Tutorial MM Esp

Modelos Mixtos
en
InfoStat
Julio A. Di Rienzo
Ral Macchiavelli
Fernando Casanoves

Actualizado en Octubre de 2009
Modelos Mixtos en InfoStat

Julio A. Di Rienzo es Profesor Asociado de Estadstica y
Biometra de la Facultad de Ciencias Agropecuarias de la
Universidad Nacional de Crdoba, Argentina. Director del
grupo de desarrollo de InfoStat y responsable de la
implementacin de la interfase con R que se presenta en
esta obra (dirienzo@agro.uncor.edu).

Ral E. Macchiavelli es Catedrtico de Biometra en el
Facultad de Ciencias Agrcolas, Universidad de Puerto Rico
- Mayagez (raul.macchiavelli@upr.edu)

Fernando Casanoves es el Jefe de la Unidad de
Bioestadstica del Centro Agronmico Tropical de
Investigacin y Enseanza (CATIE). Anteriormente trabaj
en la Facultad de Ciencias Agropecuarias de la Universidad
Nacional de Crdoba, Argentina, donde particip del
desarrollo de InfoStat (casanoves@catie.ac.cr).


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.

ii
INDICE DE CONTENIDOS
Introduccin ................................................................................................................................ 1
Requerimientos (actualizacin 25/10/2009) ....................................................................... 1
Invocacin del procedimiento de modelos lineales generales y mixtos .................................. 2
Especificacin de los efectos fijos............................................................................................... 2
Especificacin de los efectos aleatorios ..................................................................................... 5
Comparacin de medias de tratamientos.................................................................................. 8
Especificacin de la estructura de correlacin y de varianza de los errores ......................... 9
Especificacin de la estructura de correlacin........................................................................ 10
Especificacin de la parte fija .......................................................................................................... 12
Especificacin de la parte aleatoria................................................................................................. 13
Especificacin de la correlacin de los errores ............................................................................... 14
Especificacin de la estructura de varianzas de los errores .................................................... 18
Anlisis de un modelo ajustado ............................................................................................... 21
Ejemplos de Aplicacin de Modelos Lineales Generales y Mixtos ...................................... 26
Estimacin de componentes de varianza ................................................................................ 27
Aplicacin de modelos mixtos para datos estratificados ........................................................ 49
Parcelas divididas ............................................................................................................................ 49
Parcelas divididas en un arreglo en bloques.................................................................................... 50
Parcelas divididas en un arreglo en diseo completamente aleatorizado........................................ 60
Parcelas subdivididas (split-split plot) ............................................................................................. 68
Aplicacin de modelos mixtos para mediciones repetidas en el tiempo ................................ 77
Datos longitudinales......................................................................................................................... 77
Anlisis de un ensayo de establecimiento de forrajeras ................................................................... 78
Anlisis de un ensayo de drogas para asma..................................................................................... 96
Anlisis de bolsas de descomposicin ............................................................................................ 112
Uso de modelos mixtos para el control de la variabilidad espacial en ensayos agrcolas .... 125
Correlacin espacial ...................................................................................................................... 125
Anlisis de un ensayo comparativo de rendimientos en man ........................................................ 126
Aplicaciones de modelos mixtos en otros diseos experimentales ...................................... 147
Diseo en franjas (strip-plot) ......................................................................................................... 147
Diseo experimental con dos factores y dependencia espacial ...................................................... 156
Diseos de testigos apareados........................................................................................................ 169
Referencias............................................................................................................................... 181
ndice de cuadros .................................................................................................................... 183
ndice de figuras...................................................................................................................... 183


1
Introduccin
InfoStat implementa una interfase amigable de la plataforma R para la estimacin de
modelos lineales generales y mixtos a travs de los procedimientos gls y lme de la
librera nlme. La bibliografa de referencia de esta implementacin, as como alguno de
los ejemplos utilizados, corresponde a Pinheiro y Bates (2004). Las rutinas utilizadas
para vincular la plataforma de desarrollo de InfoStat (Delphi) con el DCOM-R (una
forma de correr R en el background) es un desarrollo de Dieter Menne
(dieter.menne@menne-biomed.de).
Requerimientos (actualizacin 25/10/2009)
Para que InfoStat pueda tener acceso a R, debe estar instalado en su sistema el
componente DCOM y R. Para ello se deben seguir los siguientes pasos (EN ESE
ORDEN):
a. Desinstalar R si estuviera previamente instalado en su computadora.
b. Desinstalar DCOM si estuviera previamente instalado en su computadora
c. Reiniciar su computadora
d. Instalar DCOM DCOM 3.01B5
e. Reinstalar R R-2.9.2-win32
f. Correr R e instalar (desde los repositrios de R) la librera rscproxy
g. Salir de R Instalacin concluida

Nota: Si bien InfoStat se mantiene actualizado para las ltimas versiones de DCOM y
R, se recomienda utilizar las versiones que se pueden descargar de los vnculos
(links) anteriores.

En algunas configuraciones de Windows Vista hay inconvenientes para instalar la
librera rscproxy. El sntoma es que cuando estn instalando la librera, aparece un
dilogo de opciones (dos opciones). No importa la opcin que Ud. elija la instalacin
fallar. Solucin: Entre al sitio del CRAN, busque y descargue manualmente el archivo
rscproxy zipeado. Descomprmalo y cpielo (o muvalo) al directorio
C:\Archio de Programas\R\R-2.9.0\library\.

2
Invocacin del procedimiento de modelos lineales generales y mixtos
En el men Estadsticas seleccionar el submen Modelos lineales generales y mixtos,
all encontrar dos opciones. La primera, con el rtulo Estimacin, invoca la ventana de
dilogo que permite especificar la estructura del modelo. La segunda, rotulada Anlisis
exploracin de modelos estimados, se activa cuando algn modelo ha sido estimado
previamente y contiene un conjunto de herramientas para el anlisis diagnstico.
Especificacin de los efectos fijos
Comenzaremos indicando cmo ajustar un modelo de efectos fijos, utilizando el archivo
Atriplex.IDB2 del conjunto de datos de prueba de InfoStat. Una vez abierto este archivo
activar el men Estadsticas, submen Modelos lineales mixtos, opcin Estimacin. En
la ventana de seleccin de variables, los factores de clasificacin, covariables y
variables dependientes pueden ser especificados como en un anlisis de la varianza para
efectos fijos. Para los datos en el archivo Atriplex.IDB2 especificar PG como variable
respuesta y como criterios de clasificacin a Tamao y Episperma. Una vez que se
acepta la seleccin realizada se mostrar la ventana principal de la interfase para
modelos mixtos. Esta ventana contiene cinco solapas (Figura 1).

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).
A la derecha de la ventana aparecer una lista conteniendo las variables de clasificacin
y las covariables declaradas en la ventana de seleccin de variables. Para incluir un
factor (variable de clasificacin) o una covariable a la parte fija del modelo, basta hacer
doble clic sobre el nombre del factor o covariable que se quiere incluir. Esta accin
agregar una lnea en la lista de efectos fijos. Doble clics adicionales sobre un factor o
una covariable agregarn trminos en lneas sucesivas, implcitamente separados por un
signo + (modelo aditivo). Seleccionando con el ratn los factores principales y

3
accionando el botn * se introduce un trmino que especifica la interaccin entre los
factores. Para el conjunto de datos en el archivo Atriplex.IDB2, incluir en el modelo de
efectos fijos los factores Tamao, Episperma y su interaccin (Figura 2). Algunos de los
textos en estas ventanas han sido aumentados de tamao para mejorar su visualizacin
(esto se logra moviendo el roller del ratn mientras la tecla Ctrl del teclado esta
apretada).
Si aceptamos esta especificacin, en la ventana de resultados de InfoStat se obtendr la
salida que se muestra a continuacin de la Figura 2. La salida que se obtiene es la ms
sencilla ya que no se han especificado caractersticas adicionales del modelo u otras
opciones de anlisis. La primera parte contiene la especificacin de la forma en que se
invoc la estimacin del modelo en la sintaxis de R, e indica el nombre del objeto R que
contiene al modelo y su estimacin. En este caso modelo001_PG_REML. Esta
especificacin es slo de inters para aquellos que estn acostumbrados a ver las
sentencias en R.
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.

4

Figura 2: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Atriplex.IDB2.
Modelos lineales generales y mixtos

Especificacin del modelo en R

modelo001_PG_REML<-gls(PG~1+Tamano+Episperma+Tamano:Episperma
,method="REML"
,na.action=na.omit
,data=R.data01)

Resultados para el modelo: modelo001_PG_REML

Variable dependiente:PG

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
27 160. 36 169. 26 - 70. 18 9. 07 0. 92
AIC y BIC menores implica mejor

Pruebas de hiptesis secuenciales

numDF F- val ue p- val ue
( I nt er cept ) 1 1409. 95 <0. 0001
Tamano 2 10. 49 0. 0010
Epi sper ma 2 90. 53 <0. 0001
Tamano: Epi sper ma 4 2. 29 0. 0994


5
Especificacin de los efectos aleatorios
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
considerado aleatorio ya que su respuesta depender entre otras cosas de condiciones
ambientales que no son predecibles), mientras que los tratamientos agregan efectos
fijos. Para especificar este modelo, las dos primeras columnas del archivo de pruebas
Bloque.IDB2 (Bloque y Tratamiento) se ingresarn como criterios de clasificacin y la
ltima (Rendimiento) como variable dependiente. El factor Tratamiento se incluir en la
solapa Efectos fijos como el nico componente de esa parte del modelo. Para agregar el
efecto aleatorio de los bloques, seleccionaremos la solapa Efectos aleatorios. Cuando se
selecciona sta solapa la lista Criterios de estratificacin est vaca. Haciendo doble clic
sobre Bloque en la lista de variables, se agrega ste factor de clasificacin, como criterio
de agrupamiento. La inclusin de un criterio de estratificacin activa, en el panel
inferior, un dispositivo que permite detallar la forma en que el efecto aleatorio entra en
el modelo. En ste dispositivo hay una lista de componentes de la parte fija de modelo.
El primer componente hace referencia a la Constante y el resto a los otros trminos, en
este caso Tratamiento (Figura 3).

6

Figura 3: Ventana desplegada con la solapa Efectos aleatorios para los datos del archivo
Bloque.IDB2.
Dentro de la lista de trminos fijos aparecen los criterios de estratificacin previamente
especificados. La combinacin de ambas listas define los efectos aleatorios. Para ello,
cada criterio de estratificacin, dentro de cada efecto fijo, tiene asociado un check box.
Cuando ste est tildado indica que hay un conjunto de efectos aleatorios asociados al
efecto fijo correspondiente. El nmero de efectos aleatorios es igual al nmero de
niveles que tiene el trmino fijo del modelo o a 1 en el caso de la constante o de las
covariables. En el ejemplo que se ilustra se est incluyendo un efecto aleatorio inducido
por los bloques sobre la constante.
Esta especificacin representa al siguiente modelo:
; 1,.., ; 1,...,
ij i j ij
y b i T j B t c = + + + = = (1)
donde
ij
y es la respuesta al i-simo tratamiento en el j-simo bloque, la media
general de rendimientos,
i
t los efectos fijos de los tratamientos,
j
b el cambio del nivel
medio de
ij
y asociado al j-simo bloque y
ij
c el trmino de error asociado a la

7
observacin
ij
y . T y B son el nmero de niveles del factor de clasificacin
correspondiente al efecto fijo Tratamiento y al nmero de bloques respectivamente. Los
j
b se consideran, a diferencia de un efecto fijo, como variables aleatorias idnticamente
distribuidas
( )
2
0,
b
N o y cuyas realizaciones se interpretan como los efectos de los
distintos grupos o estratos (bloques, en este ejemplo). Luego, en estos modelos, los
j
b
no se estiman, lo que se estima es el parmetro
2
b
o que caracteriza a su distribucin. Los
ij
c tambin se interpretan como variables aleatorias idnticamente distribuidas
( )
2
0, N
c
o y describen a los errores aleatorios asociados a cada observacin. Se supone,
adems, que las variables aleatorias
j
b y
ij
c son independientes.
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
,keep.data=FALSE)

Resultados para el modelo: modelo003_Rendimiento_REML

Variable dependiente:Rendimiento


N AI C BI C l ogLi k Si gma R2_0 R2_1
20 218. 77 223. 73 - 102. 39 160. 65 0. 89 0. 93


numDF denDF F- val ue p- val ue
( I nt er cept ) 1 12 2240. 00 <0. 0001
Tr at ami ent o 4 12 41. 57 <0. 0001

Parmetros de los efectos aleatorios

Modelo de covarianzas de los efectos aleatorios: pdIdent
Formula: ~1|Bloque

Desvos estndares relativos al residual y correlaciones

( const )
( const ) 0. 57

8
En este caso se presenta la estimacin de
b
o (la desviacin estndar de los
j
b relativa al
residual) como 0.57. Al comienzo de la salida puede observarse la estimacin de
c
o , la
desviacin estndar de los
ij
c , como 160.65. As, la varianza de los bloques puede
calcularse como:
2 2
(0.57 160.65) 8385.15
b
o = =
Comparacin de medias de tratamientos
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.

Figura 4: Ventana desplegada con la solapa Comparaciones para los datos del archivo Bloque.IDB2.

9
La salida correspondiente a la comparacin de las medias de tratamientos se presenta a
continuacin.
Medias ajustadas y errores estndares para Tratamiento
LSD Fisher (alfa=0.05)
Procedimiento de correccin de p-valores: No

Tr at ami ent o Medi as E. E.
300 3237. 75 92. 47 A
225 3093. 50 92. 47 A B
150 2973. 00 92. 47 B
75 2498. 50 92. 47 C
0 1972. 75 92. 47 D
Letras distintas indican diferencias significativas(p<= 0.05)

La comparacin de medias de tratamientos se muestra de la forma clsica como una
lista ordenada en forma decreciente.
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
199), Sidak (Hsu 1996), Benjamini-Hochberg (Benjamini y Hochberg 1995) o
Benjamini-Yekutieli (Benjamini y Yekutieli 2001). Si para este mismo conjunto de
datos se selecciona la opcin Bonferroni, se obtiene el siguiente resultado:
Medias ajustadas y errores estndares para Tratamiento
Procedimiento de correccin de p-valores: Bonferroni

Tr at ami ent o Medi as E. E.
300 3237. 75 92. 47 A
225 3093. 50 92. 47 A B
150 2973. 00 92. 47 A B
75 2498. 50 92. 47 B
0 1972. 75 92. 47 B

Especificacin de la estructura de correlacin y de varianza de los errores
Las estructuras de varianzas y de covarianzas pueden modelarse separadamente. Para
ello, InfoStat presenta dos solapas: en la solapa Correlacin se encuentran las opciones
para especificar la estructura de correlacin de los errores y la solapa
Heteroscedasticidad permite seleccionar distintos modelos para la funcin de varianza.
A continuacin se describen los contenidos de estas solapas.

10
Especificacin de la estructura de correlacin
Para ejemplificar la utilizacin de esta herramienta recurriremos a un ejemplo citado en
Pinheiro y Bates (2004). Corresponde al archivo Ovary que contiene los datos de un
estudio de Pierson y Ginther (1987) sobre el nmero de folculos mayores de 10 mm en
ovarios de yeguas (mare). Estos nmeros se registraron a los largo del tiempo desde 3
das antes de la ovulacin y hasta 3 das despus de la prxima ovulacin. Los datos
pueden cargarse desde la librera nlme utilizando el tem de men Aplicaciones>>Data
set de R. Cuando se activa esta opcin aparece la siguiente ventana de dilogo, que
puede diferir en el nmero de libreras que estn instaladas en su configuracin local de
R (Figura 5).

Figura 5: Ventana de dilogo para importar datos desde las libreras de R.
En ella se muestra tildada la librera nlme y a la derecha la lista de archivos de datos en
esa librera. Haciendo doble clic sobre Ovary, nlme se abrir una tabla de datos de
InfoStat conteniendo los datos correspondientes. El encabezamiento de la tabla abierta
se muestra a continuacin (Figura 6).

11

Figura 6: Encabezamiento de la tabla de datos del archivo Ovary.
Una grfica de la relacin entre nmero de folculos y el tiempo se muestra a
continuacin (Figura 7).
-0,25 0,00 0,25 0,50 0,75 1,00 1,25
Time
0
5
10
15
20
25
F
o
l
l
i
c
l
e
s

Figura 7: Relacin entre el nmero de folculos (follicles) y el tiempo (Time).
Pinheiro y Bates (2004) proponen ajustar un modelo donde el nmero de folculos
depende linealmente del seno(2*pi*Time) y el coseno(2*pi*Time). Este modelo trata de
reflejar las variaciones cclicas del nmero de folculos mediante la inclusin de
funciones trigonomtricas. Adems proponen la inclusin de un efecto aleatorio de
yegua (Mare) sobre la constante del modelo y una auto-correlacin de orden 1 de los
errores dentro de cada hembra. El efecto aleatorio se incluy para romper con la falta de
independencia debida a efectos sujeto-dependientes que se expresan como perfiles

12
paralelos del nmero de folculos a travs del tiempo. El modelo propuesto tendra la
siguiente forma general:
( ) ( )
0 1 2 0
2* * 2* *
iTime i it
y sin pi Time cos pi Time b | | | c = + + + + (2)
donde los componentes aleatorios son
( )
2
0
~ 0,
i bo
b N o y
( )
2
~ 0,
it
N c o .
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.
Especificacin de la parte fija
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.

Figura 8: Ventana desplegada con la solapa Efectos fijos para los datos del archivo Ovary.

13
Si no es as, porque no se han respetado minsculas y maysculas (R es sensible a la
tipografa), entonces InfoStat substituye eso trminos por los apropiados. Pero si an
as, hay palabras que InfoStat no puede interpretar (como en este caso sin, cos y pi),
entonces la lnea queda marcada en rojo. Esto no quiere decir que est incorrecta sino
que puede estarlo y advierte al usuario para que la verifique.
Especificacin de la parte aleatoria
La parte aleatoria se indica agregando a la lista de criterios de estratificacin el factor
Mare y especificando que el efecto yegua (Mare) es sobre la constante. Esto se indica
tildando Mare dentro de Constante como se muestra en la Figura 9 (este tildado se
agrega por defecto). Los trminos sin(2*pi*Time) y cos(2*pi*Time) no presentan, en
este caso, efectos aleatorios asociados.

