Beruflich Dokumente
Kultur Dokumente
en
InfoStat
Julio A. Di Rienzo
Ral Macchiavelli
Fernando Casanoves
AGRADECIMIENTOS
Los autores agradecen a las Estadsticas Yuri Marcela Garca Saavedra y Jhenny Liliana
Salgado Vsquez, de la Universidad del Tolima, Colombia, por la lectura crtica del
manuscrito, la reproduccin de la ejemplificacin de este manual y los aportes sobre
algunos detalles de la interfaz.
Modelos Mixtos en InfoStat
INDICE DE CONTENIDOS
Introduccin ................................................................................................................................ 1
Requerimientos (actualizacin 09/05/2010) ....................................................................... 1
Invocacin del procedimiento de modelos lineales generales y mixtos .................................. 1
Especificacin de los efectos fijos............................................................................................... 2
Especificacin de los efectos aleatorios ..................................................................................... 4
Comparacin de medias de tratamientos.................................................................................. 7
Especificacin de la estructura de correlacin y de varianza de los errores ......................... 9
Especificacin de la estructura de correlacin.......................................................................... 9
Especificacin de la parte fija .......................................................................................................... 11
Especificacin de la parte aleatoria ................................................................................................. 12
Especificacin de la correlacin de los errores ............................................................................... 13
Especificacin de la estructura de varianzas de los errores .................................................... 21
Referencias............................................................................................................................... 185
ndice de cuadros .................................................................................................................... 187
ndice de figuras ...................................................................................................................... 187
ii
Modelos Mixtos en InfoStat
Introduccin
Para que InfoStat pueda tener acceso a R, debe estar instalado en su sistema el
componente DCOM y R. Para ello consulte la ayuda en lnea (aqu) o utilice el enlace
que se encuenta en el men Aplicaciones de InfoStat.
1
Modelos Mixtos en InfoStat
Figura 1: Solapas con las opciones para especificacin de un modelo lineal general y mixto.
La primera permite especificar los efectos fijos del modelo y seleccionar opciones para
la presentacin de resultados y la generacin de predicciones, obtener residuos del
modelo y especificar el mtodo de estimacin. Por defecto el mtodo de estimacin es
mxima verosimilitud restringida (REML).
2
Modelos Mixtos en InfoStat
La segunda parte muestra medidas de ajuste que son tiles para comparar distintos
modelos ajustados a un conjunto de datos. AIC hace referencia al criterio de Akaike,
BIC al Criterio Bayesiano de Informacin, logLik al logaritmo de la verosimilitud y
Sigma a la desviacin estndar residual.
La tercera parte de esta salida presenta una tabla de anlisis de la varianza mostrando las
pruebas de hiptesis de tipo secuencial.
Figura 2: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Atriplex.IDB2.
3
Modelos Mixtos en InfoStat
modelo001_PG_REML<-gls(PG~1+Tamano+Episperma+Tamano:Episperma
,method="REML"
,na.action=na.omit
,data=R.data01)
Variable dependiente:PG
Los efectos aleatorios estn asociados a grupos de observaciones. Ejemplos tpicos son
las medidas repetidas sobre un mismo individuo o las respuestas observadas en grupos
de unidades experimentales homogneas (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 especificacin de los efectos aleatorios es necesario
tener uno o ms criterios de agrupamiento o estratificacin, y elegir sobre qu efectos
fijos se agregan los efectos aleatorios asociados. En el procedimiento lme de R, sobre el
que se basa esta implementacin, cuando hay ms de un criterio de agrupamiento
admisible, estos son anidados o encajados.
En la segunda solapa del dilogo de especificacin del modelo podemos elegir los
criterios de estratificacin o agrupamiento y la forma en que stos incorporan efectos
aleatorios a los componentes fijos. Para ejemplificar la especificacin 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
4
Modelos Mixtos en InfoStat
Figura 3: Ventana desplegada con la solapa Efectos aleatorios para los datos del archivo
Bloque.IDB2.
5
Modelos Mixtos en InfoStat
general de rendimientos, i los efectos fijos de los tratamientos, b j el cambio del nivel
distintos grupos o estratos (bloques, en este ejemplo). Luego, en estos modelos, los b j
La salida del ejemplo se muestra a continuacin. La parte nueva de esta salida, respecto
del ejemplo con el modelo lineal de efectos fijos, es que tiene una seccin de parmetros
para los efectos aleatorios.
modelo002_Rendimiento_REML<-lme(Rendimiento~1+Tratamiento
,random=list(Bloque=pdIdent(~1))
,method="REML"
,na.action=na.omit
,data=R.data03
6
Modelos Mixtos en InfoStat
,keep.data=FALSE)
Variable dependiente:Rendimiento
(const)
(const) 0.57
desviacin estndar de los ij , como 160.65. As, la varianza de los bloques puede
calcularse como: b2 =
(0.57 160.65) 2 =
8385.15
Siguiendo en la solapa Comparaciones (Figura 4), si en el panel que lista los trminos
fijos del modelo se tilda alguno de ellos, se obtiene una tabla de medias y errores
estndares y una comparacin mltiple entre medias del tipo LSD de Fisher (esta prueba
est basada en una prueba de Wald) o la prueba de formacin de grupos excluyentes
DGC (Di Rienzo et l. 2002). Tambin se presentan varias opciones de correccin por
comparaciones mltiples.
7
Modelos Mixtos en InfoStat
Figura 4: Ventana desplegada con la solapa Comparaciones para los datos del archivo Bloque.IDB2.
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
1996), Sidak (Hsu 1996), Benjamini-Hochberg (Benjamini y Hochberg 1995) o
8
Modelos Mixtos en InfoStat
9
Modelos Mixtos en InfoStat
10
Modelos Mixtos en InfoStat
25
20
15
Follicles
10
0
-0,25 0,00 0,25 0,50 0,75 1,00 1,25
Time
Por otra parte, la inclusin de una auto-correlacin de orden 1 AR1 dentro de cada
yegua tiene como propsito modelar una eventual correlacin serial. Para especificar
este modelo en InfoStat, indicaremos que follicles es la variable dependiente, que Mare
es un criterio de clasificacin y que Time es una covariable.
La parte fija del modelo quedar 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.
11
Modelos Mixtos en InfoStat
Figura 8: Ventana desplegada con la solapa Efectos fijos para los datos del archivo Ovary.
12
Modelos Mixtos en InfoStat
Figura 9: Ventana desplegada con la solapa Efectos aleatorios para los datos del archivo Ovary.
1
Si los errores se suponen independientes (no correlacionados), entonces debe seleccionarse la primera
opcin de la lista de estructura de correlacin (seleccionada por defecto).
13
Modelos Mixtos en InfoStat
secuencia. Por defecto, InfoStat asume la secuencia en la que los datos estn dispuestos
en el archivo, pero si existe una variable que los ordena de manera diferente, sta 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 correlacin).
Esta variable debe ser entera para la opcin autorregresiva. Por este motivo, InfoStat
agrega en la sentencia traducida al lenguaje R, una indicacin para que la variable sea
interpretada como entera. En el ejemplo que estamos ilustrando, la variable Time es un
nmero real que codifica el tiempo relativo a un punto de referencia y est en una escala
inapropiada para usarla como criterio de ordenamiento. Sin embargo, como los datos
estn ordenados por tiempo dentro de cada yegua (Mare), esta especificacin puede
omitirse (Figura 10).
Figura 10: Ventana desplegada con la solapa Correlacin para los datos del archivo Ovary.
14
Modelos Mixtos en InfoStat
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
15
Modelos Mixtos en InfoStat
(Const)
(Const) 0.77
Estructura de correlacin
Estimacin
Phi 0.61
Las curvas punteadas, paralelas a la curva promedio, son las predicciones para el perfil
de cada yegua derivadas de la inclusin de un efecto aleatorio (sujeto especfico) sobre
la constante. Para obtener las predicciones para obtener estas curvas el usuario debe
solicitar tambin, en la solapa de efectos fijos, los valores predichos del nivel 1. Para
obtener ambas predicciones el usuario deber escribir en el campo de edicin de Niveles
la expresin: 0;1.
Para probar la adecuacin del modelo identificamos los puntos correspondientes a cada
yegua y dibujamos una curva suavizada para cada una ellas como se muestra en la
Figura 12. Comparando la Figura 11 y la Figura 12 se observa que cada yegua tiene un
perfil diferente que esta sobresimplificado por el modelo representado en la Figura 11.
Cmo incluiramos en el modelo la variabilidad sujeto especfica observada en la
Figura 12? La forma ms simple de incluir este comportamiento sujeto-especfico es
agregar ms efectos aleatorios al modelo de la ecuacin (2). Como resultado tenemos el
siguiente modelo:
16
Modelos Mixtos en InfoStat
( ) ( )
Donde los components aleatorios son b0i ~ N 0, bo2 , b1i ~ N 0, b21 , b2i ~ N 0, b22 ( )
(
and it ~ N 0, 2 ) y, como una primera aproximacin los supondremos mutuamente
independientes.
Para ajustar el modelo (3) debemos hacer algunos cambios en el conjunto de datos
debido a algunas restricciones en el uso de formula en la solapa de los efectos
aleatorios. Por lo tanto calcularmos sin T = sin ( 2* pi * Time ) y
En la parte fija del modelo en vez de especificar una lista de variable especificaremos en
una lnea nica 1 + sin T + cos T como se muestra en la Figure 13. Esta manera de
especificar la parte fija no afecta las estimaciones de los efectos fijos pero nos permite
introducir fcilmente los efectos aleatorios b0i , b1i y b2i . Luego, en la solapa de efectos
aleatorios especificamos los efectos aleatorios como se muestra en la Figura 14. Notar
que la estructura de covariacin supuesta para los efectos aleatorios ha sido especificada
como pdDiag, lo que indica que las varianzas de cada componente aleatorios son
diferentes y que estas componentes no estn correlados. Los resultados del ajuste de
este modelo se muestran en la Figura 15. En esta figura se puede observar que el efecto
de ajustar curvas sujeto-especficas para cada yegua, lo que permite una representacin
ms realista de los ciclos individuales. A pesar de esto, desde un punto de vista
estadstico no es apropiado suponer independencia entre efectos aleatorios de los
parmetros de un modelo de regresin. Para especificar correlacin entre efectos
aleatorios indicamos la estructura de covarianza como pdSymm. Esto se muestra en la
Figura 16 y el resultado del ajuste se muestra en la Figura 17.
17
Modelos Mixtos en InfoStat
17
follicles
12
2
-0,30 0,10 0,50 0,90 1,30
Time
Figura 11: Funciones ajustadas para el nmero poblacional de folculos (lnea slida negra) y para
cada yegua originada por el efecto aleatorio sobre la constante (archivo Ovary).
25
20
15
Follicles
10
0
-0.25 0.00 0.25 0.50 0.75 1.00 1.25
Time
Figura 12: Valores suavizados (polinmico de tercer grado) para el nmero de folculos (lineas
slidas) para cada yegua (Archivo Ovary).
18
Modelos Mixtos en InfoStat
19
Modelos Mixtos en InfoStat
22
18
14
follicles
10
2
-0,30 0,10 0,50 0,90 1,30
Time
Figura 15: Valores predichos para el nmero de folculos para cada yegua generados por la incluisin
de efectos aleatorios sobre los parmetros del modelo de regresin. Matriz de covarianzas de los efectos
aleatorios: pdSymm
20
Modelos Mixtos en InfoStat
Figura 16: Especificacin de la parte aleatoria del modelo (3) pero permitiendo que stos varien en
varianza y estn correlacionados.
22
20
18
16
PRED_1_follicles
14
12
10
4
-0.2 -0.1 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2
Time
Figura 17: Valores predichos para el nmero de folculos para cada yegua generados por la incluisin
de efectos aleatorios sobre los parmetros del modelo de regresin. Matriz de covarianzas de los efectos
aleatorios: pdSymm.
21
Modelos Mixtos en InfoStat
Figura 18: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Ovary.
