Análisis de covarianza para el control retrospectivo del sesgo en investigación agrícola: aplicación con R
DOI:
https://doi.org/10.15517/n6pcpy68Palabras clave:
Modelos estadísticos, Análisis de datos, Bioestadística, Análisis de varianza, Análisis estadísticoResumen
Este trabajo se desarrolló en el marco del curso diseño de experimentos II de la carrera de agronomía de la Universidad de Costa Rica en 2023 con el objetivo de explicar el uso del análisis de covarianza (ANCOVA) como método de análisis de datos con el lenguaje de programación R. Se utilizó una base de datos que describe un experimento bajo un diseño de bloques completos al azar (DBCA) en el que se midió el número de plantas por unidad experimental para controlar su posible efecto sobre el rendimiento de seis variedades de maíz. Se ajustaron cuatro modelos: el modelo_rl para evaluar la viabilidad, el modelo_hp para evaluar la homogeneidad de las pendientes, y dos modelos adicionales, el modelo_scov sin efecto de la covariable y el modelo_cov con la covariable. Para la evaluación de estos últimos dos modelos, se utilizaron los criterios de información penalizada [criterio de información de Akaike (AIC), criterio de información Bayesiano (BIC)] y la prueba de hipótesis basada en el cociente de verosimilitud (LRT). El modelo_cov tuvo mejor ajuste que el modelo modelo_scov; la inclusión de la covariable disminuyó el error residual, lo que produce mayor precisión en las estimaciones y permitió una comparación de medias insesgada. EL ANCOVA es una estrategia para considerar fuentes de variación secundarias difíciles de controlar pero que por su naturaleza cuantitativa son medibles.
Descargas
Referencias
Balzarini, M., Rienzo, J. Di, Tablada, M., Gonzalez, L., Bruno, C., Córdoba, M., Robledo, W., & Casanoves, F. (2015). Estadística y biometría: ilustraciones del uso de InfoStat en problemas de agronomía (2nd ed.). Editorial Brujas.
Barraza, F., Arancibia, M., Madrid, E., Papuzinski, C. (2019). General concepts in biostatistics and clinical epidemiology: random error and systematic error. Medwave, 19(7), Article e7687. https://doi.org/10.5867/medwave.2019.07.7687
Barrientos García, M. (1981). Evaluación de 4 métodos para la determinación de tamaño y forma óptimos de parcela para experimentación agrícola [Tesis de licenciatura, Universidad de San Carlos de Guatemala]. Repositorio Centroamericano SIIDCA-CSUCA. https://catalogosiidca.csuca.org/Record/USAC.91383
Correa Londoño, G. (2013). El análisis de covarianza como mecanismo de control de factores de confusión. Revista Facultad Nacional de Agronomía-Medellín, 66(1), 6981–6985. https://revistas.unal.edu.co/index.php/refame/article/view/39539
Egbewale, B. E., Lewis, M., & Sim, J. (2014). Bias, precision and statistical power of analysis of covariance in the analysis of randomized trials with baseline imbalance: a simulation study. BMC Medical Research Methodology, 14, Article 49. https://doi.org/10.1186/1471-2288-14-49
Gavilánez Luna, F. (2021). Diseños y análisis estadísticos para experimentos agrícolas. Ediciones Diaz de Santos S.A.
Gomez, K., & Gomez, A. (1984). Statistical Procedures for Agricultural Research (2nd ed.). Wiley.
Gomez, K. A. (1972). Techniques for field experiments with rice. Rice Research Institute.
Gómez, S., Torres, V., García, Y., Herrera, M., Medina, Y., & Rodríguez, R. (2019). Procedimiento estadístico para el análisis de experimentos con medidas repetidas en el tiempo en la esfera agropecuaria. Cuban Journal of Agricultural Science, 53(4), 353-360. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2079-34802019000400353&lng=es&tlng=es.