Figura 9: Ventana desplegada con la solapa Efectos aleatorios para los datos del archivo Ovary.

14
Especificacin de la correlacin de los errores
La especificacin de la correlacin autorregresiva de orden 1 para los errores dentro de
cada hembra, se indica en la solapa Correlacin
1
como se ilustra en la Figura 10. En R
hay dos grupos de modelos de correlacin. El primero corresponde a modelos de
correlacin serial, donde se supone que los datos estn ordenados en una secuencia, y el
segundo grupo modela correlaciones espaciales. En el primer grupo encontramos los
modelos de simetra compuesta, sin estructura, autorregresivo de orden 1,
autorregresivo continuo de orden 1 y el modelo ARMA(p,q), donde p indica el nmero
de trminos autorregresivos y q el nmero de trminos de medias mviles (moving
average). Todos estos modelos suponen que los datos estn ordenados en una
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).

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).

15

Figura 10: Ventana desplegada con la solapa Correlacin para los datos del archivo Ovary.
Si los datos no estuvieran ordenados en forma ascendente dentro del criterio de
agrupamiento (Mare), habra que agregar una variable que identifique el orden. Para
agregar una variable de ordenamiento su nombre puede escribirse o arrastrarse con el
ratn desde la lista de variables, al casillero correspondiente. Es usual que la estructura
de correlacin est asociada a un criterio de agrupamiento, en este caso Mare. Esto se
indica en el panel rotulado Criterios de agrupamiento (para que este casillero se active
hay que seleccionar alguna de las estructuras de correlacin). Si se incluye ms de un
criterio, InfoStat construye tantos grupos como combinacin de niveles en los factores
de clasificacin que se especifiquen. En la parte inferior de la ventana, rotulada
Expresin resultante, se muestra la expresin R que se est especificando para la
componente corr= de gls o lme. Esta expresin es slo informativa y no puede
editarse.

16
A continuacin se presenta la salida completa del modelo ajustado conteniendo la tabla
de anlisis de la varianza de los efectos fijos, que en este caso son pruebas sobre la
pendiente asociada a las covariables sin(2*pi*Time) y cos(2*pi*Time). A continuacin,
se observa que la desviacin estndar del componente aleatorio de la ordenada al origen
es 0.77 veces la desviacin estndar residual y que el parmetro phi del modelo
autorregresivo es 0.61.


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


308 1562. 45 1584. 77 - 775. 22 3. 67 0. 21 0. 56


( I nt er cept ) 1 295 163, 29 <0, 0001
si n( 2 * pi * Ti me) 1 295 34, 39 <0, 0001
cos( 2 * pi * Ti me) 1 295 2, 94 0, 0877


Formula: ~1|Mare


( Const )
( Const ) 0. 77

Estructura de correlacin

Modelo de correlacin: AR(1)
Formula: ~ 1 | Mare

Parmetros del modelo

Est i maci n
Phi 0. 61


17
Los valores predichos por el modelo ajustado anteriormente versus el tiempo se
presentan en la Figura 11. La lnea de trazo negro representa la estimacin del promedio
poblacional y corresponde a la parte fija del modelo. Las curvas paralelas a esta son las
predicciones para cada yegua derivadas de la inclusin de un efecto aleatorio (sujeto
especfico) sobre la constante. La inclusin de errores correlacionados segn un modelo
autorregresivo de orden 1 tuvo por objeto (segn nuestra interpretacin) contemplar la
falta de independencia generada por el alejamiento de la curva de folculos de cada
yegua respecto de las curvas de folculos que se generan permitiendo una variacin
sujeto-especfica solo para la constante. Las discrepancias respecto del modelo que
incluye solo desviaciones sujeto-especficas para la constante pueden visualizarse
ajustando un modelo con efectos aleatorios sobre todos los parmetros de la parte fija
(Figura 12).
Poblacional Mare 01 Mare 02
Mare 03 Mare 04 Mare 05
-0,30 0,10 0,50 0,90 1,30
Time
2
7
12
17
22
f
o
l
l
i
c
l
e
s
Poblacional Mare 01 Mare 02

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
-0,30 0,10 0,50 0,90 1,30
Time
2
6
10
14
18
22
f
o
l
l
i
c
l
e
s

Figura 12: Funciones ajustadas para el nmero de folculos para cada yegua originada por la
inclusin de efectos aleatorios sobre todos los parmetros de la parte fija del modelo (archivo Ovary).

Especificacin de la estructura de varianzas de los errores
Este mdulo permite contemplar modelos heteroscedsticos. La heteroscedasticidad sin
embargo no tiene un origen nico y as como se modela la correlacin entre los errores,
la heteroscedasticidad tambin puede modelarse. El modelo para las varianzas de los
errores se puede especificar de la siguiente manera:
2 2
var( ) ( , , )
i i i
g c o = z donde (.) g
se conoce como funcin de varianza. Esta funcin puede depender de la esperanza
( )
i
de
i
Y (la variable de respuesta), de un conjunto de covariables ( )
i
z y de un vector
de parmetros ( ) . InfoStat, a travs de R, estima los parmetros ( ) de acuerdo a la
funcin de varianza seleccionada. La solapa Heteroscedasticidad se muestra en la
Figura 13. Las funciones de varianza admitidas pueden ser identidad (varIdent),
exponencial (varExp), potencia (varPower), potencia corrida por una constante
(varConstPower), o fija (varFixed). R admite que varios modelos de varianza puedan
superponerse, es decir, que para ciertos grupos de datos la varianza puede estar asociada
con alguna covariable y para otros con otra. La especificacin simultnea de varios

19
modelos para la funcin de varianza se obtiene, simplemente, marcando y especificando
cada uno de los componentes y agregndolos a la listas de funciones de varianza.
InfoStat arma la sentencia apropiada para R.
En la solapa Heteroscedasticidad para el ejemplo de los folculos, hemos indicado que
la varianza de los errores es distinta para cada yegua, seleccionando varIdent como
modelo de la funcin de varianza y escribiendo Mare en Criterios de agrupamiento.

Figura 13: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Ovary.
A continuacin se presenta la salida del ajuste incluyendo estimaciones de la desviacin
estndar del error para cada yegua. Tambin aqu las desviaciones estndar estn
expresadas en trminos relativos a la desviacin estndar residual. Adems, el primer
nivel del criterio de agrupamiento especificado para calcular estas desviaciones estndar
diferenciales, es siempre inicializado en 1 porque de otra forma el modelo no es
identificable. En la salida se observa que la hembra 5 tiene una variabilidad en el
nmero de folculos comparativamente mayor que las otras hembras.


20
El modelo para estos datos sera:
( ) ( )
0 1 2 0
2* * 2* *
iTime i it
y sin pi Time cos pi Time b | | | c = + + + + (3)

donde los componentes aleatorios son
( )
2
0
~ 0,
i bo
b N o y
( )
2
~ 0,
it i
N c o .
Obsrvese que la varianza residual est sub-indicada con el ndice que identifica a las
yeguas.
Como es usual, los componentes aleatorios del modelo se suponen independientes.
Luego si tomamos una yegua al azar la varianza de la respuesta sera la suma de las
varianzas de la parte aleatoria, es decir
2 2
0
var( )
iTime b i
y o o = + , o sea (3.57*0.8)
2
+
(3.57*g
i
)
2
,

donde g
i
es la funcin de varianza para una yegua elegida aleatoriamente.
Ahora bien, cuando se condiciona a una yegua dada (por ejemplo la 5), el efecto
individuo (
0i
b ) est fijado, as que la varianza de la yegua 5 solo est asociada a la parte
residual y adems la funcin de varianza queda especificada, (es decir, hay que usar g
5
)
y la varianza sera (3.57*1.34)
2
.



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


308 1569. 02 1628. 55 - 768. 51 3. 57 0. 21 0. 56


( I nt er cept ) 1 295 156. 36 <0. 0001
si n( 2 * pi * Ti me) 1 295 34. 22 <0. 0001
cos( 2 * pi * Ti me) 1 295 3. 18 0. 0756


21

Formula: ~1|Mare


( Const )
( Const ) 0. 80


Modelo de correlacion: AR(1)
Formula: ~ 1 | Mare


Est i maci n
Phi 0. 61

Estructura de varianzas

Modelo de varianzas: varIdent
Formula: ~ 1 | Mare


Par met r o Est i m
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

Anlisis de un modelo ajustado
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 14.

22

Figura 14: 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.
La solapa Modelos slo aparece en el caso que haya ms de un modelo estimado y
presenta una lista de los modelos evaluados en un check-list. Los modelos tildados,
aparecen en una lista con sus estadsticos resumen y una prueba de hiptesis de igualdad
de modelo cuya aplicabilidad debe tomarse con cautela ya que no todos los modelos son
estrictamente comparables. De todas formas los criterios AIC y BIC son buenos
indicadores para seleccionar el modelo ms parsimonioso.
La solapa Combinaciones lineales tiene como propsito probar hiptesis sobre
combinaciones lineales. La hiptesis que se prueba es que la esperanza de la
combinacin lineal es cero. En esta ventana de dilogo aparecen listados los parmetros
fijos del modelo que se haya seleccionado de la lista que aparece en la parte derecha de

23
la pantalla (Importante: por defecto siempre est seleccionado el ltimo de la lista). En
la parte inferior de la pantalla hay un campo de edicin donde pueden especificarse las
constantes de la combinacin lineal. A medida que los coeficientes se van agregando,
los parmetros correspondientes se van coloreando para facilitar la especificacin de las
constantes, como se ilustra en la Figura 15.

Figura 15: Ventana comparacin de modelos generales y mixtos con la solapa Combinaciones lineales
desplegada (archivo Atriplex.IDB2).
Finalmente la solapa Diagnstico tiene 3 subsolapas (Figura 14). La primera,
identificada como Residuos vs tiene dispositivos que sirven para generar de manera
sencilla grficos del tipo boxplot para los residuos estandarizados vs. cada uno de los
factores fijos del modelo o diagramas de dispersin entre los residuos estandarizados y
las covariables del modelo o los valores predichos. Asimismo, es posible obtener el
grfico QQ-plot normal. La segunda solapa, identificada como ACF-SV, permite
generar un grfico de la funcin de auto-correlacin (til para el diagnstico de
correlaciones seriales) y la tercera, identificada como LevelPlot, permite generar
grficos de residuos vs. coordenadas espaciales para generar un mapa del sentido e

24
intensidad de los residuos. Esta herramienta es til en el diagnstico de estructuras de
correlacin espacial.
Para ejemplificar el uso de la solapa ACF-FV consideremos el ejemplo de los folculos
(archivo Ovary). En este ejemplo se argument que la inclusin del trmino
autorregresivo de orden 1 tena por objeto corregir una falta de independencia generada
por las discrepancias entre los ciclos individuales de cada yegua respecto de los ciclos
individuales que solo diferan del ciclo promedio poblacional por una constante (Figura
11). El grfico de la autocorrelacin serial de los residuos correspondiente a un modelo
sin la inclusin de la autocorrelacin de orden 1 muestra un claro patrn autorregresivo
(Figura 16). Por otra parte, el grfico de la autocorrelacin de los residuos para el
modelo que contempla la autocorrelacin mediante un trmino autorregresivo de orden
1, corrige la falta de independencia (Figura 17).
Lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
-0.2
0.0
0.2
0.4
0.6
0.8
0 5 10

Figura 16: Funcin de autocorrelacin de los residuos del modelo presentado en la Ecuacin (2)
excluyendo la modelacin de la autocorrelacin serial.

25
Lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
-0.2
0.0
0.2
0.4
0.6
0.8
0 5 10

Figura 17: Funcin de autocorrelacin de los residuos del modelo presentado en la Ecuacin (2)
incluyendo la modelacin de la autocorrelacin serial.

Las facilidades de la solapa Diagnstico tienen por propsito permitir al investigador un
rpido diagnstico de los eventuales problemas de adecuacin tanto de la parte fija
como aleatoria del modelo ajustado. En la presentacin de ejemplos se ilustrar ms
extensamente el uso de estas herramientas.


Ejemplos de Aplicacin de
Modelos Lineales Generales y Mixtos

Estimacin de componentes de varianza
En reas como el mejoramiento gentico animal o vegetal es de particular inters el
clculo de componentes de varianza. Estos son usados para obtener heredabilidades,
respuesta a la seleccin, coeficientes de variabilidad gentica aditiva, coeficientes de
diferenciacin gentica, etc. Los modelos lineales mixtos pueden usarse para estimar los
componentes de varianza, por medio del estimador de mxima verosimilitud restringida
(REML).
En muchos estudios de gentica de poblaciones se trabaja con varias poblaciones que a
su vez estn representadas por uno o ms individuos de distintas familias. En este caso
se cuenta con dos factores en el modelo, las poblaciones y las familias dentro de cada
poblacin. Para ejemplificar el uso de componentes de varianza se usan los datos que se
presentan en el archivo Compvar.IDB2 (Navarro et l. 2005). Estos datos provienen de
un ensayo de siete poblaciones de cedro (Cedrela odorata L.) con un total de 115
familias. Para algunas familias se cuenta con repeticiones y para otras no. Adems, el
nmero de familias dentro de cada poblacin no es el mismo. Las variables registradas
son el largo promedio de las semillas (largo), el dimetro, el largo del tallo y nmero de
hojas de plantines de cedro.
Adems de estimar los componentes de varianza, los investigadores estn tambin
interesados en comparar las medias de las poblaciones. Podemos considerar varios
espacios de inferencia, de acuerdo al diseo y a los intereses de los investigadores. Si
las poblaciones son una muestra aleatoria de un conjunto grande de poblaciones,
entonces la inferencia estar orientada a este conjunto grande de poblaciones. El efecto
de las poblaciones estudiadas es aleatorio, y el inters ser la estimacin de los
componentes de varianza debida a poblaciones y a familias dentro de poblaciones. Otro
aspecto de inters sern los predictores BLUP de los efectos aleatorios (en especial los
de poblaciones).
Si la inferencia se orienta solamente a las poblaciones estudiadas, el efecto de poblacin
es fijo, y el inters principal es estimar y comparar las medias de poblaciones. Si la
media de una poblacin se interpreta como un promedio a travs de todas las posibles
familias de dicha poblacin (no solamente las estudiadas), entonces el efecto de familia

28
es aleatorio. En este caso interesar estimar el componente de varianza debido a familia
dentro de poblaciones, y predecir los efectos de las familias estudiadas (BLUP).
Un tercer espacio de inferencia es cuando el inters reside solamente en las poblaciones
y las familias estudiadas. En este caso ambos efectos son fijos. Este tipo de modelo
presenta severas limitaciones, tanto en su interpretacin como en su implementacin.
Debido a esto, este modelo no se considerar en este tutorial.
Para el anlisis de los datos del archivo Compvar.IDB2 se ajustarn los dos primeros
casos discutidos:
Modelo 1: Poblaciones aleatorias y familias aleatorias
Modelo 2: Poblaciones fijas y familias aleatorias
Primero se selecciona el men Estadsticas, submen Modelos lineales generales y
mixtos y escogemos Estimacin. Al realizar esta seleccin aparecer la ventana de
seleccin de variables, donde especificamos como variables dependientes a Largo,
Diametro, Largodetallo y Numerodehojas y como criterios de clasificacin a Poblacin
y Familia (Figura 18).

Figura 18: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del
archivo Compvar.IDB2.

29
Modelo 1: Para el clculo de los componentes de varianza se deben especificar las
variables como en la Figura 18. Posteriormente, en la solapa Efectos aleatorios se debe
declarar primero a Poblacin y luego a Familia, ya que R asume que las distintas
componentes aleatorias que se van agregando secuencialmente estn anidadas en los
factores declarados con anterioridad. En la subventana Mostrar se tildaron las opciones
que se muestran en la Figura 19, y se sac el tilde que tiene por defecto para presentar
los Desvos estndares relativos al desvo estndar residual.

Figura 19: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo
Compvar.IDB2 para la especificacin del Modelo 1.
En la solapa Efectos fijos no debe aparecer ningn efecto, y el mtodo de estimacin
debe ser el de mxima verosimilitud restringida (REML), que es la opcin por defecto.
Observar que se desactiv la opcin por defecto Desvos estndares relativos al desvo
estndar residual, por lo que las estimaciones que aparecen sern directamente los
desvos estndares absolutos. A continuacin se presenta la salida obtenida con estas
especificaciones solo para la variable Largo.

30


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)

Resultados para el modelo: modelo000_Largo_REML

Variable dependiente:Largo


N AI C BI C l ogLi k Si gma R2_0 R2_1 R2_2
214 2016. 47 2029. 91 - 1004. 23 21. 53 0. 51 0. 76


Formula: ~1|Poblacion

Desvos estndares y correlaciones

( const )
( const ) 27. 16

Formula: ~1|Familia dentro de Poblacion


( const )
( const ) 14. 80

Intervalos de confianza (95%) para los parmetros de los efectos
aleatorios


LI ( 95%) Est . LS( 95%)
sd( const ) 15. 09 27. 16 48. 89


LI ( 95%) Est . LS( 95%)
sd( const ) 10. 72 14. 80 20. 43

Intervalo de confianza (95%) para sigma

l ower est . upper
si gma 18. 77 21. 53 24. 70

31
A partir de las estimaciones de desvos e intervalos de confianza para los desvos, se
obtienen las componentes de varianza y sus intervalos de confianza (Cuadro 1).
Cuadro 1. Componentes de varianza estimados para los datos del archivo Compvar.IDB2
Componente Varianza estimada IC para la
varianza
Variabilidad
relativa al total
(%)
Poblacin
2 2
27.16 737.66
pob
o = =
2 2
(15.09 , 48.88 )
52.0
Familia dentro de
poblacin
2 2
( )
14.80 219.04
fam pob
o = =
2 2
(10.72 , 20.43 )
15.4
Residual
2 2
21.53 463.54
res
o = =
2 2
(18.77 , 24.70 )
32.6

De acuerdo a los resultados presentados en la tabla anterior, es interesante resaltar que
la variabilidad de la familias dentro de poblaciones es menor que la variabilidad residual
con lo cual no hay una diferenciacin de familias dentro de poblaciones. La mayor
variacin, en tanto, es atribuible a diferencias entre poblaciones.
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 20).
El anlisis diagnstico de este modelo permite determinar una fuerte falta de
homogeneidad de varianzas residual (Figura 21).