22
Modelos Mixtos en InfoStat
El modelo considerado en la Ecuacin (4) con varianzas residuales para estos datos
heterogneas es:
Obsrvese que la varianza residual est sub-indicada con el ndice que identifica a las
yeguas.
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
23
Modelos Mixtos en InfoStat
(Const)
(Const) 0.80
Estructura de correlacin
Estimacin
Phi 0.61
Estructura de varianzas
Parmetro 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
Cuando InfoStat ajusta un modelo lineal general o mixto con el men Estimacin, se
activa el men Anlisis-exploracin de modelos estimados. En este dilogo aparecen
varias solapas como se muestra en la Figura 19.
24
Modelos Mixtos en InfoStat
Figura 19: Ventana comparacin de modelos generales y mixtos con la solapa Diagnstico 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 Tamao,
Episperma y su interaccin, y el modelo001_PG_REML que solo contiene los efectos
principales de Tamao y Episperma.
25
Modelos Mixtos en InfoStat
Figura 20: Ventana comparacin de modelos generales y mixtos con la solapa Combinaciones lineales
desplegada (archivo Atriplex.IDB2).
26
Modelos Mixtos en InfoStat
Figura 21: Funcin de autocorrelacin de los residuos del modelo presentado en la Ecuacin (2)
excluyendo la modelacin de la autocorrelacin serial.
27
Modelos Mixtos en InfoStat
Figura 22: Funcin de autocorrelacin de los residuos del modelo presentado en la Ecuacin (2)
incluyendo la modelacin de la autocorrelacin serial.
28
Modelos Mixtos en InfoStat
Ejemplos de Aplicacin de
Modelos Lineales Generales y Mixtos
Modelos Mixtos en InfoStat
Para el anlisis de los datos del archivo Compvar.IDB2 se ajustarn los dos primeros
casos discutidos:
Figura 23: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del
archivo Compvar.IDB2.
31
Modelos Mixtos en InfoStat
Figura 24: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo
Compvar.IDB2 para la especificacin del Modelo 1.
32
Modelos Mixtos en InfoStat
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)
Variable dependiente:Largo
(const)
(const) 27.16
(const)
(const) 14.80
Formula: ~1|Poblacion
33
Modelos Mixtos en InfoStat
Cuadro 1. Componentes de varianza estimados para los datos del archivo Compvar.IDB2
Poblacin pob
= 2
=
27.16 2
737.66 (15.092 , 48.882 ) 52.0
Residual res
= 2
=
21.532
463.54 (18.77 2 , 24.702 ) 32.6
Ahora veremos cmo es el diagnstico para el Modelo 1, es decir, tanto los efectos de
familia como los de poblacin aleatorios. Para esto vamos al submen Anlisis-
exploracin de modelos estimados y se solicitan los grficos de diagnstico (Figura 25).
El anlisis diagnstico de este modelo permite determinar una fuerte falta de
homogeneidad de varianzas residual (Figura 26).
34
Modelos Mixtos en InfoStat
Figura 25: Ventana Anlisis-exploracin de modelos estimados con la solapa Diagnstico desplegada
para el Modelo 1 con los datos del archivo Compvar.IDB2.
2
2
Res.cond.estand.Pearson
Cuantiles muestrales
1
1
0
0
-1
-1
-2
-2
20 40 60 80 -3 -2 -1 0 1 2 3
Figura 26: Grficos de diagnstico obtenidos para la variable largo y el modelo 1 para los datos del
archivo Compvar.IDB2.
35
Modelos Mixtos en InfoStat
Figura 27: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo
Compvar.IDB2 para la especificacin de varianzas heterogneas para poblaciones.
36
Modelos Mixtos en InfoStat
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)
Variable dependiente:Largo
(const)
(const) 27.72
(const)
(const) 1.56
Formula: ~1|Poblacion
37
Modelos Mixtos en InfoStat
Estructura de varianzas
Parmetro Estim
Charagre 1.00
Escarcega 13.09
Esclavos 11.64
La Paz 15.94
Pacfico Sur 2.81
Xpujil 13.38
Yucatn 12.54
const
Charagre -41.20
Escarcega 15.42
Esclavos 16.12
La Paz 19.80
Pacfico Sur -36.51
Xpujil 23.29
Yucatn 3.08
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
38
Modelos Mixtos en InfoStat
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
Pacfico Sur/PS_6204 -0.46
Pacfico Sur/PS_6206 -0.58
Pacfico Sur/PS_6207 0.52
Pacfico Sur/PS_6208 -0.33
Pacfico Sur/PS_6209 -0.15
Pacfico Sur/PS_6210 0.31
Pacfico Sur/PS_6211 -0.22
Pacfico Sur/PS_6212 -0.43
Pacfico Sur/PS_6213 0.03
Pacfico Sur/PS_6214 -0.56
Pacfico Sur/PS_6215 -0.07
Pacfico Sur/PS_6216 1.80
Pacfico Sur/PS_6217 -0.12
Pacfico Sur/PS_6218 0.88
Pacfico Sur/PS_6219 -0.35
Pacfico Sur/PS_6220 -0.51
Pacfico Sur/PS_6221 -0.12
Pacfico Sur/PS_6222 -0.48
Pacfico 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
39
Modelos Mixtos en InfoStat
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
Yucatn/Yu_1111 -0.17
Yucatn/Yu_1114 -0.19
Yucatn/Yu_1115 -0.04
Yucatn/Yu_1116 0.02
Yucatn/Yu_1117 0.05
Yucatn/Yu_1118 0.03
Yucatn/Yu_1119 0.10
Yucatn/Yu_1121 -0.06
Yucatn/Yu_1122 0.20
Yucatn/Yu_1123 -0.09
Yucatn/Yu_1124 -0.05
Yucatn/Yu_1125 0.20
Este modelo presenta valores ms bajos de AIC y BIC que el modelo sin varianzas
heterogneas para Poblacin y Familia dentro de Poblacin. Observamos que las
varianzas de las poblaciones son bien diferentes: La poblacin La Paz tiene la mayor
varianza estimada en (15.94*2.32)2 = 1367.57 mientras que la de menor varianza es
(1*2.32)2 = 5.38. Al comparar los modelos con varianzas heterogneas y homogneas
mediante una prueba de cociente de verosimilitud se corrobora que el modelo con
varianzas heterogneas es el mejor (p<0.0001) como se muestra en la siguiente salida.
Comparacin de modelos
40
Modelos Mixtos en InfoStat
Los residuos obtenidos para el Modelo 1 con varianzas distintas en cada poblacin no
muestran problemas de heteroscedasticidad y presentan una mejora en los supuestos
distribucionales respecto al Modelo 1 con varianzas homogneas (Figura 28).
3
3
Res.cond.estand.Pearson
Cuantiles muestrales
2
2
1
1
0
0
-1
-1
-2
-2
10 20 30 40 50 60 70 -3 -2 -1 0 1 2 3
Figura 28: Grficos de diagnstico obtenidos para la variable largo y el modelo 1 con varianzas
residuales heterogneas para poblaciones y los datos del archivo Compvar.IDB2.
Modelo 2: Para este modelo se debe declarar Poblacin en la solapa de Efectos fijos.
Observar que en esta solapa se ha seleccionado adems Coeficientes de los efectos fijos
(Figura 29). En la solapa de Efectos aleatorios se ha declarado familias como aleatorio,
se ha deseleccionado la opcin por defecto de familia como efecto sobre la Constante
(intercepto), y se ha seleccionado familia como afectando los parmetros del efecto
poblacin. La matriz de covarianzas de los efectos aleatorios asignados a poblaciones se
suponen independientes (pdIdent). Se han seleccionado adems las opciones Matriz de
efectos aleatorios, Intervalo de confianza para los parmetros de la parte aleatoria e
Intervalo de confianza para sigma (Figura 30). En la solapa Comparaciones se
seleccion la opcin DGC para Poblacin (Figura 31).
41
Modelos Mixtos en InfoStat
Figura 29: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Compvar.IDB2
para la especificacin del Modelo 2.
Figura 30: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo
Compvar.IDB2 para la especificacin del Modelo 2.
42
Modelos Mixtos en InfoStat
Figura 31: Ventana con la solapa Comparaciones desplegada para los datos del archivo
Compvar.IDB2 para la especificacin del Modelo 2.
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)
Variable dependiente:Largo
43
Modelos Mixtos en InfoStat
Efectos fijos
44
Modelos Mixtos en InfoStat
45
Modelos Mixtos en InfoStat
A continuacin se muestra como ejemplo el clculo de los BLUP para algunas familias
de la poblacin Charagre:
lpaz + 42(lpaz ) =
Ylpaz ,42 =+ 8.2296 + 62.2374 + 1.2297 =
71.6967
46
Modelos Mixtos en InfoStat
Figura 32: Ventana Anlisis-exploracin de modelos estimados con la solapa Diagnstico desplegada
para el Modelo 2 con los datos del archivo Compvar.IDB2.
47
Modelos Mixtos en InfoStat
Figura 33: Grficos de diagnstico obtenidos para la variable largo y el Modelo 2 para los datos del
archivo Compvar.IDB2
Este modelo presenta valores ms bajos de AIC y BIC que el modelo sin varianzas
heterogneas para Poblacin. Observamos que las varianzas de las poblaciones son bien
diferentes: La poblacin 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.
48
Modelos Mixtos en InfoStat
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)
Variable dependiente:Largo
Efectos fijos
49
Modelos Mixtos en InfoStat
Estructura de varianzas
Parmetro Estim
Charagre 1.00
Esclavos 11.64
Escarcega 13.09
La Paz 15.94
Pacfico Sur 2.81
Xpujil 13.38
Yucatn 12.55
Para probar que este modelo menos parsimonioso es el de mejor ajuste se realiz una
prueba del cociente de verosimilitud cuya salida se presenta a continuacin.
Comparacin de modelos
El modelo con varianzas heterogneas para las distintas poblaciones es mejor que el de
varianzas homogneas (p<0.0001). Podemos observar que con la inclusin de varianzas
heterogneas para las distintas poblaciones el ajuste ha mejorado respecto a los ajustes
anteriores (Figura 34). Tanto en los box-plot de los residuos condicionales
estudentizados de Pearson como en el diagrama de dispersin de residuos condicionales
estudentizados de Pearson versus predichos, ya no se evidencian problemas graves de
falta de homogeneidad de varianzas. En el grfico Q-Q plot se observa una mejora en el
supuesto distribucional.
50
Modelos Mixtos en InfoStat
Figura 34: Grficos de diagnstico 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 poblacin.
51
Modelos Mixtos en InfoStat
Parcelas divididas
Esta manera particular de asignar los distintos niveles de los factores a las parcelas
representa una restriccin a la aleatorizacin, e induce estructuras de correlacin que
deben ser tenidas en cuenta en el momento del anlisis. Este diseo se conoce como
parcela dividida.
Aunque en las parcelas divididas los niveles de un factor son asignados dentro de los
niveles de otro factor, este NO ES un diseo anidado. Se trata de un experimento
tpicamente factorial donde los factores estn cruzados. Es slo la aleatorizacin la que
se ha realizado en forma secuencial.
De acuerdo a la forma en que estn arregladas las parcelas principales, el diseo puede
ser de:
52
Modelos Mixtos en InfoStat
Bloque
FPP*FSP
El punto clave para completar el anlisis de este modelo es comprender que el error
experimental para el FPP es diferente que para los trminos del modelo que incluyen al
FSP. El error experimental de las parcelas principales es mayor que el de las
subparcelas.
