Cultivos. https://www.kerwa.ucr.ac.cr/handle/10669/585
Peterson, T. A., Blackmer, T. M., Francis, D. D., & Schepers, J. S. (1993). G93-1171 using a chlorophyll meter to improve N management. University of Nebraska. https://digitalcommons.unl.edu/cgi/viewcontent.cgi?article=2349&context=extensionhist
Pinheiro, J. C., & Bates, D. M. (2000). Mixed-effects models in S and S-PLUS. Springer-Verlag. DOI: https://doi.org/10.1007/978-1-4419-0318-1
Powers, S. J., & Kozak, M. (2019). Repeated measures: There’s added value in modelling over time. Annals of Applied Biology, 175(2), 129–135. https://doi.org/10.1111/aab.12534 DOI: https://doi.org/10.1111/aab.12534
R Core Team. (2020). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
Rosopa, P. J., Schaffer, M. M., & Schroeder, A. N. (2013). Managing heteroscedasticity in general linear models. Psychological Methods, 18(3), 335–351. https://doi.org/10.1037/A0032553 DOI: https://doi.org/10.1037/a0032553
Shi, L., Hatsukami, D. K., Koopmeiners, J. S., Le, C. T., Benowitz, N. L., Donny, E. C., & Luo, X. (2021). A mixed effects model for analyzing area under the curve of longitudinally measured biomarkers with missing data. Pharmaceutical Statistics, 20(6), 1249–1264. https://doi.org/10.1002/pst.2146 DOI: https://doi.org/10.1002/pst.2146
Signorell, A. (2022). Tools for descriptive statistics and exploratory data analysis (Version 0.99.44) [Computer software]. R Core Team. https://cran.r-project.org/package=DescTools
Stroup, W. W., Milliken, G. A., Claassen, E. A., & Wolfinger, R. D. (2018). SAS for Mixed models: Introduction and basic applications (2nd ed.). SAS Institute Inc.
Verbeke, G., & Molenberghs, G. (2000). Linear mixed models for longitudinal data. Springer. https://doi.org/10.1007/978-1-4419-0300-6 DOI: https://doi.org/10.1007/978-1-4419-0300-6
West, B. T., Welch, K. B., & Gałecki, A. T. (2015). Linear mixed models. A practical guide using statistical Software (2nd ed.). CRC Press. DOI: https://doi.org/10.1201/b17198
Wilcox, R. R. (1986). Controlling power in a heteroscedastic ANOVA procedure. British Journal of Mathematical and Statistical Psychology, 39(1), 65–68. https://doi.org/10.1111/J.2044-8317.1986.TB00845.X DOI: https://doi.org/10.1111/j.2044-8317.1986.tb00845.x
Zea, J. F., Murcia, M. A., & Poveda, F. E. (2014). Modelos mixtos aplicados a la productividad de hojarasca. Comunicaciones En Estadística, 7(2), 173–189. https://doi.org/10.15332/S2027-3355.2014.0002.04 DOI: https://doi.org/10.15332/s2027-3355.2014.0002.04
Zuur, A. F., Ieno, E. N., Walker, N., Saveliev, A. A., & Smith, G. M. (2009). Dealing with heterogeneity. In M. Gail., K. Krickeberg., J. M. Samet., A. Tsiatis., & W. Wong (Eds.), Mixed effects models and extensions in ecology with R. Springer. https://doi.org/10.1007/978-0-387-87458-6 DOI: https://doi.org/10.1007/978-0-387-87458-6_4
Archivos adicionales
Publicado
Número
Sección
Licencia
Derechos de autor 2023 Jorge Claudio Vargas-Rojas, Alejandro Vargas-Martínez, Eduardo Corrales-Brenes (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Cómo citar