32

Figura 20: Ventana Anlisis-exploracin de modelos estimados con la solapa Diagnstico desplegada
para el Modelo 1 con los datos del archivo Compvar.IDB2.

20 40 60 80
-
2
-
1
0
1
2
fitted(modeloLargocm_7_REML,level=2)
R
e
s
.
c
o
n
d
.
e
s
t
a
n
d
.
P
e
a
r
s
o
n
-3 -2 -1 0 1 2 3
-
2
-
1
0
1
2
Cuantiles tericos
C
u
a
n
t
i
l
e
s

m
u
e
s
t
r
a
l
e
s

Figura 21: Grficos de diagnstico obtenidos para la variable largo y el modelo 1 para los datos del
archivo Compvar.IDB2.


33
En la figura anterior los residuos estandarizados de Pearsons son aproximaciones de
errores y por lo tanto la heteroscedasticidad observada de modelarse a este nivel.
Para corregir la falta de homogeneidad a este nivel se considera el Modelo 1 (Poblacin
y Familia como factores aleatorios) con varianzas residuales heterogneas. Para
incorporar las varianzas residuales eventualmente distintas para cada nivel de
Poblacin, en la solapa heterogeneidad se debe especificar el factor poblacin como se
muestra en la Figura 22.

Figura 22: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo
Compvar.IDB2 para la especificacin de varianzas heterogneas para poblaciones.

A continuacin se presenta la salida para el Modelo 1 con varianzas residuales
heterogneas por Poblacin y tildando en la solapa de Efectos aleatorios la opcin
Matriz de efectos aleatorios para obtener los estimadores BLUP.

34


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)




214 1872. 14 1905. 75 - 926. 07 2. 32 0. 51 0. 51


( I nt er cept ) 1 108 21. 59 <0. 0001




( const )
( const ) 27. 72



( const )
( const ) 1. 56

aleatorios


LI ( 95%) Est . LS( 95%)
sd( const ) 15. 61 27. 72 49. 24


LI ( 95%) Est . LS( 95%)
sd( const ) 0. 47 1. 56 5. 14

35


Formula: ~ 1 | Poblacion

Parmetros de la funcin de varianza

Par met r o Est i m
Char agr e 1. 00
Escar cega 13. 09
Escl avos 11. 64
La Paz 15. 94
Pac f i co Sur 2. 81
Xpuj i l 13. 38
Yucat n 12. 54

Coeficientes (BLUP) de los efectos aleatorios (~1|Poblacion)

const
Char agr e - 41. 20
Escar cega 15. 42
Escl avos 16. 12
La Paz 19. 80
Pac f i co Sur - 36. 51
Xpuj i l 23. 29
Yucat n 3. 08

Coeficientes (BLUP) de los efectos aleatorios (~1|Familia in
Poblacion)

const
Char agr e/ Ch_71 - 1. 07
Char agr e/ Ch_710 0. 59
Char agr e/ Ch_713 - 0. 95
Char agr e/ Ch_714 - 1. 07
Char agr e/ Ch_715 - 0. 70
Escar cega/ Es_1126 7. 2E- 04
Escar cega/ Es_1127 0. 18
Escar cega/ Es_1130 3. 6E- 04
Escar cega/ Es_1131 - 0. 06

36
Escl avos/ Ec_31 - 0. 08
Escl avos/ Ec_310 0. 08
Escl avos/ Ec_33 - 3. 7E- 03
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
Pac f i co Sur / PS_6204 - 0. 46
Pac f i co Sur / PS_6206 - 0. 58
Pac f i co Sur / PS_6207 0. 52
Pac f i co Sur / PS_6208 - 0. 33
Pac f i co Sur / PS_6209 - 0. 15
Pac f i co Sur / PS_6211 - 0. 22
Pac f i co Sur / PS_6212 - 0. 43
Pac f i co Sur / PS_6214 - 0. 56
Pac f i co Sur / PS_6215 - 0. 07
Pac f i co Sur / PS_6217 - 0. 12
Pac f i co Sur / PS_6219 - 0. 35
Pac f i co Sur / PS_6220 - 0. 51
Pac f i co Sur / PS_6221 - 0. 12
Pac f i co Sur / PS_6222 - 0. 48
Xpuj i l / Xp_11 - 0. 12
Xpuj i l / Xp_110 0. 02
Xpuj i l / Xp_112 3. 8E- 03
Xpuj i l / Xp_113 - 0. 07

37
Xpuj i l / Xp_114 0. 02
Xpuj i l / Xp_115 - 0. 12
Xpuj i l / Xp_116 0. 17
Xpuj i l / Xp_117 0. 11
Xpuj i l / Xp_118 0. 08
Xpuj i l / Xp_119 0. 18
Xpuj i l / Xp_12 - 0. 01
Xpuj i l / Xp_120 0. 19
Xpuj i l / Xp_122 - 0. 21
Xpuj i l / Xp_123 - 0. 27
Xpuj i l / Xp_15 0. 02
Xpuj i l / Xp_16 0. 03
Xpuj i l / Xp_17 0. 03
Xpuj i l / Xp_18 - 0. 05
Xpuj i l / Xp_19 0. 07
Yucat n/ Yu_1111 - 0. 17
Yucat n/ Yu_1114 - 0. 19
Yucat n/ Yu_1115 - 0. 04
Yucat n/ Yu_1116 0. 02
Yucat n/ Yu_1117 0. 05
Yucat n/ Yu_1118 0. 03
Yucat n/ Yu_1119 0. 10
Yucat n/ Yu_1121 - 0. 06
Yucat n/ Yu_1122 0. 20
Yucat n/ Yu_1123 - 0. 09
Yucat n/ Yu_1124 - 0. 05
Yucat n/ Yu_1125 0. 20


l ower est . upper
si gma 1. 59 2. 32 3. 38

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
(2.32*1)
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

Cal l Model df AI C BI C l ogLi k Test L. Rat i o p- val ue
Model o000_Lar go_REML 1 1 4 2016. 47 2029. 91 - 1004. 23
Model o001_Lar go_REML 2 2 10 1872. 14 1905. 75 - 926. 07 1 vs 2 156. 33 <0. 0001


38
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 23).

10 20 30 40 50 60 70
-
2
-
1
0
1
2
3
fitted(modeloLargocm_8_REML,level=2)
R
e
s
.
c
o
n
d
.
e
s
t
a
n
d
.
P
e
a
r
s
o
n
-3 -2 -1 0 1 2 3
-
2
-
1
0
1
2
3
Cuantiles tericos
C
u
a
n
t
i
l
e
s

m
u
e
s
t
r
a
l
e
s

Figura 23: 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 24). 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 25). En la solapa Comparaciones se
seleccion la opcin DGC para Poblacin (Figura 26).

39

Figura 24: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Compvar.IDB2
para la especificacin del Modelo 2.


40

Figura 26: Ventana con la solapa Comparaciones desplegada para los datos del archivo
A continuacin de presenta la salida correspondiente a estas especificaciones:

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)




214 1967. 65 1997. 64 - 974. 82 21. 54 0. 51 0. 75


( I nt er cept ) 1 108 601. 79 <0. 0001
Pobl aci on 6 108 27. 23 <0. 0001

41
Efectos fijos

Val ue St d. Er r or DF t - val ue p- val ue
( I nt er cept ) 8. 23 5. 75 108 1. 43 0. 1551
Pobl aci onEscar cega 56. 89 8. 03 108 7. 08 <0. 0001
Pobl aci onEscl avos 57. 72 7. 46 108 7. 74 <0. 0001
Pobl aci onLa Paz 62. 24 8. 13 108 7. 66 <0. 0001
Pobl aci onPac f i co Sur 4. 65 7. 53 108 0. 62 0. 5382
Pobl aci onXpuj i l 65. 45 7. 72 108 8. 48 <0. 0001
Pobl aci onYucat n 44. 44 8. 40 108 5. 29 <0. 0001


Formula: ~Poblacion - 1|Familia


Char agr e Escar cega Escl avos La Paz Pac f i co Sur Xpuj i l Yucat n
Char agr e 14. 79 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00
Escar cega 0. 00 14. 79 0. 00 0. 00 0. 00 0. 00 0. 00
Escl avos 0. 00 0. 00 14. 79 0. 00 0. 00 0. 00 0. 00
La Paz 0. 00 0. 00 0. 00 14. 79 0. 00 0. 00 0. 00
Pac f i co Sur 0. 00 0. 00 0. 00 0. 00 14. 79 0. 00 0. 00
Xpuj i l 0. 00 0. 00 0. 00 0. 00 0. 00 14. 79 0. 00
Yucat n 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 14. 79

aleatorios


LI ( 95%) est . LS( 95%)
sd( - 1) 10. 71 14. 79 20. 42

Coeficientes (BLUP) de los efectos aleatorios (~Poblacion - 1|Familia)

Ch_71 - 1. 08 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00
Ch_710 0. 62 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00
Ch_711 1. 34 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00
Ch_712 1. 47 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00
Ch_713 - 0. 96 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00
Ch_714 - 1. 08 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00
Ch_715 - 0. 71 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00
Ch_72 0. 73 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00
Ch_73 - 0. 84 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00
Ch_74 - 0. 35 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00
Ch_75 - 0. 60 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00
Ch_76 - 0. 07 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00
Ch_77 - 0. 48 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00
Ch_78 0. 50 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00
Ch_79 1. 53 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00
Ec_31 0. 00 0. 00 - 6. 04 0. 00 0. 00 0. 00 0. 00
Ec_310 0. 00 0. 00 5. 36 0. 00 0. 00 0. 00 0. 00
Ec_311 0. 00 0. 00 - 5. 56 0. 00 0. 00 0. 00 0. 00
Ec_312 0. 00 0. 00 - 2. 65 0. 00 0. 00 0. 00 0. 00
Ec_313 0. 00 0. 00 - 16. 00 0. 00 0. 00 0. 00 0. 00
Ec_314 0. 00 0. 00 20. 66 0. 00 0. 00 0. 00 0. 00
Ec_315 0. 00 0. 00 - 25. 46 0. 00 0. 00 0. 00 0. 00
Ec_316 0. 00 0. 00 10. 95 0. 00 0. 00 0. 00 0. 00
Ec_317 0. 00 0. 00 2. 69 0. 00 0. 00 0. 00 0. 00
Ec_318 0. 00 0. 00 - 5. 80 0. 00 0. 00 0. 00 0. 00
Ec_319 0. 00 0. 00 2. 94 0. 00 0. 00 0. 00 0. 00
Ec_32 0. 00 0. 00 - 5. 56 0. 00 0. 00 0. 00 0. 00
Ec_320 0. 00 0. 00 12. 89 0. 00 0. 00 0. 00 0. 00
Ec_33 0. 00 0. 00 - 0. 46 0. 00 0. 00 0. 00 0. 00

42
Ec_34 0. 00 0. 00 - 7. 99 0. 00 0. 00 0. 00 0. 00
Ec_35 0. 00 0. 00 10. 95 0. 00 0. 00 0. 00 0. 00
Ec_36 0. 00 0. 00 - 12. 84 0. 00 0. 00 0. 00 0. 00
Ec_37 0. 00 0. 00 12. 89 0. 00 0. 00 0. 00 0. 00
Ec_38 0. 00 0. 00 5. 36 0. 00 0. 00 0. 00 0. 00
Ec_39 0. 00 0. 00 3. 67 0. 00 0. 00 0. 00 0. 00
Es_1126 0. 00 - 0. 06 0. 00 0. 00 0. 00 0. 00 0. 00
Es_1127 0. 00 16. 20 0. 00 0. 00 0. 00 0. 00 0. 00
Es_1128 0. 00 16. 63 0. 00 0. 00 0. 00 0. 00 0. 00
Es_1129 0. 00 6. 49 0. 00 0. 00 0. 00 0. 00 0. 00
Es_1130 0. 00 - 0. 04 0. 00 0. 00 0. 00 0. 00 0. 00
Es_1131 0. 00 - 7. 09 0. 00 0. 00 0. 00 0. 00 0. 00
Es_1132 0. 00 19. 12 0. 00 0. 00 0. 00 0. 00 0. 00
Es_1133 0. 00 1. 15 0. 00 0. 00 0. 00 0. 00 0. 00
Es_1134 0. 00 - 10. 25 0. 00 0. 00 0. 00 0. 00 0. 00
Es_1135 0. 00 - 10. 94 0. 00 0. 00 0. 00 0. 00 0. 00
Es_1136 0. 00 - 7. 58 0. 00 0. 00 0. 00 0. 00 0. 00
Es_1137 0. 00 - 16. 32 0. 00 0. 00 0. 00 0. 00 0. 00
Es_1138 0. 00 14. 26 0. 00 0. 00 0. 00 0. 00 0. 00
Es_1139 0. 00 - 10. 30 0. 00 0. 00 0. 00 0. 00 0. 00
Es_1142 0. 00 7. 71 0. 00 0. 00 0. 00 0. 00 0. 00
Es_1148 0. 00 - 18. 99 0. 00 0. 00 0. 00 0. 00 0. 00
LP_41 0. 00 0. 00 0. 00 - 18. 43 0. 00 0. 00 0. 00
LP_410 0. 00 0. 00 0. 00 18. 95 0. 00 0. 00 0. 00
LP_411 0. 00 0. 00 0. 00 14. 82 0. 00 0. 00 0. 00
LP_412 0. 00 0. 00 0. 00 20. 89 0. 00 0. 00 0. 00
LP_413 0. 00 0. 00 0. 00 - 12. 12 0. 00 0. 00 0. 00
LP_414 0. 00 0. 00 0. 00 - 2. 41 0. 00 0. 00 0. 00
LP_415 0. 00 0. 00 0. 00 - 18. 67 0. 00 0. 00 0. 00
LP_42 0. 00 0. 00 0. 00 1. 23 0. 00 0. 00 0. 00
LP_43 0. 00 0. 00 0. 00 - 1. 93 0. 00 0. 00 0. 00
LP_44 0. 00 0. 00 0. 00 - 1. 68 0. 00 0. 00 0. 00
LP_45 0. 00 0. 00 0. 00 1. 96 0. 00 0. 00 0. 00
LP_46 0. 00 0. 00 0. 00 - 9. 69 0. 00 0. 00 0. 00
LP_48 0. 00 0. 00 0. 00 - 2. 39 0. 00 0. 00 0. 00
LP_49 0. 00 0. 00 0. 00 9. 48 0. 00 0. 00 0. 00
PS_6204 0. 00 0. 00 0. 00 0. 00 - 2. 13 0. 00 0. 00
PS_6206 0. 00 0. 00 0. 00 0. 00 - 2. 73 0. 00 0. 00
PS_6207 0. 00 0. 00 0. 00 0. 00 2. 48 0. 00 0. 00
PS_6208 0. 00 0. 00 0. 00 0. 00 - 1. 52 0. 00 0. 00
PS_6209 0. 00 0. 00 0. 00 0. 00 - 0. 67 0. 00 0. 00
PS_6210 0. 00 0. 00 0. 00 0. 00 1. 51 0. 00 0. 00
PS_6211 0. 00 0. 00 0. 00 0. 00 - 1. 03 0. 00 0. 00
PS_6212 0. 00 0. 00 0. 00 0. 00 - 2. 01 0. 00 0. 00
PS_6213 0. 00 0. 00 0. 00 0. 00 0. 18 0. 00 0. 00
PS_6214 0. 00 0. 00 0. 00 0. 00 - 2. 61 0. 00 0. 00
PS_6215 0. 00 0. 00 0. 00 0. 00 - 0. 31 0. 00 0. 00
PS_6216 0. 00 0. 00 0. 00 0. 00 8. 55 0. 00 0. 00
PS_6217 0. 00 0. 00 0. 00 0. 00 - 0. 55 0. 00 0. 00
PS_6218 0. 00 0. 00 0. 00 0. 00 4. 18 0. 00 0. 00
PS_6219 0. 00 0. 00 0. 00 0. 00 - 1. 64 0. 00 0. 00
PS_6220 0. 00 0. 00 0. 00 0. 00 - 2. 37 0. 00 0. 00
PS_6221 0. 00 0. 00 0. 00 0. 00 - 0. 55 0. 00 0. 00
PS_6222 0. 00 0. 00 0. 00 0. 00 - 2. 25 0. 00 0. 00
PS_660 0. 00 0. 00 0. 00 0. 00 3. 46 0. 00 0. 00
Xp_11 0. 00 0. 00 0. 00 0. 00 0. 00 - 14. 96 0. 00
Xp_110 0. 00 0. 00 0. 00 0. 00 0. 00 2. 35 0. 00
Xp_112 0. 00 0. 00 0. 00 0. 00 0. 00 - 0. 09 0. 00
Xp_113 0. 00 0. 00 0. 00 0. 00 0. 00 - 7. 12 0. 00
Xp_114 0. 00 0. 00 0. 00 0. 00 0. 00 1. 61 0. 00
Xp_115 0. 00 0. 00 0. 00 0. 00 0. 00 - 12. 46 0. 00
Xp_116 0. 00 0. 00 0. 00 0. 00 0. 00 15. 93 0. 00
Xp_117 0. 00 0. 00 0. 00 0. 00 0. 00 10. 11 0. 00
Xp_118 0. 00 0. 00 0. 00 0. 00 0. 00 6. 95 0. 00
Xp_119 0. 00 0. 00 0. 00 0. 00 0. 00 16. 91 0. 00
Xp_12 0. 00 0. 00 0. 00 0. 00 0. 00 - 2. 14 0. 00
Xp_120 0. 00 0. 00 0. 00 0. 00 0. 00 18. 36 0. 00
Xp_122 0. 00 0. 00 0. 00 0. 00 0. 00 - 20. 72 0. 00
Xp_123 0. 00 0. 00 0. 00 0. 00 0. 00 - 27. 03 0. 00
Xp_15 0. 00 0. 00 0. 00 0. 00 0. 00 1. 86 0. 00
Xp_16 0. 00 0. 00 0. 00 0. 00 0. 00 2. 99 0. 00
Xp_17 0. 00 0. 00 0. 00 0. 00 0. 00 3. 95 0. 00
Xp_18 0. 00 0. 00 0. 00 0. 00 0. 00 - 4. 94 0. 00
Xp_19 0. 00 0. 00 0. 00 0. 00 0. 00 8. 44 0. 00
Yu_1111 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 - 14. 89
Yu_1114 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 - 16. 59
Yu_1115 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 - 3. 24

43
Yu_1116 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 1. 86
Yu_1117 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 4. 53
Yu_1118 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 2. 83
Yu_1119 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 8. 66
Yu_1121 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 - 5. 18
Yu_1122 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 17. 15
Yu_1123 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 - 7. 85
Yu_1124 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 - 4. 45
Yu_1125 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 17. 15


l ower est . upper
si gma 18. 77 21. 54 24. 71

Medias ajustadas y errores estndares para Poblacion
DGC (alfa=0.05)

Pobl aci on Medi as E. E.
Xpuj i l 73. 68 5. 16 A
La Paz 70. 47 5. 74 A
Escl avos 65. 95 4. 75 A
Escar cega 65. 12 5. 61 A
Yucat n 52. 67 6. 13 A
Pac f i co Sur 12. 88 4. 87 B
Char agr e 8. 23 5. 75 B

A continuacin se muestra como ejemplo el clculo de los BLUP para las familias de la
poblacin Charagre:
,71 71( )
,72 72( )
,73 73( )
,74 74( )

8.2296 0 ( 1.0823) 7.1473

8.2296 0 0.7277 8.9573

8.2296 0 ( 0.8396) 7.3900

8.2296 0 ( 0.354
cha cha cha
cha cha cha
cha cha cha
cha cha cha
Y
Y
Y
Y
o |
o |
o |
o |
= + + = + + =
= + + = + + =
= + + = + + =
= + + = + + 2) 7.8754 =

Ahora realizaremos el anlisis del ajuste del Modelo 2. En el submen Anlisis-
exploracin de modelos estimados se pidieron los grficos de diagnstico (Figura 27).