53
Modelos Mixtos en InfoStat
donde yijk representa la respuesta observada en el k-simo bloque, i-simo nivel del
media general de la respuesta, i representa el efecto del i-simo nivel del factor
asociado a las parcelas principales, j representa el efecto del j-simo nivel del factor
tratamiento. Por otra parte bk , pik 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 bk ~ N ( 0, b2 ) , pik ~ N ( 0, p2 ) ,
Bloque 1 BC Pe PP LI LI BC Pe PP
Bloque 2 PP BC Pe LI PP Pe LI BC
Bloque 3 Pe LI BC PP BC PP Pe LI
Figura 35: Esquema del diseo en parcelas divididas para el ejemplo de los datos en el archivo
Trigo.IDB2 (gris oscuro=parcelas bajo riego, gris claro=parcelas en secano)
54
Modelos Mixtos en InfoStat
Para analizar este ejemplo invocaremos la estimacin de un modelo lineal mixto. Esta
invocacin nos presentar, como es usual, la ventana de seleccin de variables. Su
imagen, con la seleccin apropiada de variables de respuesta y factores se muestra en la
Figura 37.
Figura 37: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del
archivo Trigo.IDB2.
55
Modelos Mixtos en InfoStat
Figura 38: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Trigo.IDB2.
56
Modelos Mixtos en InfoStat
Figura 39: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Trigo.IDB2
con bloque y agua como criterios de estratificacin.
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)
Variable dependiente:Rendimiento
57
Modelos Mixtos en InfoStat
(const)
(const) 0.55
(const)
(const) 0.47
Las pruebas de hiptesis secuenciales dan los mismos resultados que las marginales en
este caso porque los datos son balanceados.
Antes de continuar con nuestro anlisis, haremos algunas validaciones simples de las
suposiciones de estos modelos, revisando residuales estandarizados vs. predichos y
otros criterios de clasificacin, as como el Q-Q plot normal de residuos estandarizados.
Estos residuos son condicionales a los efectos aleatorios (es decir, aproximan los
errores). Para ello invocaremos el submen Anlisis-exploracin de modelos estimados.
En el dilogo, seleccionaremos la solapa Diagnstico y dentro de ella la subsolapa
Residuos vs. (Figura 40).
58
Modelos Mixtos en InfoStat
Figura 40: Ventana Comparacin de modelos generales y mixtos con la solapa Diagnstico desplegada
para los datos del archivo Trigo.IDB2.
59
Modelos Mixtos en InfoStat
Figura 41: Herramientas grficas para diagnstico obtenidas para los datos del archivo Trigo.IDB2.
60
Modelos Mixtos en InfoStat
Figura 42: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo
Trigo.IDB2 con seleccin de funcin varIdent con variedad como criterio de agrupamiento.
Comparadas con las del modelo homoscedstico, no se observa una mejora, por lo
contrario tanto AIC como BIC aumentaron. Por este motivo se descarta el modelo
heteroscedstico.
61
Modelos Mixtos en InfoStat
Figura 43: Ventana con la solapa Comparaciones desplegada para los datos del archivo Trigo.IDB2 y
seleccin de la subsolapa Medias.
62
Modelos Mixtos en InfoStat
63
Modelos Mixtos en InfoStat
donde yijkl representa la respuesta observada en i-simo nivel del factor coadyuvante y
j-simo nivel de factor altura, k-simo nivel del factor cara en la l-sima parcela,
representa la media general de la respuesta, i representa el efecto del i-simo nivel del
j-simo nivel del factor altura, k el k-simo nivel del factor cara, ambos asociados a
correspondientes de los factores coadyuvante, altura y cara. Por otra parte pl y ijkl
independientes.
64
Modelos Mixtos en InfoStat
Figura 45: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del
archivo Cobertura de gotas.IDB2.
La especificacin de la parte fija del modelo para este ejemplo contiene los tres factores
y sus interacciones dobles y triples (Figura 46).
Figura 46: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Cobertura de
gotas.IDB2.
65
Modelos Mixtos en InfoStat
Figura 47: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Cobertura
de gotas.IDB2 con Parcela como criterio de estratificacin.
modelo000_Cobertura_REML<-
lme(Cobertura~1+Coad+Altura+Cara+Coad:Altura+Coad:Cara+Altura:Cara+Coa
d:Altura:Cara
,random=list(Parcela=pdIdent(~1))
,method="REML"
,na.action=na.omit
,data=R.data00
,keep.data=FALSE)
Variable dependiente:Cobertura
66
Modelos Mixtos en InfoStat
(Intercept)
(Intercept) 0.40
Una revisin de los residuos estandarizados de este modelo mediante las herramientas
de diagnstico en el Men: Modelos lineales generales y mixtos>>Anlisis-exploracin
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 o hacia abajo (Figura 48).
Figura 48: Diagrama de cajas para los residuos estandarizados de Pearson para los niveles del factor
Cara.
67
Modelos Mixtos en InfoStat
Figura 49: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo
Cobertura de gotas.IDB2 con Cara como criterio de agrupamiento.
modelo001_Cobertura_REML<-
lme(Cobertura~1+Coad+Altura+Cara+Coad:Altura+Coad:Cara+Altura:Cara+Coa
d:Altura:Cara
,random=list(Parcela=pdIdent(~1))
,weight=varComb(varIdent(form=~1|Cara))
,method="REML"
,na.action=na.omit
68
Modelos Mixtos en InfoStat
,data=R.data00
,keep.data=FALSE)
Variable dependiente:Cobertura
DS(Const)
DS(Const) 1.06
Estructura de varianzas
Parmetro Estim
Ab 1.00
Ar 4.15
El modelo para estos datos sera yijkl = i jk + pl + ijkl , donde i jk representa el efecto
fijo de i-simo tratamiento en la j-sima cara (cara puede ser Ab o Ar), bl es el efecto
69
Modelos Mixtos en InfoStat
Si comparamos los AIC y BIC veremos que el ltimo modelo ajustado es mejor y por lo
tanto la interpretacin de la pruebas de hiptesis debe basarse en este ltimo.
Por otra parte, observando los resultados de las pruebas de hiptesis resulta que la
interaccin Coad:Altura:Cara no result significativa, por lo que se pueden observar
las interacciones dobles (Figura 50). 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 trminos del modelo que se presenta en esa ventana. Este
procedimiento crear una tabla con las medias de todas las combinaciones resultantes de
los niveles de los factores que intervienen en la interaccin. El resultado, al final de la
salida, presenta las siguientes tablas.
70
Modelos Mixtos en InfoStat
a) b)
300 400
250
300
200
Cobertura
Cobertura
150 200
100
100
50
0 0
Superior Inferior Superior Inferior
Altura Altura
Figura 50: Diagramas de puntos para estudiar la interaccin entre Coad y Altura (a) y entre Cara y
Altura (b).
Este diseo utiliza el mismo principio que las parcelas divididas, excepto que lo
extiende un paso ms. El principio puede extenderse arbitrariamente a niveles ms
profundos de divisin. El modelo lineal para este diseo, suponiendo las parcelas
principales agrupadas en bloques completos aleatorizados, es el siguiente:
asociado a las parcelas principales, j el j-simo nivel del factor asociado a las
subparcelas dentro de las parcelas principales, k el k-simo nivel del factor asociado a
71
Modelos Mixtos en InfoStat
Sub-Parcela
Parcela principal
Bloque 1
Bloque 2
Bloque 3
Sub-sub Parcela
Figura 51: Esquema del diseo en parcelas subdivididas para el ejemplo de los datos en el archivo
Calidad del almidn.IDB2.
72
Modelos Mixtos en InfoStat
Figura 52: Encabezamiento de la tabla de datos del archivo Calidad del Almidn.IDB2.
Figura 53: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del
archivo Calidad del Almidn.IDB2.
73
Modelos Mixtos en InfoStat
Figura 54: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Calidad del
Almidn.IDB2.
La parte aleatoria deber tener declarados a los bloques (Bloque), a las parcelas
principales dentro de Bloques (Genotipo) y a las subparcelas dentro de parcelas
principales (Nitrgeno) (Figura 55).
74
Modelos Mixtos en InfoStat
Figura 55: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Calidad del
Almidn.IDB2.
modelo000_IAA_REML<-
lme(IAA~1+Genotipo+Nitrogeno+Coccion+Genotipo:Nitrogeno+Genotipo:Cocci
on+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)
Variable dependiente:IAA
75
Modelos Mixtos en InfoStat
(Const)
(Const) 1.3E-05
(Const)
(Const) 5.0E-06
(Const)
(Const) 1.8E-05
76
Modelos Mixtos en InfoStat
Una manera alternativa de formular el modelo anterior consiste en dejar los efectos fijos
como en la Figura 54 y especificar los efectos aleatorios como se muestra en la Figura
56. Los resultados son exactamente los mismos que antes, excepto por el clculo de los
grados de libertad del denominador y por ende los valores de probabilidad. Esta es una
aproximacin tambin vlida aunque la versin anterior es acorde con el anlisis
tradicional basado en efectos fijos. Adems, las estimaciones de varianza estn
presentadas en forma diferente.
Figura 56: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Calidad del
Almidn.IDB2 que contempla otra forma de especificar la parte aleatoria.
77
Modelos Mixtos en InfoStat
modelo001_IAA_REML<-
lme(IAA~1+Genotipo+Nitrogeno+Coccion+Genotipo:Nitrogeno+Genotipo:Cocci
on+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)
Variable dependiente:IAA
(Const)
(Const) 1.3E-05
Faro UDEC10
Faro 5.0E-06 0.00
UDEC10 0.00 5.0E-06
78
Modelos Mixtos en InfoStat
79
Modelos Mixtos en InfoStat
Datos longitudinales
80
Modelos Mixtos en InfoStat
Los perfiles promedio de cobertura observados en los cinco tiempos para cada uno de
los tratamientos se presentan en la Figura 57.
50
40
Cobertura (%)
30
20
10
0
1 2 3 4 5
Tiempo
T1 T2 T3 T4 T5
Figura 57: Relacin entre cobertura y tiempo para cinco tratamientos del archivo
Cobertura forrajes.IDB2.
81
Modelos Mixtos en InfoStat
Como estrategia general para analizar estos datos primero se ajustarn modelos con
distintas estructuras de covarianza, combinando apropiadamente estructuras de
correlacin residual, heteroscedasticidad residual y efectos aleatorios. Mediante criterios
de verosimilitud penalizada (AIC y BIC) se elegir el modelo que mejor describa los
datos, y usando este modelo se realizarn inferencias acerca de las medias (comparar
tratamientos, estudiar el efecto del tiempo, analizar si los perfiles promedio varan en el
tiempo, si son paralelos, etc.).
Se usarn las siguientes estructuras de covarianza para los datos (covarianza marginal):
Para ajustar estos modelos en primer lugar se deben declarar las variables como se
indica en la Figura 58.
82
Modelos Mixtos en InfoStat
Figura 58: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del
ejemplo Cobertura forrajes.IDB2.
En todos los casos se us el mismo modelo de medias, ya que la parte fija del modelo
referido no cambi (imprescindible si se desea comparar estructuras de covarianza
usando REML, y por ende los criterios de AIC y BIC) (Figura 59). A continuacin se
detallar la forma de declarar cada uno de los modelos a evaluar seguido por una salida
de InfoStat con las medidas de ajuste correspondientes.
83
Modelos Mixtos en InfoStat
Figura 59: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Cobertura
forrajes.IDB2.
84
Modelos Mixtos en InfoStat
Figura 60: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura
forrajes.IDB2 y seleccin de Errores independientes (Modelo 1).
85
Modelos Mixtos en InfoStat
Figura 61: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo
Cobertura forrajes.IDB2 con seleccin de funcin varIdent con tiempo como criterio de agrupamiento
(Modelo 2).
86
Modelos Mixtos en InfoStat
Figura 62: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura
forrajes.IDB2 y seleccin de simetra compuesta para datos
agrupados por parcela (Modelo 3).
Modelo 4: Correlacin constante entre datos de la misma parcela y varianza diferente en los
distintos tiempos.
87
Modelos Mixtos en InfoStat
88
Modelos Mixtos en InfoStat
Figura 63: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura
forrajes.IDB2 y seleccin de modelo Autorregresivo de orden 1 para datos agrupados por parcela y
orden de las observaciones indicado por la variable Tiempo (Modelo 5).