Huitema, B. E. (2020). Analysis of covariance (ANCOVA). Oxford Bibliographies https://doi.org/10.1093/obo/9780199828340-0256
Johnson, T. R. (2016). Violation of the homogeneity of regression slopes assumption in ANCOVA for two-group pre-post designs: tutorial on a modified Johnson-Neyman procedure. The Quantitative Methods for Psychology, 12(3), 253–263. https://doi.org/10.20982/tqmp.12.3.p253
Kahan, B. C., Rushton, H., Morris, T. P., & Daniel, R. M. (2016). A comparison of methods to adjust for continuous covariates in the analysis of randomized trials. BMC Medical Research Methodology, 16, Article 42. https://doi.org/10.1186/s12874-016-0141-3
Montgomery, D. C. (2020). Design and analysis of experiments (10th ed.). John Wiley & Sons.
Littell, R., Milliken, G., Stroup, W., Wolfinger, R., & Schabenberger, O. (2006). SAS for Mixed Models (2nd ed.). SAS Institute Inc.
Navarro Flores, J. R., & Vargas Rojas, J. C. (2015). Eficiencia relativa del diseño de bloques completos al azar para ensayos de arroz en Bagaces, Guanacaste, Costa Rica. Inter.Sedes, 16(32), 61-70. https://www.scielo.sa.cr/scielo.php?script=sci_arttext&pid=S2215-24582015000200061
Pérez-Rodríguez, M., Palacios-Cruz, L., Moreno, J., Rivas-Ruiz, R., & Talavera, J. O. (2014). Temas de actualidad Investigación clínica XIX del juicio clínico al análisis de covarianza. Revista Médica del Instituto Mexicano del Seguro Social, 52(1), 70-75. https://www.medigraphic.com/cgi-bin/new/resumen.cgi?IDARTICULO=47612
Peter, C. (2020). Analysis of Covariance. The International Encyclopedia of Communication Research Methods. https://doi.org/10.1002/9781118901731.iecrm0005
Pinheiro, J., Bates, D., DebRoy, S., Sarkar, D., & R Core Team. (2023). nlme: Linear and Nonlinear Mixed Effects Models. https://CRAN.R-project.org/package=nlme
RCore Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing. http://www.r-project.org.
Shieh G. (2017). On tests of treatment-covariate interactions: an illustration of appropriate power and sample size calculations. PLOS ONE, 12(5), Article e0177682. https://doi.org/10.1371/journal.pone.0177682
Snedecor, G., & Cochran, W. (1998). Statistical methods (8th ed.). Iowa State University Press.
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
Stroup, W. W., Milliken, G. A., Claassen, E. A., & Wolfinger, R. D. (2018). SAS for mixed models: introduction and basic applications. SAS Institute Inc.
Van Es, H.M., Gomes, C., Sellmann, M., & Van Es, C. L. (2007). Spatially Balan
Publicado
Número
Sección
Categorías
Licencia
Derechos de autor 2025 Jorge Claudio Vargas Rojas, Meilyn González Calero, Marileny Piña Duarte (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Reconocimiento-NoComercial-SinObraDerivada 3.0.
Los derechos de edición y primera publicación corresponden a la revista InterSedes, mientras que la propiedad intelectual de los artículos pertenece a sus autores.
Los artículos publicados en InterSedes se encuentran bajo la Licencia Creative Commons Atribución-NoComercial-SinDerivadas 3.0 Costa Rica (CC BY-NC-ND 3.0 CR). Esto implica que:
- Atribución: Se debe reconocer adecuadamente la autoría del trabajo, citando la fuente de manera correcta.
- No Comercial: No se permite utilizar el material con fines comerciales.
- Sin Derivadas: No se permite crear obras derivadas basadas en el material.
Los artículos pueden ser utilizados libremente para fines educativos y científicos, siempre que se respete lo anterior. El uso comercial no autorizado de los artículos está prohibido y puede ser sancionado conforme a las leyes internacionales de derechos de autor.
Para más detalles sobre esta licencia, puede consultar el siguiente enlace: Licencia Creative Commons CC BY-NC-ND3.0 Costa Rica