44

Figura 27: Ventana Anlisis-exploracin de modelos estimados con la solapa Diagnstico desplegada
para el Modelo 2 con los datos del archivo Compvar.IDB2.

El grfico de residuos condicionales estandarizados de Pearson vs. Valores ajustados
(Figura 28) muestra varianzas residual heterogneas para la variable Largo.


45
Charagre La Paz Xpujil
-
2
-
1
0
1
2
Poblacion
R
e
s
.
c
o
n
d
.
e
s
t
a
n
d
.
P
e
a
r
s
o
n
20 40 60 80
-
2
-
1
0
1
2
Valores ajustados
R
e
s
.
c
o
n
d
.
e
s
t
a
n
d
.
P
e
a
r
s
o
n
-3 -2 -1 0 1 2 3
-
2
-
1
0
1
2
Cuantiles tericos
C
u
a
n
t
i
l
e
s

m
u
e
s
t
r
a
l
e
s

Figura 28: Grficos de diagnstico obtenidos para la variable largo y el Modelo 2 para los datos del
archivo Compvar.IDB2

Respecto a los supuestos distribucionales, es importante destacar que, existiendo
heteroscedasticidad, el QQ-plot no debe ser interpretado hasta tanto no se corrija este
problema. Para incorporar las varianzas heterogneas del efecto Poblacin, en la solapa
heterogeneidad se debe especificar el factor Poblacin como se mostr en la Figura 22.
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.


46


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)




214 1823. 20 1873. 20 - 896. 60 2. 32 0. 51 0. 51


( I nt er cept ) 1 108 509. 60 <0. 0001
Pobl aci on 6 108 86. 55 <0. 0001

Efectos fijos

Val ue St d. Er r or DF t - val ue p- val ue
( I nt er cept ) 8. 23 0. 61 108 13. 42 <0. 0001
Pobl aci onEscar cega 57. 32 5. 90 108 9. 72 <0. 0001
Pobl aci onEscl avos 57. 72 4. 33 108 13. 33 <0. 0001
Pobl aci onLa Paz 62. 33 7. 16 108 8. 70 <0. 0001
Pobl aci onPac f i co Sur 4. 65 1. 28 108 3. 65 0. 0004
Pobl aci onXpuj i l 65. 43 5. 54 108 11. 81 <0. 0001
Pobl aci onYucat n 44. 44 6. 00 108 7. 41 <0. 0001




Char agr e 1. 56 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00
Escar cega 0. 00 1. 56 0. 00 0. 00 0. 00 0. 00 0. 00
Escl avos 0. 00 0. 00 1. 56 0. 00 0. 00 0. 00 0. 00
La Paz 0. 00 0. 00 0. 00 1. 56 0. 00 0. 00 0. 00
Pac f i co Sur 0. 00 0. 00 0. 00 0. 00 1. 56 0. 00 0. 00
Xpuj i l 0. 00 0. 00 0. 00 0. 00 0. 00 1. 56 0. 00
Yucat n 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 1. 56

aleatorios


LI ( 95%) Est . LS( 95%)
sd( - 1) 0. 45 1. 56 5. 38


47

Formula: ~ 1 | Poblacion


Par met r o Est i m
Char agr e 1. 00
Escl avos 11. 64
Escar cega 13. 09
La Paz 15. 94
Pac f i co Sur 2. 81
Xpuj i l 13. 38
Yucat n 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.


Model df AI C BI C l ogLi k Test L. Rat i o p- val ue
001 9 1967. 65 1997. 64 - 974. 82
002 15 1823. 20 1873. 20 - 896. 60 1 vs 2 156. 44 <0. 0001

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 29). 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 QQ-plot se observa una mejora en el
supuesto distribucional.

48
Charagre La Paz Xpujil
-
2
-
1
0
1
2
3
Poblacion
R
e
s
.
c
o
n
d
.
e
s
t
a
n
d
.
P
e
a
r
s
o
n
10 20 30 40 50 60 70
-
2
-
1
0
1
2
3
Valores ajustados
R
e
s
.
c
o
n
d
.
e
s
t
a
n
d
.
P
e
a
r
s
o
n
-3 -2 -1 0 1 2 3
-
2
-
1
0
1
2
3
Cuantiles tericos
C
u
a
n
t
i
l
e
s

m
u
e
s
t
r
a
l
e
s

Figura 29: 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.


49
Aplicacin de modelos mixtos para datos estratificados
Parcelas divididas
Supongamos un experimento bifactorial en el que no es posible asignar al azar las
combinaciones de ambos factores a las parcelas experimentales (PE). En algunos casos,
grupos de PE reciben aleatoriamente los distintos niveles de uno de los factores de
clasificacin y dentro de estos grupos de parcelas, los niveles del segundo factor son
asignados al azar.
El experimento descripto anteriormente difiere de un experimento bifactorial
convencional en que, si bien los niveles de los factores son asignados aleatoriamente a
las PE, no son los tratamientos (i.e. las combinaciones de los niveles de los factores) los
que estn siendo asignados de esta forma.
Esta manera particular de asignar las parcelas a los distintos niveles de los factores
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.
El nombre surge de la idea de que PARCELAS principales reciben los niveles de un
factor (tambin llamado a veces factor principal) y que estas parcelas son DIVIDIDAS
en SUBPARCELAS que reciben los niveles del segundo factor de clasificacin.
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:
- Parcelas divididas en un arreglo en bloques
- Parcelas divididas en un arreglo completamente aleatorizado
- Parcelas divididas en otros diseos

50
Parcelas divididas en un arreglo en bloques
El anlisis clsico de un diseo en parcelas divididas con parcelas principales
distribuidas en bloques completos incluye los siguientes trminos en el modelo:
Factor asociado a la parcela principal (FPP)
Bloque
Bloque*FPP (error de la parcela principal)
Factor asociado a la subparcela (FSP)
FPP*FSP
Error (error para la subparcela)

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.
La varianza del error experimental de las parcelas principales en un diseo de parcelas
divididas con parcelas principales repetidas en bloque completamente aleatorizados, se
estima como el cuadrado medio (CM) de la interaccin Bloque*FPP (se asume que no
hay interaccin Bloque*FPP y en consecuencia este CM estima el error entre parcelas
principales tratadas de la misma forma). El CM de esta interaccin es el que se usa
como referencia para calcular el estadstico F de la prueba de hiptesis para el factor
principal. El resto de las pruebas el CM residual es el apropiado para construir el
estadstico F.
El anlisis de este diseo mediante un modelo lineal mixto se basa en la identificacin
de dos niveles de agrupamientos de las observaciones. El primer nivel esta dado por los
bloques y el segundo nivel por las parcelas principales dentro de los bloques. Cada uno
de estos niveles de agrupamiento genera una correlacin, conocida como correlacin
intraclase, entre las observaciones que contiene.
El modelo lineal mixto para este diseo es el siguiente:
; 1,.., ; 1,..., ; 1,...,
ijk i j ij k ik ijk
y b p i T j G k B t o c = + + + + + + = = = (4)

51
donde
ijk
y representa la respuesta observada en el k-simo bloque, i-simo nivel del
factor principal y j-simo nivel de factor asociado a las subparcelas. representa la
media general de la respuesta,
i
t representa el efecto del i-simo nivel del factor
asociado a las parcelas principales,
j
representa el efecto del j-simo nivel del factor
asociado a las subparcelas y
ij
o representa el efecto de la interaccin del ij-simo
tratamiento. Por otra parte
k
b ,
ik
p y
ijk
c 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
( )
2
~ 0,
k b
b N o ,
( )
2
~ 0,
ik p
p N o ,
( )
2
~ 0,
ijk
N
c
c o y que estos tres componentes aleatorios son independientes. A
continuacin ejemplificaremos el anlisis de un diseo en parcelas divididas en bloques
mediante la aplicacin de un modelo lineal mixto.
En este ejemplo (Di Rienzo 2007) se evalan 4 variedades de trigo: BUCK-Charrua
(BC), Las Rosas-INTA (LI), Pigu (Pe) y Pro-INTA Puntal (PP) bajo riego y secano
con el diseo a campo presentado en la Figura 30.

Figura 30: Esquema del diseo en parcelas divididas para el ejemplo de los datos en el archivo
Trigo.IDB2.

BC Pe PP LI Pe BC LI PP
Secano Riego

52
Los datos de este ejemplo se encuentran en el archivo Trigo.IDB2. El encabezamiento
de la tabla de datos es la siguiente (Figura 31).

Figura 31: Encabezamiento de la tabla de datos del archivo Trigo.IDB2.
El factor en la parcela principal es Agua, el factor asociado a las subparcelas es
Variedad y la variable de respuesta es el Rendimiento. Los bloques estn claramente
identificados, pero las parcelas principales no aparecen explcitamente. Esto es as
porque en un diseo en parcelas divididas, las parcelas principales dentro de un bloque
estn confundidas con el factor principal. De esta forma las observaciones bajo Riego
en el bloque 1, representan las observaciones de una de las parcelas principales de ese
bloque.
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 32.

archivo Trigo.IDB2.

53
Aceptando esta especificacin, se mostrar el dilogo que permite especificar el
modelo. La solapa de la parte fija, ya especificada, se muestra en la Figura 33. En ella
aparecen los efectos principales Agua, Variedad y la interaccin Agua*Variedad.

Figura 33: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Trigo.IDB2.

Para la especificacin de la parte aleatoria, en la solapa Efectos aleatorios se debe
incorporar primero al factor Bloque y despus al factor Agua. Esta es la forma de indicar
que Agua est dentro de Bloque. La especificacin de la parte aleatoria queda como se
muestra en la Figura 34.


54

Figura 34: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Trigo.IDB2
con bloque y agua como criterios de estratificacin.

La salida correspondiente a esta estimacin es la siguiente:


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)




24 206. 59 215. 09 - 92. 30 51. 65 0. 84 0. 89 0. 91

55

( I nt er cept ) 1 12 363. 93 <0. 0001
Agua 1 2 55. 24 0. 0176
Var i edad 3 12 6. 38 0. 0078
Agua: Var i edad 3 12 2. 36 0. 1223


Formula: ~1|Bloque


( const )
( const ) 0. 55

Formula: ~1|Agua dentro de Bloque


( const )
( const ) 0. 47

Las pruebas de hiptesis secuenciales son las correctas para este tipo de especificacin
del modelo. Esto es debido a que primero se aleatoriza el factor en la PP, luego se
aleatoriza el factor en las SP y por ltimo se especifica la interaccin.
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 QQ-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 35).

56

Figura 35: Ventana Comparacin de modelos generales y mixtos con la solapa Diagnstico desplegada
para los datos del archivo Trigo.IDB2.

Si se seleccionan los tems dentro de la lista disponible, como se muestra en la Figura
35, se obtendr el grfico siguiente (Figura 36). Este aparece en una nueva ventana que
genera R y su contenido puede copiarse oprimiendo el botn derecho del ratn, sobre la
imagen. En el men que se despliega se podr optar por Copy as metafile o Copy as
bitmap.

57
Riego Secano
-
1
.
0
0
.
0
0
.
5
1
.
0
Agua
R
e
s
.
c
o
n
d
.
e
s
t
a
n
d
.
P
e
a
r
s
o
n
BUCK-Charrua Pigue
-
1
.
0
0
.
0
0
.
5
1
.
0
Variedad
R
e
s
.
c
o
n
d
.
e
s
t
a
n
d
.
P
e
a
r
s
o
n
300 400 500 600
-
1
.
0
0
.
0
0
.
5
1
.
0
Valores ajustados
R
e
s
.
c
o
n
d
.
e
s
t
a
n
d
.
P
e
a
r
s
o
n
-2 -1 0 1 2
-
1
.
0
0
.
0
0
.
5
1
.
0
Cuantiles tericos
C
u
a
n
t
i
l
e
s

m
u
e
s
t
r
a
l
e
s

Figura 36: Herramientas grficas para diagnstico obtenidas para los datos del archivo Trigo.IDB2.

Un examen rpido de la figura sugiere una posible heterogeneidad de varianzas entre
variedades. Para poder probar si es necesario incluir la estimacin de varianzas
residuales diferentes para cada variedad hay que ajustar un modelo heteroscedstico y
compararlo con el homoscedstico, utilizando algn criterio como el AIC o BIC (o una
prueba del cociente de verosimilitud, ya que el modelo homoscedstico es un caso
particular del heteroscedstico).
Para ajustar el modelo heteroscedstico invocamos nuevamente al mdulo de
estimacin de los modelos mixtos y en la solapa Heteroscedasticidad seleccionamos el
modelo varIdent y una vez seleccionado hacemos doble clic sobre Variedad (en la lista
a la derecha de la ventana) para especificar a esta variable como criterio de

58
agrupamiento (Figura 37). Luego accionamos el botn Agregar para hacer efectiva la
incorporacin de esta especificacin del modelo. Si por algn motivo la especificacin
ingresada no es deseada, haciendo doble clic sobre la misma, sta se borra.

Trigo.IDB2 con seleccin de funcin varIdent con variedad como criterio de agrupamiento.

Las medidas de ajuste del modelo especificado son las siguientes:

24 209. 47 220. 28 - 90. 73 24. 49 0. 84 0. 89 0. 90


59
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.
Luego volviendo al modelo homoscedstico, realizaremos comparaciones mltiples del
tipo LSD de Fisher para evaluar diferencias entre variedades. Para ello en la solapa
Comparaciones subsolapa Medias, tildaremos la opcin Variedad como se muestra la
Figura 38.

Figura 38: Ventana con la solapa Comparaciones desplegada para los datos del archivo Trigo.IDB2 y
seleccin de la subsolapa Medias.

Al final de la salida del programa se encontrar la comparacin de medias. Se observa
que solo BUCK-Charrua tuvo los rendimientos ms bajos y esto ocurri
independientemente de si tena riego o no. En tanto las otras variedades tuvieron
rendimientos estadsticamente indistinguibles.


60
Medias ajustadas y errores estndares para Variedad
Procedimiento de correccion de p-valores: No

Var i edad Medi as E. E.
Pr o- I NTA Punt al 469. 50 28. 48 A
Pi gue 430. 98 28. 48 A
LasRosas- I NTA 423. 98 28. 48 A
BUCK- Char r ua 342. 73 28. 48 B

Parcelas divididas en un arreglo en diseo completamente aleatorizado
A continuacin ejemplificamos mediante un
experimento cuyo objetivo fue evaluar el efecto de un
coadyuvante sobre la cobertura de gotas y uniformidad
de aplicacin en distintas ubicaciones de las hojas dentro
del canopeo de un cultivo de soja (Di Rienzo 2007). Para
ello se seleccionaron 16 sitios en cada uno de los cuales
se dispusieron 4 tarjetas hidro-sensibles, ubicadas a dos
alturas del canopeo (inferior, superior) y apuntando, sus
caras sensibles, en dos direcciones: hacia arriba y hacia
abajo. Las tarjetas hidrosensibles muestran una mancha
en el lugar donde cae una gota de agua. La superficie
manchada en estas tarjetas es una medida de cuanto
penetra y se dispersa el agua en una zona dada del canopeo. En 8 de los 16 sitios se
agreg al agua de pulverizacin un coadyuvante (para disminuir la tensin superficial
del agua y mejorar la dispersin de las gotas) y en los 8 restantes no. Por lo tanto en
cada sitio de pulverizacin se obtienen 4 lecturas correspondientes a las combinaciones
de las alturas (inferior y superior) y la ubicacin de la cara sensible de la tarjeta (abajo y
arriba). Luego en cada sitio hay una repeticin completa de un experimento con 4
tratamientos SuAr, SuAb, InAr y InAb, y que se combinan con la utilizacin o no del
coadyuvante en la solucin de rociado.
El experimento resultante es un trifactorial, con un factor principal (coadyuvante)
asociado a parcelas principales (sitios donde se realiza el rociado) y dos factores (altura
y ubicacin de cara sensible de la tarjeta) asociados a las subparcelas (tarjetas dentro de

61
sitio). El archivo conteniendo los datos se llama Cobertura de gotas.IDB2 y el
encabezamiento de la tabla de datos se presenta en la Figura 39.