89
Modelos Mixtos en InfoStat
Figura 64: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Cobertura
forrajes.IDB2 con parcela como criterio de estratificacin (Modelo 7).
90
Modelos Mixtos en InfoStat
91
Modelos Mixtos en InfoStat
Figura 65: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura
forrajes.IDB2 y seleccin de modelo Autorregresivo continuo de orden 1 para datos agrupados por
parcela y orden de las observaciones indicado por la variable Tiempo (Modelo 8).
92
Modelos Mixtos en InfoStat
Figura 66: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura
forrajes.IDB2 y seleccin de modelo Sin estructura para datos agrupados por parcela y orden de las
observaciones indicado por la variable Tiempo (Modelo 9).
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 parmetros estimados bajo este modelo:
93
Modelos Mixtos en InfoStat
Estructura de correlacin
Modelo de correlacion: General correlation
Formula: ~ as.integer(Tiempo) | Parcela
Matriz de correlacin comn
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
Parmetros del modelo
Parmetro 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:
=12 6.8211
= 2
46.53
22 =(1.1819 6.8211) =64.99
2
94
Modelos Mixtos en InfoStat
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 57.
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
estructura) pero que difieren en su parte fija: uno contiene la interaccin (modelo
completo) y el otro no la contiene (modelo reducido):
Modelo completo:
95
Modelos Mixtos en InfoStat
Modelo reducido:
26=16 grados de libertad, y arroja un valor p=0.0967, por lo que podemos decir que no
existe interaccin con un nivel de significancia del 5%. Este valor de probabilidad se
obtiene a partir de una distribucin chi-cuadrado con 16 grados de libertad, y puede ser
calculado con la herramienta Calculador de probabilidades y cuantiles del men
Estadsticas de InfoStat (Figura 67).
Ambas pruebas (Wald y LRT) indican una interaccin no significativa (aunque los
p-valores no son demasiado altos, p=0.1417 y p=0.0967 respectivamente), por lo que
96
Modelos Mixtos en InfoStat
Para comparar los tiempos sucesivos, es decir el tiempo 1 con el tiempo 2, el tiempo 2
con el tiempo 3 y as sucesivamente, se debe activar la solapa Comparaciones y dentro
de esta la subsolapa Contrastes y seleccionar el efecto Tiempo (Figura 68). El resto de
las ventanas debe quedar como en el Modelo 9, que fue elegido como el de mejor
estructura de correlacin para explicar el comportamiento de estos datos en el tiempo.
Figura 68: Ventana con la solapa Comparaciones desplegada para los datos del archivo Cobertura
forrajes.IDB2 y seleccin de la subsolapa Contrastes.
97
Modelos Mixtos en InfoStat
Las salidas presentadas aqu corresponden a las estimaciones REML. Est 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
comparacin de medias de cada tiempo (LSD):
Comparacin de tratamientos
Medias ajustadas y errores estndares para Tratam
LSD Fisher (alfa=0.05)
Procedimiento de correccion de p-valores: No
A partir de esta comparacin de medias ajustadas se puede concluir que los tratamientos
5, 1 y 4 son los que proveen mayor cobertura y no se diferencian estadsticamente entre
s.
98
Modelos Mixtos en InfoStat
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 men Datos, submen Cruzar categoras 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 interaccin y la covariable Cap_Rep_Bas (todos de efectos
fijos). Para realizar el anlisis de este modelo, se deben declarar las variables de la
siguiente forma (Figura 69).
99
Modelos Mixtos en InfoStat
Figura 69: Ventana de selector de variables con los datos del archivo CapacidadRespiratoria.IDB2.
La especificacin de la parte fija del modelo es la misma para los 7 modelos evaluados
(Figura 70). Para obtener el ajuste del Modelo 1 solo se debe activar el botn Aceptar
con el modelo de efectos fijos presentado a continuacin:
100
Modelos Mixtos en InfoStat
Figura 70: Ventana con la solapa Efectos fijos desplegada con los datos del archivo
CapacidadRespiratoria.IDB2.
101
Modelos Mixtos en InfoStat
Figura 71: Ventana con la solapa Correlacin desplegada, opcin Simetra compuesta, con los datos
del archivo CapacidadRespiratoria.IDB2.
102
Modelos Mixtos en InfoStat
Figura 72: Ventana con la solapa Correlacin desplegada, opcin Autorregresivo de orden 1, con los
datos del archivo CapacidadRespiratoria.IDB2.
103
Modelos Mixtos en InfoStat
Figura 73: Ventana con la solapa Heteroscedasticidad desplegada con los datos del archivo
CapacidadRespiratoria.IDB2.
104
Modelos Mixtos en InfoStat
Figura 74: Ventana con la solapa Efectos aleatorios desplegada con los datos del archivo
CapacidadRespiratoria.IDB2.
105
Modelos Mixtos en InfoStat
Figura 75: Ventana con la solapa Correlacin desplegada, opcin Sin estructura, con los datos del
archivo CapacidadRespiratoria.IDB2.
Cuadro 2. Caractersticas y medidas de ajuste de los modelos evaluados para los datos del archivo
CapacidadRespiratoria.IDB2.
Varianzas
Efecto
Correlacin residuales
Modelo aleatorio AIC BIC log lik
residual heterogneas
paciente
en el tiempo
1 NO NO NO 968.94 1081.04 -458.47
Simetra
2 NO NO 401.29 517.71 -173.65
Compuesta
3 NO AR1 NO 329.04 445.45 -137.52
4 NO AR1 S 324.57 471.17 -128.28
5 S AR1 NO 303.03 423.76 -123.52
6 S AR1 S 287.80 438.71 -108.90
7 NO Sin estructura S 270.27 533.29 -74.14
106
Modelos Mixtos en InfoStat
A partir del Cuadro 2 podemos observar que los modelos 6 y 7 presentan los valores
ms bajos de AIC mientras que los modelos 5 y 6 presentan los valores ms bajos para
BIC. Una prueba formal de cociente de verosimilitud para comparar los modelos 5 y 6
puede obtenerse mediante:
Como ambos modelos difieren en 7 parmetros (el Modelo 5 tiene una nica varianza
residual y el Modelo 6 tiene 8 varianzas residuales), el estadstico de verosimilitud se
compara con un valor crtico de una distribucin 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).
Comparacin de modelos
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
comparacin son:
Comparacin de modelos
Los resultados indican que el Modelo 7 es el mejor. Por lo tanto el modelo seleccionado
tiene una estructura de correlacin residual sin estructura y varianzas residuales
heterogneas en el tiempo. La salida completa para este modelo se presenta a
continuacin:
107
Modelos Mixtos en InfoStat
modelo007_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_Dro
ga)
,method="REML"
,na.action=na.omit
,data=R.data09)
Variable dependiente:Cap_Respirat
Estructura de correlacin
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
108
Modelos Mixtos en InfoStat
Estructura de varianzas
Parmetro 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
109
Modelos Mixtos en InfoStat
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 interaccin significativa entre la droga y el tiempo (p<0.0001),
por lo que procederemos a realizar un Grfico de interaccin. Para realizar este grfico
en primer lugar se copiaron las Medias ajustadas y errores estndares para
Droga*Hora y se pegaron en una nueva tabla de InfoStat. Esta tabla fue guardada como
MedCapRes.IDB2. Luego en el men Grficos>>Grficos de puntos se declararon las
variables como se muestra a continuacin (Figura 76 y Figura 77):
Figura 76: Ventana de selector de variables para los datos del archivo MedCapRes.IDB2.
110
Modelos Mixtos en InfoStat
Figura 77: 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 estndar de cada una de las
combinaciones de tratamientos y horas son diferentes stos deben ser tenidos en cuenta
al momento de solicitar el grfico. Esto se logra declarando la medida de error en la
subventana Error. Con estas especificaciones se obtiene el grfico para estudiar la
interaccin (Figura 78).
111
Modelos Mixtos en InfoStat
3.80
3.70
3.60
Droga A
3.50 Droga B
Placebo
3.40
Capacidad respiratoria media
3.30
3.20
3.10
3.00
2.90
2.80
2.70
2.60
1 2 3 4 5 6 7 8
Hora
Figura 78: Grfico de puntos para estudiar la interaccin entre tratamientos y hora con los datos del
archivo CapacidadRespiratoria.IDB2.
Podemos observar que mientras el placebo tiene una respuesta prcticamente constante,
las drogas A y B aumentan la capacidad respiratoria despus de su aplicacin. 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 hiptesis sobre igualdad de medias entre drogas y
placebo, y entre las dos drogas. Para la obtencin de los contrastes (en este caso
ortogonales) se deben declara en la solapa Comparaciones, subsolapa Contrastes como
en la Figura 79.
112
Modelos Mixtos en InfoStat
Figura 79: Ventana con la solapa Comparaciones, subsolapa Contrastes con los datos del archivo
CapacidadRespiratoria.IDB2.
113
Modelos Mixtos en InfoStat
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 recin 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
comparacin de las drogas entres s, 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).
114
Modelos Mixtos en InfoStat
115
Modelos Mixtos en InfoStat
1.5
1.0
0.5
0.0
-0.5
LnPesoSeco
-1.0
-1.5
-2.0
-2.5
-3.0
-3.5
-4.0
0 10 20 30 40 50 60 70 80 90
Tiempo
Figura 80: Grfico de puntos para el logaritmo del peso seco remanente en funcin del tiempo, para
los cuatro tratamientos (Especie-Bolsa). Archivo Descomposicin.IDB2.
116
Modelos Mixtos en InfoStat
Figura 81: Especificacin del modelo de regresin lineal con ordenadas al origen y pendientes
diferentes para el logaritmo de la materia seca remanente en funcin del tiempo para cuatro
tratamientos dados por la especie de origen del material vegetal y el tramado de la bolsa que lo
almacena. Archivo Descomposicin.IDB2.
117
Modelos Mixtos en InfoStat
1.5
1.0
0.5
0.0
-0.5
LnPesoSeco
-1.0
-1.5
-2.0
-2.5
-3.0
-3.5
-4.0
0 10 20 30 40 50 60 70 80 90
Tiempo
Figura 82: Grfico de puntos para el logaritmo del peso seco remanente en funcin del tiempo, para
los cuatro tratamientos (Especie-Bolsa). Archivo Descomposicin.IDB2.
118
Modelos Mixtos en InfoStat
Figura 83: Grfico de residuos estudentizados (Pearson) vs. Tiempo, para un modelo de regresin de
la materia seca residual en funcin del tiempo para cuatro tratamientos (Especia-Bolsa) con diferentes
ordenadas y pendientes. Archivo Descomposicin.IDB2.
Figura 84: Especificacin del modelo de regresin lineal con ordenadas y pendientes diferentes para el
logaritmo de la materia seca remanente en funcin del tiempo para cuatro tratamientos dados por la
especie de origen del material vegetal y el tramado de la bolsa que lo almacena. Archivo
Descomposicin.IDB2.
119
Modelos Mixtos en InfoStat
1.50
1.00
0.50
0.00
-0.50
LnPesoSeco
-1.00
-1.50
-2.00
-2.50
-3.00
-3.50
-4.00
0 10 20 30 40 50 60 70 80 90
Tiempo
Figura 85: Ajustes del modelo de regresin polinmica de orden 2 con ordenadas y pendientes
diferentes para el logaritmo de la materia seca remanente en funcin 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 Descomposicin.IDB2.
Los residuos del modelo ajustado segn Figura 84, 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 lnea del cero (Figura 86).
120
Modelos Mixtos en InfoStat
4.00
3.00
1.00
0.00
-1.00
-2.00
-3.00
-4.00
-5.00
-6.00
-7.00
0 23 45 68 90
Tiempo
Figura 86: Residuos estudentizados (Pearson) vs. Tiempo para el modelo de regresin polinmica de
orden 2 con ordenadas y pendientes diferentes para el logaritmo de la materia seca remanente en
funcin 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 Descomposicin.IDB2.