Figura 39: Encabezamiento de la tabla de datos del archivo Cobertura de gotas.IDB2.

En la tabla de datos hay una columna que identifica a la parcela y va numerada de 1 a
16. Este va a ser el nico efecto aleatorio de nuestro modelo.
El modelo lineal para las observaciones de este experimento es el siguiente:

;
1,.., 2; 1,..., 2; 1,..., 2; 1,...,16
ijkl i j k ij ik jk ijk l ijkl
y b
i j k l
t q o u c = + + + + + + + + +
= = = =
(5)
donde
ijkl
y 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
t representa el efecto del i-simo nivel del
factor asociado a las parcelas principales (coadyuvante),
j
representa el efecto del j-
simo nivel del factor altura,
k
q el k-simo nivel del factor cara, ambos asociados a las
subparcelas y
ij
o ,
ik
,
jk
y
ijk
u las interacciones de segundo y tercer orden
correspondientes de los factores coadyuvante, altura y cara. Por otra parte
l
b y
ijkl
c
representan los efectos aleatorios de las parcelas y de los errores experimentales
respectivamente. Las suposiciones sobre estos componentes aleatorios son que
( )
2
~ 0,
l b
b N o , que
( )
2
~ 0,
ijkl
N
c
c o , y que estas dos componentes aleatorias son
independientes.
A continuacin presentamos la forma en que se especifica el modelo anterior en
InfoStat, su salida, interpretacin y algunas acciones complementarias de validacin del
modelo. Para ello invocaremos el Men: Modelos lineales generales y

62
mixtos>>Estimacin. El dilogo de seleccin de variables para este caso se presenta en
la Figura 40.

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 41).

Figura 41: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Cobertura de
gotas.IDB2.

63
El efecto aleatorio que consideramos en este ejemplo es el de Parcela (Figura 42).

Figura 42: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Cobertura
de gotas.IDB2 con Parcela como criterio de estratificacin.
Luego de aceptar las especificaciones anteriores obtendremos la siguiente salida:


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)

Resultados para el modelo: modelo000_Cobertura_REML

Variable dependiente:Cobertura


64 670. 38 690. 63 - 325. 19 65. 17 0. 76 0. 82

64
( I nt er cept ) 1 42 233. 37 <0. 0001
Coad 1 14 1. 89 0. 1909
Al t ur a 1 42 72. 86 <0. 0001
Car a 1 42 95. 32 <0. 0001
Coad: Al t ur a 1 42 1. 58 0. 2152
Coad: Car a 1 42 0. 01 0. 9271
Al t ur a: Car a 1 42 34. 77 <0. 0001
Coad: Al t ur a: Car a 1 42 0. 21 0. 6476


Formula: ~1|Parcela


( I nt er cept )
( I nt er cept ) 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 (Figura 43).
Ab Ar
-
3
-
2
-
1
0
1
2
3
Cara
R
e
s
.
c
o
n
d
.
e
s
t
a
n
d
.
P
e
a
r
s
o
n

Figura 43: Diagrama de cajas para los residuos estandarizados de Pearson para los niveles del factor
Cara.

65
Para ello invocaremos nuevamente el men de estimacin del modelo. Todas las
especificaciones anteriores se han preservado por lo que slo tenemos que
concentrarnos en la especificacin del modelo de la varianza. Para ello utilizaremos la
solapa heteroscedasticidad como se muestra en la Figura 44.

Cobertura de gotas.IDB2 con Cara como criterio de agrupamiento.

La salida resultante es la siguiente:


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
,data=R.data00
,keep.data=FALSE)

66

Resultados para el modelo: modelo001_Cobertura_REML

Variable dependiente:Cobertura


64 636. 54 658. 82 - 307. 27 21. 26 0. 76 0. 81


( I nt er cept ) 1 42 176. 66 <0. 0001
Coad 1 14 4. 19 0. 0599
Al t ur a 1 42 53. 72 <0. 0001
Car a 1 42 98. 43 <0. 0001
Coad: Al t ur a 1 42 13. 83 0. 0006
Coad: Car a 1 42 0. 01 0. 9259
Al t ur a: Car a 1 42 35. 90 <0. 0001
Coad: Al t ur a: Car a 1 42 0. 22 0. 6423


Formula: ~1|Parcela


DS( Const )
DS( Const ) 1. 06


Formula: ~ 1 | Cara


Par met r o Est i m
Ab 1. 00
Ar 4. 15

El modelo para estos datos sera
ijk i j k ijk
y b c = + + , donde
i j
representa el efecto fijo
de i-simo tratamiento en la j-sima cara (cara puede ser Ab o Ar),
k
b es el efecto
aleatorio de la k-esima parcela experimental que se supone
( )
2
0,
b
N o y
( )
2
~ 0,
ijk j
N c o .
Luego la varianza de una observacin tomada en una parcela seleccionada
aleatoriamente va a depender si se hace en la cara de abajo o arriba de la tarjeta. As si
tomamos una observacin de la cara de abajo la varianza va a ser (21.26*(1.06+1))
2
y si
la tomamos en la cara de arriba: (21.26*(1.06+4.15))
2
.

67
A continuacin se presentan las medidas resumen del modelo homoscedstico y del
heteroscedstico.
Medidas de ajuste del modelo homoscedstico

64 670. 38 690. 63 - 325. 19 65. 17 0. 76 0. 82

Medidas de ajuste del modelo heteroscedstico

64 636. 54 658. 82 - 307. 27 21. 26 0. 76 0. 81

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.
Obsrvese que en la estructura de varianzas, la desviacin estndar residual de las
observaciones en las tarjetas que apuntan hacia arriba es 4.15 veces mayor que la
desviacin estndar residual de las observaciones en las tarjetas que apuntan hacia
abajo.
Por otra parte, observando los resultados de las pruebas de hiptesis resulta que la
interaccin Coad: Al t ur a: Car a no result significativa, por lo que se pueden observar
las interacciones dobles (Figura 45). Entre estas, Coad: Al t ur a y Al t ur a: Car a 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.

Medidas ajustadas y errores estndares para Coad*Altura
LSD Fisher (alfa=0,05)

Coad Al t ur a Medi as E. E.
Si Su 253. 94 17. 89 A
No Su 204. 69 17. 89 A
Si I n 94. 38 17. 89 B
No I n 86. 13 17. 89 B


68
Medidas ajustadas y errores estndares para Altura*Cara

Al t ur a Car a Medi as E. E.
Su Ar 356. 88 22. 74 A
I n Ar 121. 75 22. 74 B
Su Ab 101. 75 7. 73 B
I n Ab 58. 75 7. 73 C

Sin coadyuvante Con coadyuvante
Superior Inferior
Altura
0
50
100
150
200
250
300
C
o
b
e
r
t
u
r
a
Sin coadyuvante Con coadyuvante
Cara abajo Cara arriba
Superior Inferior
Altura
0
100
200
300
400
C
o
b
e
r
t
u
r
a
Cara abajo Cara arriba

Figura 45: Diagramas de puntos para estudiar la interaccin entre Coad y Altura y entre Cara y
Altura.

Parcelas subdivididas (split-split plot)
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:
ijkl i j k ij ik jk ijk l il jil kjil ijkl
y b p sp ssp o | _ o | q c = + + + + + + + + + + + + (6)
En la expresin anterior representa la media general,
i
o el i-simo nivel del factor
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
las sub-subparcelas (dentro de las subparcelas) y
ij
o ,
ik
| ,
jk
y
ijk
q las correspondientes
interacciones. Los trminos aleatorios de ste modelo corresponden a los efectos de

69
bloques,
( )
2
~ 0,
l b
b N o , los efectos de parcelas,
( )
2
~ 0,
il p
p N o , los efectos de
subparcelas,
( )
2
~ 0,
jil sp
sp N o , los efectos de sub-subparcelas,
( )
2
~ 0,
kjil spp
ssp N o y el
error experimental,
( )
2
~ 0,
ijkl
N
c
c o . Todos ellos, como siempre, se suponen
independientes.
Consideremos ahora un ejemplo. Los datos estn en el archivo Calidad del
almidn.IDB2 (Di Rienzo 2007). En este experimento se evala el ndice de absorcin
de agua (IAA) del almidn cocido y crudo obtenido de dos genotipos de Qunoa
cultivada bajo 4 niveles de fertilizacin nitrogenada. Las variedades son Faro y
UDEC10. stas se asignaron a grandes parcelas dispuestas en 3 bloques. Las parcelas
en las que fueron sembradas las variedades fueron divididas en 4 subparcelas a las que
se les asignaron 4 dosis de fertilizacin: 0, 75, 150 y 225 kg/ha. Las subparcelas fueron
nuevamente divididas en 2 para asignar el tratamiento de coccin o sin coccin (crudo).
El esquema para este diseo de experimento se presenta en la Figura 46.

Figura 46: Esquema del diseo en parcelas subdivididas para el ejemplo de los datos en el archivo
Calidad del almidn.IDB2.
Para el anlisis de este diseo mediante un modelo mixto, adems de la especificacin
de la parte fija, como en un clsico experimento tri-factorial, slo debemos especificar
la parte aleatoria para incluir el efecto aleatorio de los Bloques, de las Parcelas
Bloque 1
Bloque 2
Bloque 3
Sub-sub Parcela
Sub-Parcela
Parcela principal

70
Principales dentro de Bloques y de las Subparcela dentro de Parcelas. El
encabezamiento del archivo Calidad del Almidn.IDB2 se presenta en la Figura 47.

Figura 47: Encabezamiento de la tabla de datos del archivo Calidad del Almidn.IDB2.
La ventana de seleccin de variables para este ejemplo tendr que contener la
informacin que se presenta en la Figura 48.

archivo Calidad del Almidn.IDB2.
La especificacin de la parte fija deber contener los factores e interacciones
presentados en la Figura 49.

71

Figura 49: 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 50).

72

Figura 50: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Calidad del
Almidn.IDB2.

La salida correspondiente es la siguiente:


modelo000_IAA_REML<-
lme(IAA~1+Genotipo+Nitrogeno+Coccion+Genotipo:Nitrogeno+Genotipo:Cocci
on+Nitrogeno:Coccion+Genotipo:Nitrogeno:Coccion
,Genotipo=pdIdent(~1)
,Nitrogeno=pdIdent(~1))
,method="REML"
,na.action=na.omit
,data=R.data00
,keep.data=FALSE)

Resultados para el modelo: modelo000_IAA_REML

Variable dependiente:IAA


73

N AI C BI C l ogLi k Si gma R2_0 R2_1 R2_2 R2_3
48 116. 45 145. 76 - 38. 22 0. 61 0. 75 0. 75 0. 75 0. 75


( I nt er cept ) 1 16 1389. 20 <0. 0001
Genot i po 1 2 14. 49 0. 0626
Ni t r ogeno 3 12 0. 78 0. 5287
Cocci on 1 16 32. 90 <0. 0001
Genot i po: Ni t r ogeno 3 12 0. 88 0. 4769
Genot i po: Cocci on 1 16 37. 67 <0. 0001
Ni t r ogeno: Cocci on 3 16 1. 74 0. 1998
Genot i po: Ni t r ogeno: Cocci on. . 3 16 0. 46 0. 7108


Formula: ~1|Bloque


( Const )
( Const ) 1. 3E- 05

Formula: ~1|Genotipo dentro de Bloque


( Const )
( Const ) 5. 0E- 06

Formula: ~1|Nitrogeno dentro de Genotipo dentro de Bloque


( Const )
( Const ) 1. 8E- 05

Podramos seguir realizando pruebas de diagnstico pero asumiremos que el modelo es
correcto. La interpretacin de las pruebas de hiptesis indica que slo la interaccin
Genotipo:Coccin es significativa. Las comparaciones mltiples para las medias de
tratamientos correspondientes a esta interaccin se presentan a continuacin. En estas
pruebas se observa que slo el almidn cocido del genotipo UDEC10 presenta un IAA
significativamente mayor que el resto de combinaciones de Genotipo y Coccin.

74
Medidas ajustadas y errores estndares para Genotipo*Coccion

Genot i po Cocci on Medi as E. E.
UDEC10 Coci do 4. 64 0. 18 A
Far o Cr udo 2. 97 0. 18 B
Far o Coci do 2. 90 0. 18 B
UDEC10 Cr udo 2. 56 0. 18 B

Una manera alternativa de formular el modelo anterior consiste en dejar los efectos fijos
como en la Figura 49 y especificar los efectos aleatorios como se muestra en la Figura
51. 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 51: 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.

75


modelo001_IAA_REML<-
lme(IAA~1+Genotipo+Nitrogeno+Coccion+Genotipo:Nitrogeno+Genotipo:Cocci
on+Nitrogeno:Coccion+Genotipo:Nitrogeno:Coccion
,Bloque=pdIdent(~Genotipo-1)
,Bloque=pdIdent(~Genotipo:Nitrogeno-1))
,method="REML"
,na.action=na.omit
,data=R.data00
,keep.data=FALSE)

Resultados para el modelo: modelo001_IAA_REML

Variable dependiente:IAA


48 116. 45 145. 76 - 38. 22 0. 61 0. 75 0. 75 0. 75 0. 75


( I nt er cept ) 1 30 1389. 20 <0. 0001
Genot i po 1 30 14. 49 0. 0006
Ni t r ogeno 3 30 0. 78 0. 5157
Cocci on 1 30 32. 90 <0. 0001
Genot i po: Ni t r ogeno 3 30 0. 88 0. 4605
Genot i po: Cocci on 1 30 37. 67 <0. 0001
Ni t r ogeno: Cocci on 3 30 1. 74 0. 1807
Genot i po: Ni t r ogeno: Cocci on. . 3 30 0. 46 0. 7089


Formula: ~1|Bloque


( Const )
( Const ) 1. 3E- 05

Formula: ~Genotipo - 1|Bloque


Far o UDEC10
Far o 5. 0E- 06 0. 00
UDEC10 0. 00 5. 0E- 06


76
Formula: ~Genotipo:Nitrogeno - 1|Bloque

Far o: 0 UDEC10: 0 Far o: 75 UDEC10: 75 Far o: 150 UDEC10: 150 Far o: 225 UDEC10: 225
Far o: 0 1. 8E- 05 0 0 0 0 0 0 0
UDEC10: 0 0 1. 8E- 05 0 0 0 0 0 0
Far o: 75 0 0 1. 8E- 05 0 0 0 0 0
UDEC10: 75 0 0 0 1. 8E- 05 0 0 0 0
Far o: 150 0 0 0 0 1. 8E- 05 0 0 0
UDEC10: 150 0 0 0 0 0 1. 8E- 05 0 0
Far o: 225 0 0 0 0 0 0 1. 8E- 05 0
UDEC10: 225 0 0 0 0 0 0 0 1. 8E- 05


77
Aplicacin de modelos mixtos para mediciones repetidas en el tiempo
Datos longitudinales
Para la modelacin de datos longitudinales el aspecto ms importante a considerar es la
estructura de la matriz de covarianza residual, que es posible modelar especificando la
matriz de correlacin. En algunos casos tambin las varianzas pueden ser distintas para
algn criterio de agrupamiento y se debe modelar la heteroscedasticidad. Recordemos
que existe correlacin residual entre observaciones que comparten el mismo valor del
criterio de estratificacin, conocido tambin como sujeto, (por ejemplo, tomadas sobre
la misma persona, la misma parcela, el mismo animal, el mismo rbol, etc.). As, la
matriz de covarianza residual para todas las observaciones ser una matriz diagonal por
bloques, y en cada bloque se reflejar la estructura deseada, i.e. simetra compuesta,
autorregresiva de orden 1, etc.
Para especificar esto, InfoStat presenta dos solapas. En la solapa Correlacin se
encuentran las opciones que permiten especificar la estructura de correlacin de los
errores y en la solapa Heteroscedasticidad se pueden seleccionar distintos modelos de
varianza. As, las distintas estructuras de la matriz de covarianza residual que se pueden
ajustar resultan de combinar las distintas estructuras de correlacin con la posible
heteroscedasticidad en el tiempo. Si adicionalmente se desea especificar un efecto
aleatorio tambin es posible hacerlo usando la solapa correspondiente. En este caso se
debe tener mucha precaucin de no combinar efectos aleatorios, estructuras de
correlacin y de heteroscedasticidad tales que el modelo final no sea identificable. Esto
sucede cuando existe un conjunto infinito de valores de los parmetros para los cuales el
modelo es indistinguible, y por lo tanto las soluciones a las ecuaciones de verosimilitud
no son nicas.
Ejemplos de estas situaciones ocurren cuando se especifica una estructura de
correlacin de simetra compuesta con un criterio de estratificacin (por ejemplo, la
parcela) y un efecto aleatorio de ese mismo criterio de estratificacin sobre la constante.
En este caso la estructura de covarianza de las observaciones ser una matriz diagonal
por bloques, y cada bloque tendr una estructura de simetra compuesta. Por lo tanto,
esta estructura tiene intrnsecamente dos parmetros. Pero de la manera que la hemos
especificado aparecen tres parmetros (varianza del efecto aleatorio, correlacin

78
intraclase de la estructura de correlacin residual y varianza residual). Esta
sobreparametrizacin hace que existan infinitas soluciones, y por lo tanto los
estimadores no se pueden interpretar (y en muchos casos el algoritmo numrico no
converge). Otra situacin comn es la de una correlacin sin estructura (corSymm) con
un criterio de estratificacin dado (por ejemplo la parcela) y un efecto aleatorio de ese
mismo criterio de estratificacin sobre la constante (intercept).
Anlisis de un ensayo de establecimiento de forrajeras
A continuacin se presenta un ejemplo de modelacin de observaciones repetidas en el
tiempo. Los datos provienen de un ensayo de establecimiento de forrajeras para
comparar cinco mtodos de labranza (labranza mnima, labranza mnima con herbicida,
labranza mnima con herbicida y arado de disco a los 45 das, labranza cero, y labranza
convencional) en la regin central hmeda de Puerto Rico. La especie usada fue
Brachiaria decumbens cv. Basilik. El experimento estaba diseado en tres bloques
completos aleatorizados, y se analizan aqu las medidas de cobertura (porcentaje de
cobertura estimado en cada parcela). Hay 5 medidas repetidas, tomadas con intervalos
de un mes entre agosto y diciembre de 2001 (Moser y Macchiavelli 2002). Los datos se
encuentran en Cobertura forrajes.IDB2 en la carpeta de datos de prueba de InfoStat.
Los perfiles promedio de cobertura observados en los cinco tiempos para cada uno de
los tratamientos se presentan en la Figura 52.
Trat1 Trat2 Trat3 Trat4 Trat5
1 2 3 4 5
Tiempo
0
10
20
30
40
50
C
o
b
e
r
t
u
r
a

(
%
)
Cobertura de Brachiaria decumbens
Trat1 Trat2 Trat3 Trat4 Trat5

Figura 52: Relacin entre cobertura y tiempo para cinco tratamientos del archivo
Cobertura forrajes.IDB2.

79
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.).
Para el elegir el mejor modelo comenzaremos proponiendo un modelo sencillo con
pocos parmetros a estimar (i.e. parsimonioso), e iremos adicionando parmetros hasta
llegar al modelo sin estructura, que es el menos parsimonioso.
Se usarn las siguientes estructuras de covarianza para los datos (covarianza marginal):
1. Errores independientes y homoscedsticos.
2. Errores independientes y heteroscedsticos.
3. Correlacin constante entre errores de la misma parcela y varianza residual constante
en el tiempo.
4. Correlacin constante entre errores de la misma parcela y varianza residual diferente
en los distintos tiempos.
5. Estructura autorregresiva de orden 1 entre los errores de la misma parcela y varianza
residual constante en el tiempo.
6. Estructura autorregresiva de orden 1 entre los errores de la misma parcela y varianza
residual diferente en los distintos tiempos.
7. Estructura autorregresiva de orden 1 entre los errores de la misma parcela, varianza
residual constante en el tiempo y efecto aleatorio de parcela.
8. Estructura autorregresiva de orden 1 entre los errores de la misma parcela, varianza
residual diferente en los distintos tiempos y efecto aleatorio de parcela.
9. Sin estructura para las correlaciones entre errores provenientes de la misma parcela y
varianzas residuales diferentes en el tiempo.

Para ajustar estos modelos en primer lugar se deben declarar las variables como se
indica en la Figura 53.

80

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 54). 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.


81

Figura 54: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Cobertura
forrajes.IDB2.
Modelo 1: Errores independientes y homoscedsticos
En la solapa Correlacin se debe declarar Errores independientes (Figura 55), que es la
opcin por defecto, y en la solapa Heteroscedasticidad no se declara nada.


82

Figura 55: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura
forrajes.IDB2 y seleccin de Errores independientes (Modelo 1).


75 465. 05 517. 45 - 204. 53 12. 19 0. 63

Modelo 2: Errores independientes y heteroscedsticos
En la solapa Correlacin se debe declarar Errores independientes (opcin por defecto)
y en la solapa Heteroscedasticidad se declara varIdent y en criterio de agrupamiento se
declara Tiempo (Figura 56).

83

Cobertura forrajes.IDB2 con seleccin de funcin varIdent con tiempo como criterio de agrupamiento
(Modelo 2).


75 465. 83 525. 71 - 200. 91 6. 75 0. 61

Modelo 3: Correlacin constante entre datos de la misma parcela y varianza constante en el
tiempo.
En la solapa Correlacin se eligi la opcin Simetra Compuesta. Se debe declarar
tambin el Criterio de agrupamiento, en este caso la Parcela, para indicar que se est
modelando la correlacin de datos provenientes de una misma parcela (Figura 57). En la
solapa Heteroscedasticidad se dej la opcin por defecto, es decir no se eligi ningn
criterio (para esto ir a la solapa Heteroscedasticidad y borrar la seleccin anterior
desactivando todas las opciones y borrando varIdent(form=~1) con un doble clic).

84

forrajes.IDB2 y seleccin de simetra compuesta para datos
agrupados por parcela (Modelo 3).


75 458. 67 512. 94 - 200. 34 12. 59 0. 63

Modelo 4: Correlacin constante entre datos de la misma parcela y varianza diferente en los
distintos tiempos.
En la solapa Correlacin se eligi la opcin Simetra compuesta y en la solapa
Heteroscedasticidad eligi la opcin varIdent y en Criterios de agrupamiento se declara
Tiempo.

85

75 456. 66 518. 41 - 195. 33 8. 05 0. 48

Modelo 5: Estructura autorregresiva de orden 1 entre los errores de la misma parcela y
varianza residual constante en el tiempo.
En la solapa Correlacin se eligi la opcin Autorregresivo de orden 1 (Figura 58).
Debido a que este modelo tiene en cuenta el orden en que fueron tomadas las
observaciones, la variable que indica esto se debe declarar en la ventana
correspondiente (en este caso la variable Tiempo). En la solapa Heteroscedasticidad se
dej la opcin por defecto, es decir no se eligi ningn criterio (para esto ir a la solapa
Heteroscedasticidad y borrar la seleccin anterior desactivando todas las opciones y
borrando varIdent(form=~1) con un doble clic).

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).

86


75 449. 36 503. 62 - 195. 68 12. 40 0. 63

Modelo 6: Estructura autorregresiva de orden 1 entre los errores de la misma parcela y
varianza residual diferente en los distintos tiempos.
En la solapa Correlacin se eligi la opcin Autorregresivo de orden 1. En la solapa
Heteroscedasticidad se eligi la opcin varIdent y se especific el criterio de
agrupamiento que en este caso es la variable tiempo.

75 452. 40 514. 15 - 193. 20 8. 78 0. 63

Modelo 7: Estructura autorregresiva de orden 1 entre los errores de la misma parcela,
varianza residual constante en el tiempo y efecto aleatorio de parcela.
En la solapa Correlacin se eligi la opcin Autorregresivo de orden 1 (igual que el
Modelo 5, Figura 58) y en la solapa Heteroscedasticidad se dej la opcin por defecto,
es decir no se eligi ningn criterio y se borraron las selecciones realizadas con
anterioridad. En la solapa Efectos aleatorios se declar a Parcela en Criterios de
estratificacin (Figura 59).


87

Figura 59: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Cobertura
forrajes.IDB2 con parcela como criterio de estratificacin (Modelo 7).


75 451. 36 507. 49 - 195. 68 12. 40 0. 63 0. 63

Modelo 8: Estructura autorregresiva de orden 1 entre los errores de la misma parcela,
varianza residual diferente en los distintos tiempos y efecto aleatorio de parcela.

88
En la solapa Correlacin se eligi la opcin Autorregresivo continuo de orden 1
(Figura 60) para mostrar que en este caso es igual al Autorregresivo de orden 1. Si los
tiempos no fuesen equidistantes, la estructura corAR1 no es aplicable, y se debe usar su
anloga continua (corCAR1). Para este ejemplo ambas estructuras son equivalentes
debido a que los tiempos son equidistantes.
En la solapa Heteroscedasticidad se dej la opcin varIdent (como en la Figura 56). En
la solapa Efectos aleatorios se declar a Parcela como Criterio de estratificacin (como
en el Modelo 7, Figura 59).

75 454. 40 518. 03 - 193. 20 8. 78 0. 63 0. 63

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).


89
Modelo 9: Sin estructura para los datos provenientes de la misma parcela.
En la solapa Correlacin se eligi la opcin Sin estructura (Figura 61) y en la solapa
Heteroscedasticidad se dej tildada la opcin varIdent (como en Figura 56). En la
solapa Efectos aleatorios se elimin Parcela en Criterios de estratificacin.

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).


75 425. 03 503. 62 - 170. 51 6. 82 0. 60


90
Seleccin de la estructura de covarianza
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:


75 425. 03 503. 62 - 170. 51 6. 82 0. 60

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
Formula: ~ 1 | Tiempo
Par met r o Est i m
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:

91
( )
( )
( )
( )
2 2
1
2
2
2
2
2
3
2
2
4
2
2
5
6.8211 46.53
1.1819 6.8211 64.99
1.9653 6.8211 179.71
2.3775 6.8211 263.00
2.2697 6.8211 239.69
o
o
o
o
o
= =
= =
= =
= =
= =

Las 10 correlaciones estimadas aparecen directamente como una matriz en Estructura
de Correlacin.
Inferencia sobre las medias
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 52.
En un experimento factorial como este, donde se tiene el factor tratamiento y el factor
tiempo, lo primero que se debe indagar es si existe interaccin entre los tratamientos y
el tiempo. Para ello podemos realizar una prueba de Wald, que aparece directamente en
InfoStat como Trat:Tiempo en las pruebas secuenciales (recordemos que la interaccin
es el ltimo trmino que colocamos en el modelo). Otra opcin es realizar una prueba
del cociente de verosimilitudes (LRT por sus siglas en ingls). Para esta ltima no
podemos usar REML debido a que estamos probando modelos con efectos fijos
diferentes, y por lo tanto los estimadores REML no son comparables. En su lugar se usa
el estimador mximo verosmil (ML).
( I nt er cept ) 1 127. 93 <0. 0001
Bl oque 2 2. 75 0. 0739
Tr at am 4 6. 28 0. 0004
Ti empo 4 16. 77 <0. 0001
Tr at am: Ti empo 16 1. 49 0. 1417

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

92
estructura) pero que difieren en su parte fija: uno contiene la interaccin (modelo
completo) y el otro no la contiene (modelo reducido):
Modelo completo:

75 535. 33 632. 67 - 225. 67 5. 29 0. 60
Modelo reducido:

75 527. 01 587. 27 - 237. 51 5. 55 0. 38

Si bien la prueba LRT se puede obtener directamente desde el men Anlisis-
exploracin de modelos estimados, solapa Modelos, a continuacin se muestra otra
forma de calcularla. En primer lugar se obtiene el estadstico de la prueba LRT,
2loglik 2loglik 2( 225.67) 2( 237.51) 23.68
completo reducido
G = = = . Este tiene 42-
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 62).

93

Figura 62: Ventana del Calculador de probabilidades y cuantiles de InfoStat.

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
podemos (con precaucin) realizar pruebas de efectos de tratamiento y tiempo por
separado.
Contrastando tiempos sucesivos
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 63). 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.

94

Figura 63: Ventana con la solapa Comparaciones desplegada para los datos del archivo Cobertura
forrajes.IDB2 y seleccin de la subsolapa Contrastes.

Pruebas de hiptesis para contrastes
F gl ( num) gl ( den) p- val or
Cont . 1 18. 94 1 48 0. 0001
Cont . 2 2. 70 1 48 0. 1070
Cont . 3 0. 19 1 48 0. 6640
Cont . 4 0. 34 1 48 0. 5645
Tot al 16. 77 4 48 <0. 0001

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):

95
Medias ajustadas y errores estndares para Tiempo

Ti empo Medi as E. E.
3 30. 29 3. 46 A
4 28. 53 4. 19 A
5 28. 27 4. 00 A
2 24. 53 2. 08 A
1 14. 73 1. 76 B
Comparacin de tratamientos
Medias ajustadas y errores estndares para Tratam

Tr at am Medi as E. E.
5 39. 60 5. 15 A
1 31. 27 5. 15 A B
4 24. 96 5. 15 A B C
3 17. 33 5. 15 B C
2 13. 19 5. 15 C

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 diferencias estadsticamente entre
s.

96
Anlisis de un ensayo de drogas para asma
Una compaa farmacutica ha examinado los efectos de dos drogas (A y B) sobre la
capacidad respiratoria de pacientes de asma (Littel et l. 2002, 2006). Las dos drogas y
un placebo fueron administradas a un grupo de pacientes en forma aleatoria. Se cont
con 24 pacientes por cada uno de los tres tratamientos. A cada paciente se le midi la
capacidad respiratoria basal (Cap_Rep_Bas) inmediatamente antes de aplicarle el
tratamiento y la capacidad respiratoria cada hora durante las 8 horas siguientes
(Cap_Respirat). Los datos estn en el archivo CapacidadRespiratoria.IDB2.
Usando nuevamente la estrategia definida en los ejemplos anteriores, 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) y pruebas de cociente de
verosimilitud se elegir el modelo que mejor describa los datos. Una vez seleccionado el
modelo de estructura de covarianza adecuado se realizarn inferencias acerca de las
medias (comparar medias de drogas, estudiar el efecto del tiempo, analizar si los
perfiles promedio varan en el tiempo, si son paralelos, etc.). Es importante destacar que
toda la inferencia sobre las medias estar basada en el modelo de estructura de
covarianza seleccionado.
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 64).

97

Figura 64: Ventana de selector de variables con los datos del archivo CapacidadRespiratoria.IDB2.
En primer lugar se evaluar un conjunto de modelos para determinar cul es el que
mejor ajusta. Los modelos evaluados son:
1. Errores independientes y varianzas residuales homoscedsticas.
2. Simetra compuesta y varianzas residuales homoscedsticas.
3. Auto regresivo de orden 1 y varianzas residuales homoscedsticas.
4. Auto regresivo de orden 1 y varianzas residuales heteroscedsticas.
5. Auto regresivo de orden 1 y varianzas residuales homoscedsticas y efecto aleatorio
de paciente.
6. Auto regresivo de orden 1 y varianzas residuales heteroscedsticas y efecto aleatorio
de paciente.
7. Matriz de varianzas y covarianzas sin estructura y varianzas residuales
heteroscedsticas.

La especificacin de la parte fija del modelo es la misma para los 7 modelos evaluados
(Figura 65). Para obtener el ajuste del Modelo 1 solo se debe activar el botn Aceptar
con el modelo de efectos fijos presentado a continuacin:

98

Figura 65: Ventana con la solapa Efectos fijos desplegada con los datos del archivo
CapacidadRespiratoria.IDB2.
Para ajustar el Modelo 2, se deben especificar las ventanas como en la Figura 65 y la
Figura 66. El Modelo 3 se especifica como en la Figura 65 y la Figura 67. El Modelo 4
se especifica como el anterior ms el agregado de varianzas residuales heterogneas
como en la Figura 68. El Modelo 5 se especifica con las ventanas presentadas en la
Figura 65, la Figura 67 y la Figura 69. El Modelo 6 es como el Modelo 5 ms la
especificacion de varianzas residuales heterogneas (Figura 68). El modelo 7 se
especifica como se muestra en la Figura 65, Figura 68 y Figura 70).


99

Figura 66: Ventana con la solapa Correlacin desplegada, opcin Simetra compuesta, con los datos
del archivo CapacidadRespiratoria.IDB2.


100

Figura 67: Ventana con la solapa Correlacin desplegada, opcin Autorregresivo de orden 1, con los
datos del archivo CapacidadRespiratoria.IDB2.

101

Figura 68: Ventana con la solapa Heteroscedasticidad desplegada con los datos del archivo


102

Figura 69: Ventana con la solapa Efectos aleatorios desplegada con los datos del archivo

103

Figura 70: Ventana con la solapa Correlacin desplegada, opcin Sin estructura, con los datos del
archivo CapacidadRespiratoria.IDB2.

Luego de ajustar los siguientes modelos estos son los resultados:
Cuadro 2. Caractersticas y medidas de ajuste de los modelos evaluados para los datos del archivo
Modelo
Efecto
Aleatorio
paciente
Correlacin
Residual
Varianzas
residuales
heterogneas
en el tiempo
AIC BIC log lik
1 NO NO NO 968.94 1081.04 -458.47
2 NO
Simetra
Compuesta
NO 401.29 517.71 -173.65
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

104
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:

2
2(loglik modelo reducido - loglik modelo completo)
2( 123.52 108.90) 29.24
X =
= + =

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).
La misma prueba se puede realizar con el men Estadsticas>>Modelos lineales
generales y mixtos>> Anlisis-exploracin de modelos estimados. Para comparar ambos
modelos seleccionamos la solapa Modelos y obtenemos los siguientes resultados:

5 28 303. 03 423. 76 - 123. 52
6 35 287. 80 438. 71 - 108. 90 1 vs 2 29. 23 0. 0001

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:


7 61 270. 27 533. 29 - 74. 14
6 35 287. 80 438. 71 - 108. 90 1 vs 2 69. 53 <0. 0001

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:

105


modelo009_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)

Resultados para el modelo: modelo009_Cap_Respirat_REML

Variable dependiente:Cap_Respirat


576 270. 27 533. 29 - 74. 14 0. 48 0. 55

Pruebas de hiptesis marginales(SC tipo III)

( I nt er cept ) 1 6. 49 0. 0111
Dr oga 2 7. 25 0. 0008
Hor a 7 13. 72 <0. 0001
Cap_Resp_base 1 92. 57 <0. 0001
Dr oga: Hor a 14 4. 06 <0. 0001


( I nt er cept ) 1 3936. 01 <0. 0001
Dr oga 2 13. 87 <0. 0001
Hor a 7 13. 72 <0. 0001
Cap_Resp_base 1 92. 57 <0. 0001
Dr oga: Hor a 14 4. 06 <0. 0001


Modelo de correlacin: General correlation
Formula: ~ as.integer(as.character(Hora)) | Paciente_Droga

Matriz de correlacin comn

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

106

Formula: ~ 1 | Hora


Par met r o Est i m
1 1. 00
2 1. 07
3 1. 06
4 1. 15
5 1. 12
6 1. 07
7 1. 09
8 1. 15

Medias ajustadas y errores estndares para Droga

Dr oga Medi as E. E.
B 3. 33 0. 09 A
A 3. 11 0. 09 A
P 2. 82 0. 09 B

Medias ajustadas y errores estndares para Hora

Hor a Medi as E. E.
1 3. 33 0. 06 A
2 3. 30 0. 06 A
3 3. 22 0. 06 B
4 3. 12 0. 06 C
5 3. 02 0. 06 D
6 2. 96 0. 06 D
7 2. 88 0. 06 E
8 2. 87 0. 06 E

Medias ajustadas y errores estndares para Droga*Hora

Dr oga Hor a Medi as E. E.
B 1 3. 69 0. 10 A
B 2 3. 63 0. 10 A B
B 3 3. 58 0. 10 A B
A 1 3. 47 0. 10 A B C
B 4 3. 44 0. 11 B C D
A 2 3. 39 0. 10 B C D
B 5 3. 25 0. 11 C D E
A 3 3. 18 0. 10 D E F
B 6 3. 08 0. 10 E F G

107
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

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 71 y Figura 72):

Figura 71: Ventana de selector de variables para los datos del archivo MedCapRes.IDB2.