Figura 87: Especificacin de la parte heteroscedstica del modelo de regresin polinmica de orden 2
con ordenadas y pendientes diferentes para el logaritmo de la materia seca remanente en funcin 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 Descomposicin.IDB2.
121
Modelos Mixtos en InfoStat
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 respecto al valor esperado para cada tratamiento y tiempo bajo el modelo de
regresin utilizado (Figura 89). Finalmente, el grfico de residuos estudentizados de
este modelo muestra una imagen donde no hay evidencia de falta de ajuste o presencia
de heteroscedasticidad (Figura 90).
2.50
Residuos LnPesoSeco (Pearson)
1.25
0.00
-1.25
-2.50
0 23 45 68 90
Tiempo
Figura 88: Residuos estudentizados (Pearson) vs Tiempo para el modelo heteroscedstico de regresin
con ordenadas y pendientes diferentes por tratamiento para el logaritmo de la materia seca remanente
en funcin 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 Descomposicin.IDB2.
122
Modelos Mixtos en InfoStat
Figura 89: Especificacin de la parte aleatoria del modelo heteroscedstico de regresin polinmica de
orden 2 con ordenadas y pendientes diferentes para el logaritmo de la materia seca remanente en
funcin 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 Descomposicin.IDB2.
2.50
Residuos LnPesoSeco (Pearson)
1.25
0.00
-1.25
-2.50
0 10 20 30 40 50 60 70 80 90
Tiempo
Figura 90: Residuos estudentizados (Pearson) vs Tiempo para el modelo heteroscedstico de regresin
con ordenadas y pendientes diferentes por tratamiento y el agregado de un efecto aleatorio sobre la
constante que es particular para cada combinacin de tiempo y tratamiento, para el logaritmo de la
materia seca remanente en funcin 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
Descomposicin.IDB2.
123
Modelos Mixtos en InfoStat
Finalmente, como el propsito de este ensayo fue calcular las tasas de descomposicin y
lo que hemos ajustado es un modelo lineal para el logaritmo del peso de materia seca
remanente, podemos estimar la tasa de descomposicin 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 intrprete de R (Figura 91). A la derecha
de la ventana aparecern una lista de los objetos R que se hayan creado durante la sesin
de trabajo. En esta lista debe aparecer el modelo ajustado utilizando el modulo de
modelos mixtos, el nombre de estos objetos es modelo+ nmero correlativo_nombre
de la variable dependiente_mtodo de estimacin. En nuestro ejemplo debera aparecer
modelo#_LnPesoSeco_REML (en la posicin # debe haber un nmero que depende del
Figura 91: Intrprete de R. Tiene 4 paneles. Script: contiene el o los programas R que se quieren
ejecutar. Output: la salida de la ejecucin de un script o de la visualizacin 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 enva R a la consola.
Para calcular las tasas de descomposicin tenemos que comprender qu es lo que hemos
ajustado con el modelo lineal estimado. La parte fija de modelo propuesto fue:
124
Modelos Mixtos en InfoStat
Especie_Bolsa
T1
T2
Especie_Bolsa*T1
Especie_Bolsa*T2
Este modelo es equivalente a:
Especie_Bolsa-1
Especie_Bolsa*T1
Especie_Bolsa*T2
La ventaja de esta forma resumida de especificarlo es que los coeficientes de la parte
fija aparecen directamente como en la equacin (8).
ln PesoSeco = i 0 + i1 (T 30 ) + i 2 (T 30 )
2
(9)
Donde el ndice 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
ecuacin como (8) especfica para cada condicin. Los coeficientes estimados de la
parte fija pueden obtenerse durante la estimacin del modelo tildando, en la solapa
Efectos fijos, la opcin Mostrar coeficientes de la parte fija.
Como vamos a utilizar R para calcular las derivadas de (8), revisaremos estos
coeficientes desde R. Si en la ventana Script escribimos:
Modelo004_LnPesoSeco_REML$coefficients$fixed
Especies_BolsaFicus_Fino Especies_BolsaFicus_Grueso
-0.7738921650 -1.3680878569
Especies_BolsaGuadua_Fino Especies_BolsaGuadua_Grueso
0.8162357629 0.7630705376
Especies_BolsaFicus_Fino:T1 Especies_BolsaFicus_Grueso:T1
125
Modelos Mixtos en InfoStat
-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
Guadua_Grueso.
los coeficientes ( i 2 ) del trmino cuadrtico en (8). Por ejemplo, el peso seco
remanente para la Especie Ficus con Bolsa de tramado Fino la ecuacin ser:
ln PesoSeco =
0.7738921651 0.0326126598 (T 30) + 0.0002938702(T 30) 2
Como la funcin (8) representa el peso seco remanente, el peso descompuesto debera
calcularse como:
PesoSecoConsumido (
= PesoInicial exp i 0 + i1 (T 30 ) + i 2 (T 30 )
2
) (10)
TasaDescomp = (
exp i 0 + i1 (T 30 ) + i 2 (T 30 )
2
)( i1 + 2 i 2 (T 30 ) ) (11)
El siguiente script genera una tabla cuya primera columna es el tiempo y las restantes
las tasas de descomposicin para cada uno de los tratamientos. Tener en cuenta que se
debe especificar el modelo que mejor ajust (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)
126
Modelos Mixtos en InfoStat
0.15
0.14
0.13
0.12
Tasa de descomposicin
0.11
0.10
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0.00
0 10 20 30 40 50 60 70 80 90
Tiempo
127
Modelos Mixtos en InfoStat
Correlacin espacial
La estratificacin o bloqueo de parcelas es una tcnica usada para controlar los efectos
de variacin entre las unidades experimentales. Los bloques son grupos de unidades
experimentales formados de manera tal que las parcelas dentro de los bloques sean lo
ms homogneas posible. Los diseos con estratificacin de parcelas tales como el
diseo en bloques completos aleatorizados (DBCA), los diseos en bloques incompletos
y los ltices son ms eficientes que el diseo completamente aleatorizado cuando las
diferencias entre unidades experimentales que conforman un mismo estrato (bloque) son
mnimas y las diferencias entre los estratos son mximas. Cuando esta condicin no se
cumple puede ocurrir una sobrestimacin de la varianza del error y, si los datos son
desbalanceados, tambin puede presentarse un sesgo en las estimaciones de los efectos
de tratamientos. Cuando se evalan muchos tratamientos en parcelas a campo, el
tamao de los bloques necesarios para lograr una repeticin del ensayo es grande y por
tanto resulta difcil asegurar la homogeneidad de las parcelas que conforman el bloque;
las parcelas ms prximas pueden ser ms similares que las ms distantes, generando
variabilidad espacial (Casanoves et l. 2005). La variabilidad espacial se refiere a la
variacin entre observaciones realizadas sobre parcelas con arreglos espaciales sobre el
terreno. Debido a la existencia de variabilidad espacial dentro de bloques, el anlisis de
varianza estndar para los diseos que involucran el bloqueo de unidades
experimentales no siempre elimina los sesgos en las comparaciones de efectos de
tratamientos. La variacin de parcela a parcela dentro de un mismo bloque puede
deberse a competencia, heterogeneidad en la fertilidad del suelo, dispersin de insectos,
malezas, enfermedades del cultivo o labores culturales, entre otros. Por este motivo se
han propuesto procedimientos estadsticos que contemplan la variacin espacial entre
parcelas y que van desde el ajuste de medias de tratamientos en funcin de lo observado
en las parcelas vecinas ms cercanas (Papadakis 1937), hasta el uso de modelos que
contemplan las correlaciones espaciales en trminos del error y que tambin producen
ajustes de medias de tratamientos (Mead 1971, Besag 1974, 1977, Ripley 1981).
Gilmour et l. (1997) particionan la variabilidad espacial entre parcelas de un ensayo en
variabilidad espacial local y global. La variabilidad espacial local hace referencia a las
128
Modelos Mixtos en InfoStat
diferencias entre parcelas a pequea 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 travs de un sistema de coordenadas
bidimensionales es posible definir la ubicacin de las parcelas en el campo.
Para ejemplificar las alternativas de anlisis usaremos los datos que se encuentran en el
archivo ECRman.IDB2 y provienen de un ao agrcola de un ensayo comparativo de
rendimientos (ECR) de lneas experimentales (genotipos) de man (Arachis hypogaea
L.) del Programa de Mejoramiento de Man de la EEA-Manfredi, INTA, Argentina. En
cada campaa los ECR se realizaron en tres localidades del rea de cultivo en la
provincia de Crdoba: Manfredi, General Cabrera y Ro Tercero. El conjunto de lneas
evaluadas fue el mismo para cada localidad. En cada una de las tres localidades los
ensayos fueron conducidos segn un DBCA con cuatro repeticiones, registrndose los
valores de rendimiento en grano (kg/parcela).
129
Modelos Mixtos en InfoStat
donde yijk representa la respuesta observada en i-simo nivel del factor genotipo,
j-simo nivel de factor bloque, y k-simo nivel del factor localidad, representa la
media general de la respuesta, i representa el efecto del i-simo nivel del factor
genotipo, j representa el efecto del j-simo nivel del factor bloque, k el k-simo nivel
Excepto por ijk y los efectos de bloque (cuando son considerados aleatorios) en la
mayora de los casos, todos los factores del modelo sern considerados como de efectos
fijos. Esto tiene la finalidad de restringir la comparacin de los modelos a su estructura
de parcelas. Las distintas estructuras de parcela inducen una estructura de correlacin
entre las observaciones que puede ser contemplada en el marco de los modelos mixtos,
incluyendo tcnicas de anlisis para el control de la variabilidad espacial.
Se usarn las siguientes estructuras de covarianza para los datos (covarianza marginal):
En los dos primeros modelos los ijk se asumirn como independientes con varianza
constante 2, i.e. se supone que no existe variacin espacial local (intrabloque) y
adems existe homogeneidad de varianzas residuales entre localidades. Los efectos de
130
Modelos Mixtos en InfoStat
Los procedimientos denotados como Modelo BFH y Modelo BAH se basarn tambin
en un modelo para un DBCA pero contemplando la posibilidad de varianzas residuales
heterogneas segn los distintos niveles del factor localidad.
El sexto procedimiento fue igual al anterior pero agregando un efecto fijo de bloque
(Modelo BFExp).
Los dos ltimos procedimiento consistirn en ajustar para cada localidad un modelo de
correlacin espacial isotrpico con funcin de correlacin Gaussiana (Modelo Gau) y
con funcin de correlacin Esfrica, sin declarar el efecto de bloques.
Para ajustar el Modelo BF, en la solapa de efectos fijos se deben declarar los efectos
como se muestra en la Figura 93. 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 94 y Figura 95 respectivamente. No se
declara nada en el resto de las solapas.
131
Modelos Mixtos en InfoStat
Figura 93: Ventana con la solapa Efectos fijos desplegada para los datos del archivo ECRman.IDB2 y
el Modelo BF.
Figura 94: Ventana con la solapa Efectos fijos desplegada para los datos del archivo ECRman.IDB2 y
el Modelo BA.
132
Modelos Mixtos en InfoStat
Figura 95: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo
ECRman.IDB2 y el Modelo BA.
133
Modelos Mixtos en InfoStat
Figura 96: Ventana con la solapa Heteroscedasticidad usando local como criterio de agrupamiento
para los datos del archivo ECRman.IDB2 y los Modelos BFH y BAH.
134
Modelos Mixtos en InfoStat
Figura 97: Ventana con la solapa Correlacin usando las variables la y lon como coordenadas en X e
Y respectivamente y local como criterio de agrupamiento para los datos del archivo ECRman.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 93). La inclusin de los
bloques fijos restringe la modelacin de la variacin espacial nicamente a la variacin
dentro de bloque. La variacin entre bloques est siendo contemplada, en un sentido
clsico, por la inclusin de los bloques en la parte fija. As, declarar como coordenadas
del modelo de correlacin espacial a la y lon, parece redundante ya que bastara con
declarar slo lon (coordenada que varia dentro de bloque). Sin embargo para omitir la
coordenada la sera necesario declara un nuevo criterio de estratificacin consistente en
la combinacin de los niveles de local y bloque. Esta forma alternativa produce
idnticos resultados a los mostrados en el modelo BFExp.
El sptimo modelo, modelo ExpH, es como el modelo Exp pero permitiendo varianzas
heterogneas entre las localidades (como en la Figura 96). Los modelos Gau y Esf se
ajustan al igual que el Exp sin el efecto de bloque, y como se muestra en la Figura 97,
135
Modelos Mixtos en InfoStat
A continuacin se presentan las salidas con las medidas de ajuste de los diferentes
modelos.
Modelo BF
Modelos lineales generales y mixtos
modelo000_rendim_REML<-gls(rendim~1+local+geno+local:geno+local/bloque
,method="REML"
,na.action=na.omit
,data=R.data00)
Variable dependiente:rendim
Modelo BA
Modelos lineales generales y mixtos
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)
Variable dependiente:rendim
136
Modelos Mixtos en InfoStat
(const)
(const) 0.49
Modelo BFH
Modelos lineales generales y mixtos
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)
Variable dependiente:rendim
137
Modelos Mixtos en InfoStat
Parmetro Estim
gralcabr 1.00
manf 0.92
rio3 0.96
Modelo BAH
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)
Variable dependiente:rendim
(const)
(const) 0.46
Estructura de varianzas
138
Modelos Mixtos en InfoStat
Parmetro Estim
gralcabr 1.00
manf 0.92
rio3 0.95
Modelo Exp
Modelos lineales generales y mixtos
modelo004_rendim_REML<-gls(rendim~1+geno+local+local:geno
,correlation=corExp(form=~as.numeric(as.character(la))+as.numeric(as.c
haracter(lon))|local
,metric="euclidean"
,nugget=FALSE)
,method="REML"
,na.action=na.omit
,data=R.data05)
Variable dependiente:rendim
Estructura de correlacin
Parmetro Estim
range 0.96
139
Modelos Mixtos en InfoStat
Modelo BFExp
modelo005_rendim_REML<-gls(rendim~1+geno+local+local:geno+local/bloque
,correlation=corExp(form=~as.numeric(as.character(la))+as.numeric(as.c
haracter(lon))|local
,metric="euclidean"
,nugget=FALSE)
,method="REML"
,na.action=na.omit
,data=R.data05)
Variable dependiente:rendim
Estructura de correlacin
Parmetro Estim
range 0.78
140
Modelos Mixtos en InfoStat
Modelo ExpH
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.c
haracter(lon))|local
,metric="euclidean"
,nugget=FALSE)
,method="REML"
,na.action=na.omit
,data=R.data05)
Variable dependiente:rendim
Estructura de correlacin
Parmetro Estim
range 0.99
Estructura de varianzas
Parmetro Estim
gralcabr 1.00
manf 0.85
rio3 0.81
141
Modelos Mixtos en InfoStat
Modelo Gau
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)
Variable dependiente:rendim
Estructura de correlacin
Parmetro Estim
range 0.87
142
Modelos Mixtos en InfoStat
Modelo Esf
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)
Variable dependiente:rendim
Estructura de correlacin
Parmetro Estim
range 1.91
Debido a que los modelos ajustados tienen distintas componentes en su parte fija, se
compararn 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).
143
Modelos Mixtos en InfoStat
Cuadro 3. Criterios de bondad de ajuste para los modelos ajustados con efectos de bloque fijo en los
datos del archivo ECRmani.IDB2
BF 299.72 468.22
Para este grupo de modelos que contemplan efecto de bloques fijos se puede ver que el
modelo con bloques fijos ms una funcin de correlacin exponencial provee el mejor
ajuste. Esto implica la existencia de una correlacin intra-bloque que es removida por la
funcin de correlacin exponencial. Tambin se puede observar que no hay una mejora
en estos modelos al permitir varianzas heterogneas 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:
Los restantes 6 modelos se pueden comparar entre s 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
BA 283.41 431.90
144
Modelos Mixtos en InfoStat
Dentro de los modelos que contemplan efectos de bloque aleatorio se puede ver
nuevamente que al permitir varianzas heterogneas entre localidades el modelo no
mejora, ya que AIC y BIC son ms pequeos en BA comparados con BAH. Lo mismo
ocurre cuando slo se modela la variabilidad espacial por medio de una funcin de
correlacin exponencial, ya que al permitir varianzas heterogneas (ExpH) no se logra
una mejora respecto a Exp.
Si bien el primer grupo de modelos (BF, BFH y BFExp) no son comparables por medio
de AIC y BIC con este ltimo grupo, el investigador deber poder discernir si sus
bloques deben ser considerados fijos o aleatorios. La eleccin de uno u otro grupo de
modelos tendr efecto sobre las inferencias que se realicen. Esto se visualiza fcilmente
al ver que los errores estndar usados para las comparaciones de medias cambian entre
los modelos. Una discusin ms detallada sobre la eleccin de bloques fijos o aleatorios
puede encontrarse en Casanoves et l. (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 cul 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):
145
Modelos Mixtos en InfoStat
As, el estadstico G =
2 log lik completo 2 log lik reducido =
2 ( 22.91 + 41.43) =
37.04 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 funcin de
correlacin exponencial. La comparacin se puede hacer manualmente, o utilizando el
mdulo Anlisis 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 continuacin.
Comparacin de modelos
modelo010_rendim_REML<-gls(rendim~1+local+geno+local:geno+local/bloque
,correlation=corExp(form=~as.numeric(as.character(la))+as.numeric(as.c
haracter(lon))|local
,metric="euclidean"
,nugget=FALSE)
,method="REML"
,na.action=na.omit
,data=R.data03)
146
Modelos Mixtos en InfoStat
Variable dependiente:rendim
Estructura de correlacin
Parmetro Estim
range 0.78
147
Modelos Mixtos en InfoStat
148
Modelos Mixtos en InfoStat
Rendimiento (kg/parcela)
3
0
mf404
mf432
mf410
mf433
mf415
manf393
mf408
mf429
colirrad
mf420
mf431
manf68
mf435
mf405
mf421
mf407
Genotipo
Figura 98: Diagrama de puntos para estudiar la interaccin entre localidades y genotipos para la
variable rendimiento.
149
Modelos Mixtos en InfoStat
Consideremos un ejemplo donde se desean evaluar tres niveles de fertilizacin con N (0,
50 y 100 kg N/ha) y dos niveles de riego (bajo y alto) sobre los rendimientos de maz.
El ensayo se condujo bajo un diseo en bloques completos al azar con cuatro bloques
(datos: StripPlot.IDB2).
Etapa 1
100 kg N/ha
0 kg N/ha
50 kg N/ha
Etapa 2
Figura 99: Esquema de un experimento conducido bajo un diseo strip-plot repetido en bloques
completos al azar, con la aleatorizacin para un bloque particular de los factores cantidad de
nitrgeno y cantidad de riego. Datos del archivo StripPlot.IDB2.
donde yijk representa la respuesta observada en el i-simo nivel del factor nitrgeno,
j-simo nivel de factor riego y k-simo nivel del factor bloque, representa la media
general de la respuesta, i representa el efecto del i-simo nivel del factor nitrgeno, j
representa el efecto del j-simo nivel del factor riego, k el k-simo nivel del factor
152
Modelos Mixtos en InfoStat
bloque, ik el efecto del bloque k en el nivel i de nitrgeno (efecto aleatorio con el que
de riego (trmino de error para riego), ij la interaccin entre los factores nitrgeno y
independientes.
Figura 100: Ventana del procedimiento de Anlisis de varianza con la solapa Modelo desplegada para
los datos del archivo StripPlot.IDB2.
153
Modelos Mixtos en InfoStat
Anlisis de la varianza
Variable N R R Aj CV
Rendimiento 24 0.99 0.97 1.65
154
Modelos Mixtos en InfoStat
80
Rendimiento 75
70
65 Riego Alto
Riego Bajo
60
55
0 50 100
Nitrogeno
Figura 101: Diagramas de puntos para estudiar la interaccin entre Riego y Nitrgeno y su efecto
sobre el rendimiento. Datos archivo StripPlot.IDB2.
Este ensayo pudo evaluarse bajo la ptica de los modelos lineales fijos debido a que est
completamente balanceado. Estos datos tambin pueden analizarse como modelos
mixtos como se detalla a continuacin. Si hubiera existido desbalance o si los bloques
hubiesen sido aleatorios, este enfoque es el nico vlido.
155
Modelos Mixtos en InfoStat
Figura 102: Ventana con la solapa Efectos fijos desplegada para evaluar un modelo mixto con los
datos del archivo StripPlot.IDB2 .
103).
156
Modelos Mixtos en InfoStat
Figura 103: Ventana con la solapa Efectos aleatorios desplegada para evaluar un modelo mixto con
los datos del archivo StripPlot.IDB2 .
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)
Variable dependiente:Rendimiento
157
Modelos Mixtos en InfoStat
(const)
(const) 1.83
0 100 50
0 0.70 0.00 0.00
100 0.00 0.70 0.00
50 0.00 0.00 0.70
Alto Bajo
Alto 1.49 0.00
Bajo 0.00 1.49
158
Modelos Mixtos en InfoStat
Podemos observar que bajo el enfoque de modelos mixtos en este experimento se llega
a las mismas conclusiones que en el enfoque clsico y que los estadsticos 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 clsico son
fijos; y que las frmulas para el clculo de los grados de libertad del denominador en los
estadsticos F son diferentes.
159
Modelos Mixtos en InfoStat
Para realizar el anlisis de los datos del archivo Lombrices.IDB2, se deben declarar las
variables como se muestra a continuacin (Figura 104).
160
Modelos Mixtos en InfoStat
Figura 104: 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 105).
161
Modelos Mixtos en InfoStat
Figura 105: Ventana con la solapa Efectos fijos desplegada para evaluar un modelo mixto con los
datos del archivo Lombrices.IDB2.
162
Modelos Mixtos en InfoStat
Figura 106: Ventana con la solapa Correlacin desplegada para evaluar un modelo mixto con
correlacin espacial exponencial en los datos del archivo Lombrices.IDB2.
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)
Variable dependiente:Biomasa
163
Modelos Mixtos en InfoStat
Estructura de correlacin
Parmetro Estim
range 2.12
164
Modelos Mixtos en InfoStat
Figura 107: Ventana con la solapa Correlacin desplegada para evaluar un modelo mixto con
correlacin autorregresiva de orden 1 en los datos del archivo Lombrices.IDB2.
165
Modelos Mixtos en InfoStat
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)
Variable dependiente:Biomasa
Estructura de correlacin
Parmetro Estim
Phi 0.62
La nica diferencia entre esta salida y la anterior es que en sta se muestra el parmetro
Phi de correlacin (0.62) en vez del parmetro range.
166
Modelos Mixtos en InfoStat
Figura 108: Herramientas grficas para diagnstico 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 heteroscedstico por tratamientos, en la solapa
Heteroscedasticidad se declararon las variables como en la (Figura 109) y se obtuvo la
siguiente salida.
167
Modelos Mixtos en InfoStat
Figura 109: Ventana con la solapa Heteroscedasticidad desplegada para evaluar un modelo mixto con
en los datos del archivo Lombrices.IDB2.
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)
Variable dependiente:Biomasa
168
Modelos Mixtos en InfoStat
Estructura de correlacin
Parmetro Estim
Phi 0.73
Estructura de varianzas
Parmetro Estim
sol 1.00
sombraL1 0.65
sombraL2 0.66
sombraNL 1.22
Comparacin de modelos
Por este motivo, nos quedamos con el modelo homoscedstico y, debido a la presencia
de interaccin entre los dos factores, se realiza un diagrama de puntos para visualizar el
comportamiento de las medias de biomasa de lombrices (Figura 110).