108

Figura 72: 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 73).

109
Droga A
Droga B
Placebo
1 2 3 4 5 6 7 8
Hora
2.60
2.70
2.80
2.90
3.00
3.10
3.20
3.30
3.40
3.50
3.60
3.70
3.80
C
a
p
a
c
i
d
a
d

r
e
s
p
i
r
a
t
o
r
i
a

m
e
d
i
a
Droga A
Droga B
Placebo

Figura 73: 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 74.

110

Figura 74: Ventana con la solapa Comparaciones, subsolapa Contrastes con los datos del archivo
A continuacin se presentan lo valores de probabilidad para los contrastes solicitados:


Dr oga*Hor a F gl ( num) gl ( den) p- val or
Ct . 1 40. 08 1 551 <0. 0001
Ct . 2 2. 54 1 551 0. 1119
Ct . 3 23. 46 1 551 <0. 0001
Ct . 4 2. 46 1 551 0. 1170
Ct . 5 14. 55 1 551 0. 0002
Ct . 6 7. 36 1 551 0. 0069
Ct . 7 7. 39 1 551 0. 0068
Ct . 8 6. 37 1 551 0. 0119
Ct . 9 8. 11 1 551 0. 0046
Ct . 10 1. 63 1 551 0. 2022
Ct . 11 2. 86 1 551 0. 0914
Ct . 12 0. 53 1 551 0. 4651
Ct . 13 1. 09 1 551 0. 2965
Ct . 14 0. 53 1 551 0. 4656
Ct . 15 2. 13 1 551 0. 1446
Ct . 16 0. 94 1 551 0. 3319
Tot al 5. 19 16 551 <0. 0001


111
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).


112
Anlisis de bolsas de descomposicin
En los ensayos de descomposicin de hojarasca la materia seca remanente en cada
tiempo es analizada, generalmente, mediante ANCOVA, usando el tiempo como
covariable y transformacin logartmica de la respuesta, o ANOVA para un diseo en
parcelas divididas, cuando los periodos de evaluacin son equi-distantes. Las unidades
de observacin consisten en bolsas conteniendo el material vegetal. Usualmente estas
bolsas son agrupadas para conformar una repeticin y permitir su evaluacin a lo largo
del tiempo, evaluando el contenido de una bolsa en cada instancia de valoracin.
Aunque en cada tiempo las bolsas evaluadas son distintas, en muchas ocasiones la
estructura de correlacin que supone independencia o simetra compuesta (inducida por
la agrupacin de bolsas que representan una repeticin) no es suficiente para explicar
las correlaciones observadas. Las observaciones cercanas en el tiempo suelen estar ms
correlacionadas que las lejanas, o las correlaciones entre observaciones en los primeros
tiempos son diferentes a las de los ltimos. El uso de modelos mixtos permite no slo
manejar estructuras de correlacin ms complejas sino tambin la posibilidad de
modelar varianzas heterogneas. En estos modelos los tratamientos pueden ser incluidos
como factores de clasificacin y el tiempo puede modelarse tanto como una covariable
o como un factor. Este ltimo caso produce modelos menos parsimoniosos pero ms
flexibles para modelar diferentes tendencias en el tiempo. Por otra parte, la introduccin
de efectos aleatorios sobre los parmetros que involucran al tiempo puede ser usada
para corregir falta de ajuste.
En el ejemplo, que se presenta a continuacin, se analizan un conjunto de datos
proveniente de un ensayo de descomposicin realizado en ambiente acutico tropical
(Martinez 2006). Los tratamientos comparados consisten en: dos especies (Guadua sp. y
Ficus sp.) de las cuales se obtiene el material vegetal y dos tamao de la trama de la
bolsa donde se coloca el material (tramado fino y grueso). Los cuatro tratamientos
contaron con 5 repeticiones (conteniendo 7 bolsas cada una) y fueron evaluados en 7
tiempos. El propsito de este ensayo fue establecer el efecto de los factores y el tiempo
sobre la tasa de descomposicin. Los datos se encuentran en el archivo
Descomposicin.IDB2.
Los datos originales (materia seca remanente) fueron transformados a logaritmos. El
grfico del logaritmo de la materia seca remanente (en adelante la respuesta) en funcin
del tiempo y para cada tratamiento (Figura 75) muestra un decaimiento del peso seco

113
remanente en funcin del tiempo. Se insina tambin una posible falta de
homoscedasticidad en funcin del tiempo y dependiente de la especie y el tramado de la
tela de la bolsa. Una primera aproximacin a la modelacin de estos datos podra ser el
ajuste de un modelo de regresin con ordenadas al origen y pendientes diferentes. Para
realizar este ajuste se invoc al mdulo de modelos mixtos indicando como variable
dependiente al LnPesoSeco, como factores de clasificacin a Especie y Bolsa y como
covariable al Tiempo. Luego en la solapa de la parte fija del modelo se indicaron los
trminos que se presentan en la Figura 76. El grfico del modelo ajustado se presenta en
la Figura 77.

Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
0 10 20 30 40 50 60 70 80 90
Tiempo
-4.0
-3.5
-3.0
-2.5
-2.0
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
L
n
P
e
s
o
S
e
c
o

Figura 75: Grfico de puntos para el logaritmo del peso seco remanente en funcin del tiempo, para
los cuatro tratamientos (Especie-Bolsa). Archivo Descomposicin.IDB2.

114

Figura 76: 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.

115
0 10 20 30 40 50 60 70 80 90
Tiempo
-4.0
-3.5
-3.0
-2.5
-2.0
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
L
n
P
e
s
o
S
e
c
o

Figura 77: Grfico de puntos para el logaritmo del peso seco remanente en funcin del tiempo, para
los cuatro tratamientos (Especie-Bolsa). Archivo Descomposicin.IDB2.
La Figura 77 muestra que el ajuste de rectas especficas por tratamiento, es una
aproximacin que, aunque plausible, no da cuenta de algunas particularidades de la
prdida de peso seco. Esto se refleja en la presencia de curvatura en los residuos (Figura
78). Una forma de resolver el problema de la presencia de curvatura es la imposicin de
un modelo que incluya trminos cuadrticos para el tiempo. Para ello tendremos que
extender el modelo propuesto en Figura 76, incluyendo todos los trminos
correspondientes al tiempo al cuadrado. Para simplificar la notacin hemos creado tres
variables T1 y T2 que representan el tiempo y el tiempo al cuadrado y Especie_Bolsa
que identifica los cuatro tratamientos. T1 es el tiempo centrado respecto del valor 30
(das) y T2 el cuadrado de T1. La razn para centrar las covariables es romper la
colinealidad que resulta de utilizar una regresora y su cuadrado y mejorar la condicin
de la matriz XX. Las variables T1 y T2 as como Especie_Bolsa se incluyen en el
archivo Descomposicin.IDB2. En la invocacin del mdulo de modelos mixtos debera
incluirse Especie_Bolsa como factor de clasificacin y T1 y T2 como covariables.
Luego en la solapa de los efectos fijos del modelo debera verse como se muestra en la
Figura 79.


116
0 10 20 30 40 50 60 70 80 90
Tiempo
-3.50
-1.75
0.00
1.75
3.50
R
E
_
0
_
L
n
P
e
s
o
S
e
c
o

Figura 78: 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 79: 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.

117
0 10 20 30 40 50 60 70 80 90
Tiempo
-4.00
-3.50
-3.00
-2.50
-2.00
-1.50
-1.00
-0.50
0.00
0.50
1.00
1.50
L
n
P
e
s
o
S
e
c
o

Figura 80: 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 79, 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 81).
En este punto optaremos por modelar primeramente, el problema de heteroscedasticidad
utilizando una funcin de varianza identidad. Para ello, en la ventana de especificacin
del modelo dejaremos la parte fija tal cual se indic en la Figura 79, pero en la solapa
Heteroscedasticidad indicaremos que la varianza debe ser estimada de manera diferente
para la combinacin de tiempo y tratamiento segn se muestra en la Figura 82. Los
residuos estudentizados vs. tiempo para este modelo se presentan en la (Figura 83). An
cuando se pudo subsanar, en gran medida, el problema de la heteroscedasticidad,
persisten problemas de falta de ajuste que se visualizan en conjuntos de residuos de un
nico tratamiento en un tiempo dado que quedan ya sean todos positivos o negativos.


118
0 23 45 68 90
Tiempo
-7.00
-6.00
-5.00
-4.00
-3.00
-2.00
-1.00
0.00
1.00
2.00
3.00
4.00
R
e
s
i
d
u
o
s

L
n
P
e
s
o
S
e
c
o

(
P
e
a
r
s
o
n
)

Figura 81: 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 82: 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.

119
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 que afecta la ordenada al origen para cada conjunto de observaciones
correspondientes a la combinacin Tiempo, Especie y Bolsa (Figura 84). 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 85).
0 23 45 68 90
Tiempo
-2.50
-1.25
0.00
1.25
2.50
R
e
s
i
d
u
o
s

L
n
P
e
s
o
S
e
c
o

(
P
e
a
r
s
o
n
)

Figura 83: 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.

120

Figura 84: 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.
0 10 20 30 40 50 60 70 80 90
Tiempo
-2.50
-1.25
0.00
1.25
2.50
R
e
s
i
d
u
o
s

L
n
P
e
s
o
S
e
c
o

(
P
e
a
r
s
o
n
)

Figura 85: 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.

121
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 86). 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
nmero de veces que se ajusto un modelo para la misma variable dependiente). En el
ejemplo figura el modelo modeloOO1_LnPesoSeco_REML.

Figura 86: 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:

122
Especie_Bolsa
Especie_Bolsa*T1
Especie_Bolsa*T2

Este modelo especifica una regresin polinmica de segundo grado en el tiempo
(centrado alrededor de 30 das) para cada una de las combinaciones de Especie y
tramado de Bolsa. As, lo que estimamos es una funcin de la forma:
( ) ( )
2
0 1 2
ln 30 30
i i i
PesoSeco T T | | | = + + (7)
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 (7) 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 (7), revisaremos estos
coeficientes desde R. Si en la ventana Script escribimos:
Modelo004_LnPesoSeco_REML$coefficients$fixed
y apretamos al final de la lnea Shift Enter aparecer en el output la siguiente salida:
( I nt er cept ) Especi es_Bol saFi cus_Gr ueso
- 0. 7738921651 - 0. 5941956918
Especi es_Bol saGuadua_Fi no Especi es_Bol saGuadua_Gr ueso
1. 5901279280 1. 5369627029
Especi es_Bol saFi cus_Fi no: T1 Especi es_Bol saFi cus_Gr ueso: T1
- 0. 0326126598 - 0. 0508364778
Especi es_Bol saGuadua_Fi no: T1 Especi es_Bol saGuadua_Gr ueso: T1
- 0. 0086055613 - 0. 0192635993
Especi es_Bol saFi cus_Fi no: T2 Especi es_Bol saFi cus_Gr ueso: T2
0. 0002938702 0. 0004422140
Especi es_Bol saGuadua_Fi no: T2 Especi es_Bol saGuadua_Gr ueso: T2
0. 0000571603 - 0. 0002451274
Los primeros 4 coeficientes (leyendo de izquierda a derecha), corresponden a las
ordenadas al origen ( )
0 i
| de: Ficus_Fino, Ficus_Grueso, Guadua_Fino y

123
Guadua_Grueso. La ordenada al origen de Ficus_Fino no aparece explcitamente porque
est confundido con la ordenada al origen (Intercept) que se supone presente por
defecto.
Los segundos 4 coeficientes (-0.0326126598,,,-0.0192635993) son los coeficientes
( )
1 i
| del trmino lineal de (7) y los ltimos 4 (0.0002938702,, -0.0002451274) son
los coeficientes ( )
2 i
| del trmino cuadrtico en (7). Luego, el peso seco remanente para
la Especie Ficus con Bolsa de tramado Fino la ecuacin ser:
2
ln 0.7738921651 0.0326126598 ( 30) 0.0002938702( 30) PesoSeco T T = +
Como la funcin (7) representa el peso seco remanente, el peso descompuesto debera
calcularse como:
( ) ( )
( )
2
0 1 2
exp 30 30
i i i
PesoSecoConsumido PesoInicial T T | | | = + + (8)
En tanto la tasa de descomposicin, sera la derivada de esta funcin, es decir:
( ) ( )
( )
( ) ( )
2
0 1 2 1 2
exp 30 30 2 30
i i i i i
TasaDescomp T T T | | | | | = + + + (9)
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)

124
En la lista de objetos aparecern los objetos a, T,
dFF, dFG, dGF, dGG y Tasas. Haciendo clic
sobre Tasas, con el botn derecho del ratn
aparecer un men de acciones entre las que se
encuentra Convertir matriz, data frame o vector
a tabla InfoStat. Seleccionando esta opcin
obtendremos una nueva tabla InfoStat como la
que se muestra a la derecha de este prrafo.
Utilizando el submen Diagrama de dispersin
en el men Grficos podemos obtener la
siguiente representacin de las tasas de
descomposicin (Figura 87). Para ello se
asignaron las variables dFF, dFG, dGF y dGG
al Eje Y y la variable T al Eje X, en la ventana de
dilogo emergente del submen Diagrama de
dispersin.
Ficus Fino Ficus Grueso Guadua Fino Guadua Grueso
0 10 20 30 40 50 60 70 80 90
Tiempo
0.00
0.05
0.10
0.15
0.20
0.25
0.30
T
a
s
a

d
e

d
e
s
c
o
m
p
o
s
i
c
i
n
Ficus Fino Ficus Grueso Guadua Fino Guadua Grueso

Figura 87: Curvas de tasas de descomposicin segn especie y tramado de la bolsa de
almacenamiento.

125
Uso de modelos mixtos para el control de la variabilidad espacial en
ensayos agrcolas
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

126
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.
La modelacin de la estructura espacial de parcelas a partir de funciones de distancia
puede realizarse en el contexto de los modelos lineales mixtos (Zimmerman y Harville
1991, Gilmour et l. 1997, Cullis et l. 1998), donde adems de contemplar la estructura
de correlacin entre observaciones provenientes de distintas parcelas es posible modelar
heterogeneidad de varianza residual. Esto es muy til en los ensayos comparativos de
rendimiento ya que estos se llevan a cabo en distintos ambientes. Si la correlacin solo
depende de la distancia (magnitud y/o direccin de las distancias), los modelos que
estiman las covarianzas entre observaciones se denominan estacionarios. Las funciones
de correlacin para modelos estacionarios pueden ser isotrpicas o anisotrpicas. Las
primeras son idnticas en cualquier direccin (slo dependen de la magnitud de las
distancias) mientras que las segundas permiten diferentes valores de sus parmetros en
diferentes direcciones (i.e. dependen tambin de la direccin sobre la cual se calculan
las distancias).
Anlisis de un ensayo comparativo de rendimientos en man
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).
Los datos de rendimiento fueron analizados usando distintas modificaciones del
siguiente modelo:
; 1,..,16; 1,..., 4; 1,...,3
ijk i j k jk ik ijkl
y i j k t q o c = + + + + + + = = = (10)


127
donde
ijk
y 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
t representa el efecto del i-simo nivel del factor
genotipo,
j
representa el efecto del j-simo nivel del factor bloque,
k
q el k-simo nivel
del factor localidad y
ik
la interaccin entre los factores genotipo y localidad,
ik
o el
efecto de bloque dentro de localidad, y
ijkl
c representa el error experimental. La
suposicin usual es que
( )
2
~ 0,
ijkl
N
c
c o .
Excepto por c
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):
1. Modelo BF: Efecto de Bloques fijos, errores independientes y varianza entre
localidades constante.
2. Modelo BA: Efecto de Bloques aleatorios, errores independientes y varianza entre
3. Modelo BFH: Efecto de Bloques fijos, errores independientes y varianzas diferentes
entre localidades.
4. Modelo BAH: Efecto de Bloques aleatorios, errores independientes y varianzas
diferentes entre localidades.
5. Modelo Exp: Correlacin espacial exponencial sin efecto de bloques y varianza entre
6. Modelo BFExp: Correlacin espacial exponencial, efecto de bloques fijos, y varianza
entre localidades constante.
7. Modelo ExpH: Correlacin espacial exponencial sin efecto de bloques y varianzas
diferentes entre localidades.
8. Modelo Gau: Correlacin espacial Gaussiana sin efecto de bloques y varianza entre
9. Modelo Esf: Correlacin espacial esfrico sin efecto de bloques y varianza entre

En los dos primeros modelos los c
ijk
se asumirn como independientes con varianza
constante o
2
, i.e. se supone que no existe variacin espacial local (intrabloque) y
adems existe homogeneidad de varianzas residuales entre localidades. Los efectos de

128
bloque sern considerados fijos y aleatorios, denotando los procedimientos como
Modelo BF y Modelo BA respectivamente.
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 quinto procedimiento consistir en ajustar para cada localidad un modelo de
correlacin espacial isotrpico con funcin de correlacin potencia (Modelo Exp) sin
declarar el efecto de bloques. Este modelo supone que la funcin exponencial no solo
contemplar la variacin intrabloque sino tambin la variacin entre bloques.
El sexto procedimiento fue igual al anterior pero agregando un efecto fijo de bloque
(Modelo BFExp).
El sptimo modelo consisti en un modelo como el Exp pero permitiendo la posibilidad
de varianzas (y correlaciones) diferentes para cada localidad.
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.
En todos los casos se utiliz estimacin REML. En el selector de variables se indica al
rendimiento (Rendim) como dependiente y bloque, local y geno como clasificatorias.
Para ajustar el Modelo BF, en la solapa de efectos fijos se deben declarar los efectos
como se muestra en la Figura 88. 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 89 y Figura 90 respectivamente. No se
declara nada en el resto de las solapas.