169
Modelos Mixtos en InfoStat
90
80
70
Biomasa
60
50
40
30
20
1 2 3
Profundidad
Figura 110: Diagramas de puntos para estudiar la interaccin entre tratamientos y profundidad y su
efecto sobre la biomasa. Datos archivo Lombrices.IDB2.
170
Modelos Mixtos en InfoStat
Figura 111: Ventana con la solapa Comparaciones y la subsolapa Contrastes desplegada para evaluar
un modelo mixto con los datos del archivo Lombrices.IDB2.
A continuacin se muestran los resultados de los contrastes. Se puede ver que el nico
tratamiento que presenta solo tendencia lineal y no cuadrtica es el de sol (p<0.0001 y
p=0.8147 respectivamente). El resto de los tratamientos, adems de la tendencia lineal,
presentan una tendencia cuadrtica.
171
Modelos Mixtos en InfoStat
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
172
Modelos Mixtos en InfoStat
Una alternativa bsica y muy poco eficiente para analizar estos datos es realizar un
ANOVA a una va de clasificacin, y comparar los tratamientos usando una estimacin
del trmino de error a partir de la varianza entre los testigos (nicos niveles del factor
tratamiento que estn repetidos). Este modelo es incapaz de contemplar los sesgos
producidos por las diferencias sistemticas 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 clasificacin.
173
Modelos Mixtos en InfoStat
Figura 112: Ventana con la solapa Efectos fijos desplegada para los datos del archivo
Testigos_apareados.IDB2.
modelo000_Rendimiento_REML<-gls(Rendimiento~1+Hibrido
,method="REML"
,na.action=na.omit
,data=R.data21)
Variable dependiente:Rendimiento
174
Modelos Mixtos en InfoStat
En la solapa Efectos fijos se deja igual que en la Figura 112. En la solapa Correlacin se
especifican los diferentes modelos:
175
Modelos Mixtos en InfoStat
Figura 113: Ventana con la solapa Correlacin desplegada para los datos del archivo
Testigos_apareados.IDB2 y seleccin de Correlacin espacial exponencial.
176
Modelos Mixtos en InfoStat
Figura 114: Ventana con la solapa Correlacin desplegada para los datos del archivo
Testigos_apareados.IDB2 y seleccin de Correlacin espacial Gaussiana.
177
Modelos Mixtos en InfoStat
Figura 115: Ventana con la solapa Correlacin desplegada para los datos del archivo
Testigos_apareados.IDB2 y seleccin de Correlacin espacial lineal.
178
Modelos Mixtos en InfoStat
Figura 116: Ventana con la solapa Correlacin desplegada para los datos del archivo
Testigos_apareados.IDB2 y seleccin de Correlacin espacial rational quadratic.
179
Modelos Mixtos en InfoStat
Figura 117: Ventana con la solapa Correlacin desplegada para los datos del archivo
Testigos_apareados.IDB2 y seleccin de Correlacin espacial esfrica.
Todos los modelos ajustan bien, ya que sus valores de AIC y BIC son muy parecidos. El
modelo con menores valores es el de Correlacin espacial exponencial (AIC=218.62,
BIC=232.08). La salida correspondiente a este modelo se presenta a continuacin.
180
Modelos Mixtos en InfoStat
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)
Variable dependiente:Rendimiento
Estructura de correlacin
Parmetro Estim
range 2.74
181
Modelos Mixtos en InfoStat
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)
182
Modelos Mixtos en InfoStat
Figura 118: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del
archivo Testigos_apareados.IDB2.
modelo029_Rendimiento_REML<-gls(Rendimiento~1+Hibrido+PRED_Dif
,method="REML"
,na.action=na.omit
,data=R.data29)
Variable dependiente:Rendimiento
183
Modelos Mixtos en InfoStat
Si bien se llega a la misma conclusin con respecto a los cultivares que en el anlisis
usando correlacin espacial exponencial, podemos observar que las medias ajustadas y
los errores estndares son diferentes. Tambin difiere el orden o ranking presente entre
los hbridos que presentan los mayores rendimientos. Por ltimo, el contemplar la
correlacin espacial es una alternativa mucho ms sencilla para realizar este tipo de
anlisis.
184
Modelos Mixtos en InfoStat
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. 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.
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. First edition. Chapman &
Hall, London.
185
Modelos Mixtos en InfoStat
Littell R., Milliken G., Stroup W., Wolfinger R., Schabenberger O. 2006. SAS for
Mixed Models. Second Ed., SAS Institute, Cary, NC.
Littell R., Pendergast J., Natarajan R. 2002. Modelling Covariance Structure in the
Analysis of Repeated Measures Data. Statistics in Medicine 19:1793-1819.
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, State College, 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: 281292.
Papadakis J.S. 1937. Mthode statistique pour des experiences sur champ. Institut
dAmlioration 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: 219231.
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.
186
Modelos Mixtos en InfoStat
ndice de cuadros
Cuadro 1. Componentes de varianza estimados para los datos del archivo Compvar.IDB2 ......................................... 34
Cuadro 2. Caractersticas y medidas de ajuste de los modelos evaluados para los datos del archivo
CapacidadRespiratoria.IDB2. ..................................................................................................................................... 106
Cuadro 3. Criterios de bondad de ajuste para los modelos ajustados con efectos de bloque fijo en los datos del archivo
ECRmani.IDB2 .......................................................................................................................................................... 144
Cuadro 4. Criterios de bondad de ajuste para los modelos ajustados sin efectos de bloque fijo en los datos del archivo
ECRmani.IDB2 .......................................................................................................................................................... 144
ndice de figuras
Figura 1: Solapas con las opciones para especificacin de un modelo lineal general y mixto. .......................................2
Figura 2: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Atriplex.IDB2. ............................3
Figura 3: Ventana desplegada con la solapa Efectos aleatorios para los datos del archivo Bloque.IDB2.......................5
Figura 4: Ventana desplegada con la solapa Comparaciones para los datos del archivo Bloque.IDB2. .........................8
Figura 5: Ventana de dilogo para importar datos desde las libreras de R................................................................... 10
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 Correlacin para los datos del archivo Ovary. ......................................14
Figura 11: Funciones ajustadas para el nmero poblacional de folculos (lnea slida negra) y para cada yegua
originada por el efecto aleatorio sobre la constante (archivo Ovary). ........................................................................... 18
Figura 12: Valores suavizados (polinmico de tercer grado) para el nmero de folculos (lineas slidas) para cada
yegua (Archivo Ovary). ................................................................................................................................................ 18
Figura 15: Valores predichos para el nmero de folculos para cada yegua generados por la incluisin de efectos
aleatorios sobre los parmetros del modelo de regresin. Matriz de covarianzas de los efectos aleatorios: pdSymm ..20
Figura 16: Especificacin de la parte aleatoria del modelo (3) pero permitiendo que stos varien en varianza y estn
correlacionados. ............................................................................................................................................................ 21
Figura 17: Valores predichos para el nmero de folculos para cada yegua generados por la incluisin de efectos
aleatorios sobre los parmetros del modelo de regresin. Matriz de covarianzas de los efectos aleatorios: pdSymm. .21
187
Modelos Mixtos en InfoStat
Figura 18: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Ovary. .........................22
Figura 19: Ventana comparacin de modelos generales y mixtos con la solapa Diagnstico desplegada (archivo
Atriplex.IDB2).............................................................................................................................................................. 25
Figura 20: Ventana comparacin de modelos generales y mixtos con la solapa Combinaciones lineales desplegada
(archivo Atriplex.IDB2). .............................................................................................................................................. 26
Figura 21: Funcin de autocorrelacin de los residuos del modelo presentado en la Ecuacin (2) excluyendo la
modelacin de la autocorrelacin serial. ....................................................................................................................... 27
Figura 22: Funcin de autocorrelacin de los residuos del modelo presentado en la Ecuacin (2) incluyendo la
modelacin de la autocorrelacin serial. ....................................................................................................................... 28
Figura 23: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del archivo
Compvar.IDB2. ............................................................................................................................................................ 31
Figura 24: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Compvar.IDB2 para la
especificacin del Modelo 1. ........................................................................................................................................ 32
Figura 25: Ventana Anlisis-exploracin de modelos estimados con la solapa Diagnstico desplegada para el Modelo
1 con los datos del archivo Compvar.IDB2. ................................................................................................................. 35
Figura 26: Grficos de diagnstico obtenidos para la variable largo y el modelo 1 para los datos del archivo
Compvar.IDB2. ............................................................................................................................................................ 35
Figura 27: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Compvar.IDB2 para la
especificacin de varianzas heterogneas para poblaciones. ........................................................................................ 36
Figura 28: Grficos de diagnstico obtenidos para la variable largo y el modelo 1 con varianzas residuales
heterogneas para poblaciones y los datos del archivo Compvar.IDB2........................................................................ 41
Figura 29: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Compvar.IDB2 para la
especificacin del Modelo 2. ........................................................................................................................................ 42
Figura 30: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Compvar.IDB2 para la
especificacin del Modelo 2. ........................................................................................................................................ 42
Figura 31: Ventana con la solapa Comparaciones desplegada para los datos del archivo Compvar.IDB2 para la
especificacin del Modelo 2. ........................................................................................................................................ 43
Figura 32: Ventana Anlisis-exploracin de modelos estimados con la solapa Diagnstico desplegada para el Modelo
2 con los datos del archivo Compvar.IDB2. ................................................................................................................. 47
Figura 33: Grficos de diagnstico obtenidos para la variable largo y el Modelo 2 para los datos del archivo
Compvar.IDB2 ............................................................................................................................................................. 48
Figura 34: Grficos de diagnstico 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 poblacin. ......................................51
Figura 35: Esquema del diseo en parcelas divididas para el ejemplo de los datos en el archivo Trigo.IDB2 (gris
oscuro=parcelas bajo riego, gris claro=parcelas en secano).......................................................................................... 54
Figura 37: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del archivo
Trigo.IDB2. .................................................................................................................................................................. 55
188
Modelos Mixtos en InfoStat
Figura 38: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Trigo.IDB2..............................56
Figura 39: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Trigo.IDB2 con bloque y
agua como criterios de estratificacin........................................................................................................................... 57
Figura 40: Ventana Comparacin de modelos generales y mixtos con la solapa Diagnstico desplegada para los datos
del archivo Trigo.IDB2................................................................................................................................................. 59
Figura 41: Herramientas grficas para diagnstico obtenidas para los datos del archivo Trigo.IDB2. .........................60
Figura 42: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Trigo.IDB2 con
seleccin de funcin varIdent con variedad como criterio de agrupamiento. ............................................................... 61
Figura 43: Ventana con la solapa Comparaciones desplegada para los datos del archivo Trigo.IDB2 y seleccin de la
subsolapa Medias.......................................................................................................................................................... 62
Figura 44: Encabezamiento de la tabla de datos del archivo Cobertura de gotas.IDB2. ............................................... 64
Figura 45: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del archivo
Cobertura de gotas.IDB2. ............................................................................................................................................. 65
Figura 46: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Cobertura de gotas.IDB2. .......65
Figura 47: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Cobertura de gotas.IDB2
con Parcela como criterio de estratificacin. ................................................................................................................ 66
Figura 48: Diagrama de cajas para los residuos estandarizados de Pearson para los niveles del factor Cara. ..............67
Figura 49: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Cobertura de gotas.IDB2
con Cara como criterio de agrupamiento. ..................................................................................................................... 68
Figura 50: Diagramas de puntos para estudiar la interaccin entre Coad y Altura (a) y entre Cara y Altura (b). .........71
Figura 51: Esquema del diseo en parcelas subdivididas para el ejemplo de los datos en el archivo Calidad del
almidn.IDB2. .............................................................................................................................................................. 72
Figura 52: Encabezamiento de la tabla de datos del archivo Calidad del Almidn.IDB2. ............................................ 73
Figura 53: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del archivo Calidad
del Almidn.IDB2. ....................................................................................................................................................... 73
Figura 54: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Calidad del Almidn.IDB2. ....74
Figura 55: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Calidad del Almidn.IDB2.
...................................................................................................................................................................................... 75
Figura 56: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Calidad del Almidn.IDB2
que contempla otra forma de especificar la parte aleatoria. .......................................................................................... 77
Figura 57: Relacin entre cobertura y tiempo para cinco tratamientos del archivo Cobertura forrajes.IDB2. .............81
Figura 58: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del ejemplo
Cobertura forrajes.IDB2. .............................................................................................................................................. 83
Figura 59: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Cobertura forrajes.IDB2. ........84
Figura 60: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura forrajes.IDB2 y
seleccin de Errores independientes (Modelo 1). ......................................................................................................... 85
189
Modelos Mixtos en InfoStat
Figura 61: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Cobertura forrajes.IDB2
con seleccin de funcin varIdent con tiempo como criterio de agrupamiento (Modelo 2).......................................... 86
Figura 62: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura forrajes.IDB2 y
seleccin de simetra compuesta para datos agrupados por parcela (Modelo 3). ......................................................... 87
Figura 63: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura forrajes.IDB2 y
seleccin de modelo Autorregresivo de orden 1 para datos agrupados por parcela y orden de las observaciones
indicado por la variable Tiempo (Modelo 5). ............................................................................................................... 89
Figura 64: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Cobertura forrajes.IDB2
con parcela como criterio de estratificacin (Modelo 7)............................................................................................... 90
Figura 65: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura forrajes.IDB2 y
seleccin de modelo Autorregresivo continuo de orden 1 para datos agrupados por parcela y orden de las
observaciones indicado por la variable Tiempo (Modelo 8). ........................................................................................ 92
Figura 66: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura forrajes.IDB2 y
seleccin de modelo Sin estructura para datos agrupados por parcela y orden de las observaciones indicado por la
variable Tiempo (Modelo 9). ........................................................................................................................................ 93
Figura 68: Ventana con la solapa Comparaciones desplegada para los datos del archivo Cobertura forrajes.IDB2 y
seleccin de la subsolapa Contrastes. ........................................................................................................................... 97
Figura 69: Ventana de selector de variables con los datos del archivo CapacidadRespiratoria.IDB2. ....................... 100
Figura 70: Ventana con la solapa Efectos fijos desplegada con los datos del archivo CapacidadRespiratoria.IDB2. 101
Figura 71: Ventana con la solapa Correlacin desplegada, opcin Simetra compuesta, con los datos del archivo
CapacidadRespiratoria.IDB2. ..................................................................................................................................... 102
Figura 72: Ventana con la solapa Correlacin desplegada, opcin Autorregresivo de orden 1, con los datos del
archivo CapacidadRespiratoria.IDB2. ........................................................................................................................ 103
Figura 73: Ventana con la solapa Heteroscedasticidad desplegada con los datos del archivo
CapacidadRespiratoria.IDB2. ..................................................................................................................................... 104
Figura 74: Ventana con la solapa Efectos aleatorios desplegada con los datos del archivo
CapacidadRespiratoria.IDB2. ..................................................................................................................................... 105
Figura 75: Ventana con la solapa Correlacin desplegada, opcin Sin estructura, con los datos del archivo
CapacidadRespiratoria.IDB2. ..................................................................................................................................... 106
Figura 76: Ventana de selector de variables para los datos del archivo MedCapRes.IDB2. ....................................... 110
Figura 77: Ventana de selector de variables con solapa Particiones activada para los datos del archivo
MedCapRes.IDB2....................................................................................................................................................... 111
Figura 78: Grfico de puntos para estudiar la interaccin entre tratamientos y hora con los datos del archivo
CapacidadRespiratoria.IDB2. ..................................................................................................................................... 112
Figura 79: Ventana con la solapa Comparaciones, subsolapa Contrastes con los datos del archivo
CapacidadRespiratoria.IDB2. ..................................................................................................................................... 113
190
Modelos Mixtos en InfoStat
Figura 80: Grfico de puntos para el logaritmo del peso seco remanente en funcin del tiempo, para los cuatro
tratamientos (Especie-Bolsa). Archivo Descomposicin.IDB2. ................................................................................. 116
Figura 81: Especificacin del modelo de regresin lineal con ordenadas al origen y pendientes diferentes para el
logaritmo de la materia seca remanente en funcin del tiempo para cuatro tratamientos dados por la especie de origen
del material vegetal y el tramado de la bolsa que lo almacena. Archivo Descomposicin.IDB2. .............................. 117
Figura 82: Grfico de puntos para el logaritmo del peso seco remanente en funcin del tiempo, para los cuatro
tratamientos (Especie-Bolsa). Archivo Descomposicin.IDB2. ................................................................................. 118
Figura 83: Grfico de residuos estudentizados (Pearson) vs. Tiempo, para un modelo de regresin de la materia seca
residual en funcin del tiempo para cuatro tratamientos (Especia-Bolsa) con diferentes ordenadas y pendientes.
Archivo Descomposicin.IDB2. ................................................................................................................................. 119
Figura 84: Especificacin del modelo de regresin lineal con ordenadas y pendientes diferentes para el logaritmo de
la materia seca remanente en funcin del tiempo para cuatro tratamientos dados por la especie de origen del material
vegetal y el tramado de la bolsa que lo almacena. Archivo Descomposicin.IDB2. .................................................. 119
Figura 85: Ajustes del modelo de regresin polinmica de orden 2 con ordenadas y pendientes diferentes para el
logaritmo de la materia seca remanente en funcin 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
Descomposicin.IDB2. ............................................................................................................................................... 120
Figura 86: Residuos estudentizados (Pearson) vs. Tiempo para el modelo de regresin polinmica de orden 2 con
ordenadas y pendientes diferentes para el logaritmo de la materia seca remanente en funcin 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 Descomposicin.IDB2. ............................................................................................................ 121
Figura 87: Especificacin de la parte heteroscedstica del modelo de regresin polinmica de orden 2 con ordenadas
y pendientes diferentes para el logaritmo de la materia seca remanente en funcin 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 Descomposicin.IDB2. ............................................................................................................ 121
Figura 88: Residuos estudentizados (Pearson) vs Tiempo para el modelo heteroscedstico de regresin con ordenadas
y pendientes diferentes por tratamiento para el logaritmo de la materia seca remanente en funcin 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 Descomposicin.IDB2. ............................................................................................ 122
Figura 89: Especificacin de la parte aleatoria del modelo heteroscedstico de regresin polinmica de orden 2 con
ordenadas y pendientes diferentes para el logaritmo de la materia seca remanente en funcin 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 Descomposicin.IDB2. ............................................................................................................ 123
Figura 90: Residuos estudentizados (Pearson) vs Tiempo para el modelo heteroscedstico de regresin con ordenadas
y pendientes diferentes por tratamiento y el agregado de un efecto aleatorio sobre la constante que es particular para
cada combinacin de tiempo y tratamiento, para el logaritmo de la materia seca remanente en funcin 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 Descomposicin.IDB2. ............................................................................................ 123
Figura 91: Intrprete de R. Tiene 4 paneles. Script: contiene el o los programas R que se quieren ejecutar. Output: la
salida de la ejecucin de un script o de la visualizacin 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 enva R a la consola. ....124
191
Modelos Mixtos en InfoStat
Figura 92: Curvas de tasas de descomposicin segn especie y tramado de la bolsa de almacenamiento. .................127
Figura 93: Ventana con la solapa Efectos fijos desplegada para los datos del archivo ECRman.IDB2 y el Modelo BF.
.................................................................................................................................................................................... 132
Figura 94: Ventana con la solapa Efectos fijos desplegada para los datos del archivo ECRman.IDB2 y el Modelo
BA. ............................................................................................................................................................................. 132
Figura 95: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo ECRman.IDB2 y el
Modelo BA. ................................................................................................................................................................ 133
Figura 96: Ventana con la solapa Heteroscedasticidad usando local como criterio de agrupamiento para los datos del
archivo ECRman.IDB2 y los Modelos BFH y BAH. ................................................................................................ 134
Figura 97: Ventana con la solapa Correlacin usando las variables la y lon como coordenadas en X e Y
respectivamente y local como criterio de agrupamiento para los datos del archivo ECRman.IDB2 y los Modelos Exp
y BFExp...................................................................................................................................................................... 135
Figura 98: Diagrama de puntos para estudiar la interaccin entre localidades y genotipos para la variable rendimiento.
.................................................................................................................................................................................... 149
Figura 99: Esquema de un experimento conducido bajo un diseo strip-plot repetido en bloques completos al azar,
con la aleatorizacin para un bloque particular de los factores cantidad de nitrgeno y cantidad de riego. Datos del
archivo StripPlot.IDB2. .............................................................................................................................................. 152
Figura 100: Ventana del procedimiento de Anlisis de varianza con la solapa Modelo desplegada para los datos del
archivo StripPlot.IDB2. .............................................................................................................................................. 153
Figura 101: Diagramas de puntos para estudiar la interaccin entre Riego y Nitrgeno y su efecto sobre el
rendimiento. Datos archivo StripPlot.IDB2. ............................................................................................................... 155
Figura 102: Ventana con la solapa Efectos fijos desplegada para evaluar un modelo mixto con los datos del archivo
StripPlot.IDB2 . .......................................................................................................................................................... 156
Figura 103: Ventana con la solapa Efectos aleatorios desplegada para evaluar un modelo mixto con los datos del
archivo StripPlot.IDB2 . ............................................................................................................................................. 157
Figura 104: Ventana se selector de variable para Modelos lineales generales y mixtos los datos del archivo
Lombrices.IDB2. ........................................................................................................................................................ 161
Figura 105: Ventana con la solapa Efectos fijos desplegada para evaluar un modelo mixto con los datos del archivo
Lombrices.IDB2. ........................................................................................................................................................ 162
Figura 106: Ventana con la solapa Correlacin desplegada para evaluar un modelo mixto con correlacin espacial
exponencial en los datos del archivo Lombrices.IDB2. .............................................................................................. 163
Figura 107: Ventana con la solapa Correlacin desplegada para evaluar un modelo mixto con correlacin
autorregresiva de orden 1 en los datos del archivo Lombrices.IDB2. ......................................................................... 165
Figura 108: Herramientas grficas para diagnstico obtenidas para los datos del archivo Lombrices.IDB2. .............167
Figura 109: Ventana con la solapa Heteroscedasticidad desplegada para evaluar un modelo mixto con en los datos del
archivo Lombrices.IDB2. ........................................................................................................................................... 168
Figura 110: Diagramas de puntos para estudiar la interaccin entre tratamientos y profundidad y su efecto sobre la
biomasa. Datos archivo Lombrices.IDB2. .................................................................................................................. 170
192
Modelos Mixtos en InfoStat
Figura 111: Ventana con la solapa Comparaciones y la subsolapa Contrastes desplegada para evaluar un modelo
mixto con los datos del archivo Lombrices.IDB2. ...................................................................................................... 171
Figura 112: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Testigos_apareados.IDB2. ..174
Figura 113: Ventana con la solapa Correlacin desplegada para los datos del archivo Testigos_apareados.IDB2 y
seleccin de Correlacin espacial exponencial. .......................................................................................................... 176
Figura 114: Ventana con la solapa Correlacin desplegada para los datos del archivo Testigos_apareados.IDB2 y
seleccin de Correlacin espacial Gaussiana. ............................................................................................................. 177
Figura 115: Ventana con la solapa Correlacin desplegada para los datos del archivo Testigos_apareados.IDB2 y
seleccin de Correlacin espacial lineal. .................................................................................................................... 178
Figura 116: Ventana con la solapa Correlacin desplegada para los datos del archivo Testigos_apareados.IDB2 y
seleccin de Correlacin espacial rational quadratic. .............................................................................................. 179
Figura 117: Ventana con la solapa Correlacin desplegada para los datos del archivo Testigos_apareados.IDB2 y
seleccin de Correlacin espacial esfrica. ................................................................................................................. 180
Figura 118: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del archivo
Testigos_apareados.IDB2. .......................................................................................................................................... 183
193