129

Figura 88: Ventana con la solapa Efectos fijos desplegada para los datos del archivo ECRman.IDB2 y
el Modelo BF.

Figura 89: Ventana con la solapa Efectos fijos desplegada para los datos del archivo ECRman.IDB2 y
el Modelo BA.

130

ECRman.IDB2 y el Modelo BA.

Los modelos BFH y BAH contemplan errores independientes y varianzas entre
localidades diferentes. Para especificar estos modelos, se procede igual que en los dos
casos anteriores (i.e. BF y BA) pero agregando una funcin varIdent en la solapa
Heteroscedasticidad, indicando como criterio de agrupamiento a la localidad (local).
Una vez declarada la funcin y el criterio de agrupamiento hacer clic en Agregar
(Figura 91).


131

Figura 91: Ventana con la solapa Heteroscedasticidad usando local como criterio de agrupamiento
para los datos del archivo ECRman.IDB2 y los Modelos BFH y BAH.

El quinto modelo no incluye el efecto de bloque y modela la variabilidad entre bloques
e intra-bloque por medio de una funcin exponencial isotrpica (modelo Exp) con
varianzas constantes entre localidades. Par usar la funcin exponencial deberemos
agregar al modelo las variables que denotan las coordenadas espaciales. Para esto en el
selector de variables debemos colocar las variables la y lon en Covariables. En la solapa
Efectos fijos dejamos geno, local y geno*local y en la solapa Efectos aleatorios no se
declara ningn factor. En la solapa Heteroscedasticidad no debe quedar ninguna
funcin declarada. Para declarar la correlacin espacial tipo exponencial, en la solapa
Correlacin se debe seleccionar la funcin correspondiente y declarar las coordenadas
en X y en Y, y el criterio de agrupamiento, en este caso local, ya que hay un sistema de
coordenadas dentro de cada localidad (Figura 92).


132

Figura 92: 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 88). 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 91). Los modelos Gau y Esf se
ajustan al igual que el Exp sin el efecto de bloque, y como se muestra en la Figura 92,

133
pero eligiendo la funcin de correlacin espacial Gaussiana y esfrica respectivamente.
En la solapa Heteroscedasticidad no debe quedar nada declarado.
A continuacin se presentan las salidas con las medidas de ajuste de los diferentes
modelos.
Modelo BF



modelo000_rendim_REML<-gls(rendim~1+local+geno+local:geno+local/bloque
,method="REML"
,na.action=na.omit
,data=R.data00)

Resultados para el modelo: modelo000_rendim_REML

Variable dependiente:rendim


192 299. 71 468. 22 - 91. 86 0. 35 0. 86


( I nt er cept ) 1 8372. 75 <0. 0001
l ocal 2 280. 56 <0. 0001
geno 15 6. 02 <0. 0001
l ocal : geno 30 4. 32 <0. 0001
l ocal : bl oque 9 4. 77 <0. 0001

Modelo BA



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)



134

192 283. 41 431. 90 - 91. 71 0. 35 0. 81 0. 86


( I nt er cept ) 1 135 1754. 21 <0. 0001
l ocal 2 9 58. 78 <0. 0001
geno 15 135 6. 02 <0. 0001
l ocal : geno 30 135 4. 32 <0. 0001


Formula: ~1|bloque_local


( const )
( const ) 0. 49

Modelo BFH



,weight=varComb(varIdent(form=~1|local))
,method="REML"
,na.action=na.omit
,data=R.data00)




192 303. 44 477. 75 - 91. 72 0. 36 0. 86


( I nt er cept ) 1 8547. 37 <0. 0001
l ocal 2 292. 67 <0. 0001
geno 15 6. 02 <0. 0001
l ocal : geno 30 4. 36 <0. 0001
l ocal : bl oque 9 4. 76 <0. 0001

135

Formula: ~ 1 | local


Par met r o Est i m
gr al cabr 1. 00
manf 0. 92
r i o3 0. 96

Modelo BAH



modelo003_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)




192 287. 12 441. 55 - 91. 56 0. 36 0. 81 0. 86


( I nt er cept ) 1 135 1765. 74 <0. 0001
l ocal 2 9 59. 53 <0. 0001
geno 15 135 6. 01 <0. 0001
l ocal : geno 30 135 4. 36 <0. 0001


Formula: ~1|bloque_local


( const )
( const ) 0. 46


136



Par met r o Est i m
gr al cabr 1. 00
manf 0. 92
r i o3 0. 95

Modelo Exp



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)




192 273. 43 421. 92 - 86. 72 0. 39 0. 81


( I nt er cept ) 1 1687. 54 <0. 0001
geno 15 7. 27 <0. 0001
l ocal 2 56. 18 <0. 0001
geno: l ocal 30 5. 33 <0. 0001


Modelo de correlacin: Exponential spatial correlation
Formula: ~ as.numeric(as.character(la)) +
as.numeric(as.character(lon)) | local
Metrica: euclidean


Par met r o Est i m
r ange 0. 96

137
Modelo BFExp



modelo005_rendim_REML<-gls(rendim~1+geno+local+local:geno+local/bloque
,metric="euclidean"
,nugget=FALSE)
,method="REML"
,na.action=na.omit
,data=R.data05)




192 284. 85 456. 26 - 83. 42 0. 35 0. 86


( I nt er cept ) 1 2785. 57 <0. 0001
geno 15 7. 86 <0. 0001
l ocal 2 92. 79 <0. 0001
geno: l ocal 30 5. 74 <0. 0001
l ocal : bl oque 9 3. 46 0. 0007


Metrica: euclidean


Par met r o Est i m
r ange 0. 78


138
Modelo ExpH



,metric="euclidean"
,nugget=FALSE)
,method="REML"
,na.action=na.omit
,data=R.data05)




192 275. 01 429. 44 - 85. 50 0. 43 0. 81


( I nt er cept ) 1 1633. 46 <0. 0001
geno 15 7. 15 <0. 0001
l ocal 2 61. 51 <0. 0001
geno: l ocal 30 5. 53 <0. 0001


Metrica: euclidean


Par met r o Est i m
r ange 0. 99




Par met r o Est i m
gr al cabr 1. 00
manf 0. 85
r i o3 0. 81

139
Modelo Gau



,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)




192 277. 81 426. 30 - 88. 90 0. 37 0. 81


( I nt er cept ) 1 3399. 06 <0. 0001
geno 15 7. 36 <0. 0001
l ocal 2 113. 57 <0. 0001
geno: l ocal 30 4. 97 <0. 0001


Modelo de correlacin: Gaussian spatial correlation
Metrica: euclidean


Par met r o Est i m
r ange 0. 87


140
Modelo Esf



,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)




192 277. 72 426. 21 - 88. 86 0. 38 0. 81


( I nt er cept ) 1 3170. 04 <0. 0001
geno 15 7. 61 <0. 0001
l ocal 2 105. 96 <0. 0001
geno: l ocal 30 5. 15 <0. 0001


Modelo de correlacin: Spherical spatial correlation
Metrica: euclidean


Par met r o Est i m
r ange 1. 91

Comparacin de los modelos ajustados
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).

141
Cuadro 3. Criterios de bondad de ajuste para los modelos ajustados con efectos de bloque fijo en los
datos del archivo ECRmani.IDB2
Modelo AIC BIC
BF 299.72 468.22
BFH 303.44 477.75
BFExp 284.85 456.26

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:
Varianza de gralcabr = (1*0.36)
2
= 0.129
Varianza de manf = (0.92*0.36)
2
= 0.109
Varianza de rio3 = (0.96*0.36)
2
= 0.119
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
Modelo AIC BIC
BA 283.41 431.90
BAH 287.12 441.55
Exp 273.43 421.92
ExpH 275.01 429.44
Gau 277.81 426.30
Esf 277.72 426.21

142
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.
Comparando distintos modelos de correlacin espacial, no se encontraron diferencias
importantes para AIC y BIC entre los modelos Gau y Esf, pero estos criterios tuvieron
valores inferiores para la funcin de correlacin espacial exponencial. Este ltimo
modelo fue el de mejor ajuste dentro de los modelos sin efecto de bloque fijo.
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):
Modelo con bloque (completo BFExp):

192 163. 82 356. 01 - 22. 91 0. 29 0. 86
Modelo sin bloque (reducido Exp):

192 182. 85 345. 73 - 41. 43 0. 34 0. 81

143
As, el estadstico 2loglik 2loglik 2( 22.91 41.43) 37.04
completo reducido
G = = + = 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.

Model df l ogLi k Test L. Rat i o p- val ue
model o009_r endi m_ML 1 59 - 22. 91
model o010_r endi m_ML 2 50 - 41. 43 1 vs 2 37. 04 <0. 0001

A continuacin se presenta la salida completa correspondiente al modelo BFExp. Las
pruebas de hiptesis para la interaccin entre genotipo y localidad son significativas
(p<0.0001) por lo que la recomendacin de un genotipo puede cambiar dependiendo de
la localidad. Puede observarse que debido al ajuste de la funcin de correlacin espacial
los EE de los genotipos no son nicos. Las comparaciones mltiples presentadas se
realizaron mediante la aplicacin del procedimiento DGC (Di Rienzo et l. 2002). Esta
procedimiento fue adaptado para contemplar las particularidades de la estructura de
correlacin entre estimaciones emergente de los modelos mixtos. La aplicacin de este
procedimiento es recomendada por el gran nmero de medias a comparar, ya que
asegura una interpretacin ms sencilla que la que puede obtenerse de la aplicacin de
un test tipo LSD de Fisher. Para hacer recomendaciones se pueden usar las
comparaciones de medias de las combinaciones de localidades y genotipos como as
tambin el grafico de interaccin (Figura 93).


,metric="euclidean"
,nugget=FALSE)
,method="REML"
,na.action=na.omit
,data=R.data03)

144



192 284. 85 456. 26 - 83. 42 0. 35 0. 86


( I nt er cept ) 1 2785. 57 <0. 0001
l ocal 2 92. 79 <0. 0001
geno 15 7. 86 <0. 0001
l ocal : geno 30 5. 74 <0. 0001
l ocal : bl oque 9 3. 46 0. 0007


Metrica: euclidean


Par met r o Est i m
r ange 0. 78

Medias ajustadas y errores estndares para local
DGC (alfa=0.05)

l ocal Medi as E. E.
manf 3. 00 0. 08 A
gr al cabr 2. 27 0. 08 B
r i o3 1. 56 0. 08 C

Medias ajustadas y errores estndares para geno
DGC (alfa=0.05)

geno Medi as E. E.
mf 435 2. 73 0. 10 A
mf 407 2. 59 0. 10 A
mf 429 2. 51 0. 10 A
mf 415 2. 49 0. 10 A
mf 420 2. 38 0. 10 B
mf 421 2. 36 0. 10 B
mf 431 2. 34 0. 10 B
mf 405 2. 31 0. 10 B
manf 68 2. 24 0. 10 B
mf 408 2. 22 0. 10 B
manf 393 2. 22 0. 10 B
col i r r ad 2. 21 0. 10 B
mf 404 2. 14 0. 10 B
mf 433 1. 96 0. 10 C
mf 432 1. 96 0. 10 C
mf 410 1. 78 0. 10 C

145
Medias ajustadas y errores estndares para local*geno
DGC (alfa=0.05)

l ocal geno Medi as E. E.
manf mf 407 3. 67 0. 17 A
manf mf 421 3. 54 0. 17 A
manf mf 405 3. 38 0. 17 B
manf mf 431 3. 28 0. 17 B
manf mf 435 3. 24 0. 17 B
manf manf 68 3. 23 0. 17 B
manf mf 420 3. 17 0. 17 B
manf mf 429 3. 08 0. 17 B
manf col i r r ad 3. 05 0. 17 B
manf manf 393 3. 02 0. 17 B
gr al cabr mf 435 2. 96 0. 17 B
manf mf 408 2. 90 0. 17 B
manf mf 415 2. 90 0. 17 B
gr al cabr mf 420 2. 82 0. 17 B
gr al cabr mf 404 2. 71 0. 17 C
manf mf 433 2. 64 0. 17 C
gr al cabr mf 415 2. 61 0. 17 C
manf mf 410 2. 53 0. 17 C
gr al cabr mf 429 2. 52 0. 17 C
manf mf 432 2. 48 0. 17 C
gr al cabr mf 421 2. 42 0. 17 C
gr al cabr mf 408 2. 32 0. 17 C
gr al cabr manf 393 2. 30 0. 17 C
gr al cabr mf 407 2. 30 0. 17 C
gr al cabr mf 405 2. 25 0. 17 C
gr al cabr mf 431 2. 05 0. 17 D
gr al cabr manf 68 2. 04 0. 17 D
r i o3 mf 435 1. 99 0. 17 D
r i o3 mf 415 1. 98 0. 17 D
manf mf 404 1. 97 0. 17 D
r i o3 mf 429 1. 93 0. 17 D
gr al cabr col i r r ad 1. 92 0. 17 D
r i o3 mf 432 1. 89 0. 17 D
r i o3 mf 407 1. 81 0. 17 D
gr al cabr mf 410 1. 79 0. 17 D
gr al cabr mf 433 1. 77 0. 17 D
r i o3 mf 404 1. 74 0. 17 D
r i o3 mf 431 1. 70 0. 17 D
r i o3 col i r r ad 1. 64 0. 17 D
gr al cabr mf 432 1. 50 0. 17 E
r i o3 mf 433 1. 47 0. 17 E
r i o3 manf 68 1. 45 0. 17 E
r i o3 mf 408 1. 44 0. 17 E
r i o3 manf 393 1. 33 0. 17 E
r i o3 mf 405 1. 32 0. 17 E
r i o3 mf 420 1. 16 0. 17 E
r i o3 mf 421 1. 14 0. 17 E
r i o3 mf 410 1. 02 0. 17 E


146
Manfredi General Cabrera Ro Tercero
m
f
4
0
4
m
f
4
3
2
m
f
4
1
0
m
f
4
3
3
m
f
4
1
5
m
a
n
f
3
9
3
m
f
4
0
8
m
f
4
2
9
c
o
l
i
r
r
a
d
m
f
4
2
0
m
f
4
3
1
m
a
n
f
6
8
m
f
4
3
5
m
f
4
0
5
m
f
4
2
1
m
f
4
0
7
Genotipo
0
1
2
3
4
R
e
n
d
i
m
i
e
n
t
o

(
k
g
/
p
a
r
c
e
l
a
)
Manfredi General Cabrera Ro Tercero

Figura 93: Diagrama de puntos para estudiar la interaccin entre localidades y genotipos para la
variable rendimiento.

Aplicaciones de modelos mixtos en otros diseos experimentales
Diseo en franjas (strip-plot)
El diseo strip-plot es un resultado de las restricciones a la aleatorizacin. Al igual que
en el diseo en parcelas divididas, el strip-plot es un resultado de cmo fue llevado a
cabo un experimento que involucra dos o ms factores. Estos factores (o sus
combinaciones) se aplican en diferentes etapas, generalmente 2, y las restricciones a la
aleatorizacin producen las unidades experimentales de diferentes tamaos y por ende
diferentes trminos de error para cada una de los factores o sus combinaciones (Milliken
y Johnson 1984).
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).
Debido a restricciones de la aplicacin de los tratamientos, en una primera etapa, en
cada uno de los bloques, se aleatorizan los tres niveles de nitrgeno y en la segunda
etapa, en cada bloque y en sentido trasversal al sentido de aplicacin de los niveles de
nitrgeno, se aleatorizan los niveles del factor riego.
Si bien en el siguiente esquema (Figura 94).se presenta la aleatorizacin dentro de un
bloque en particular, el experimento ha sido repetido en bloques, esquema necesario
para poder obtener los distintos trminos de error y que el modelo resultante tenga
sentido. Si en cada etapa del diseo hubiera ms de un factor, y estos no interactuaran
entre s, se podran usar las interacciones de ms alto orden como trminos de error y as
poder obtener las pruebas F sin necesidad de repeticiones.


148

Etapa 1

100 kg N/ha

0 kg N/ha

50 kg N/ha
Etapa 2

Riego alto Riego bajo

Figura 94: 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.
Los datos de rendimiento se analizaron usando el siguiente modelo:
; 1,..,3; 1, 2; 1,..., 4
ijk i j k ik jk ij ijk
y i j k t q o c = + + + + + + + = = = (11)

donde
ijk
y 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
t representa el efecto del i-simo nivel del factor nitrgeno,
j

representa el efecto del j-simo nivel del factor riego,
k
q el k-simo nivel del factor

149
bloque,
ik
o el efecto del bloque k en el nivel i de nitrgeno (efecto aleatorio con el que
se construye el trmino de error para nitrgeno),
jk
el efecto del bloque k en el nivel j
de riego (trmino de error para riego),
ij
la interaccin entre los factores nitrgeno y
riego, y
ijk
c representa el error residual (trmino de error para nitrgenoriego). La
suposicin usual es que
( ) ( ) ( )
2 2 2
~ 0, , ~ 0, y ~ 0,
ik jk ijkl
N N N
o c
o o o c o , siendo todos
independientes.
Este modelo puede ajustarse en InfoStat en el men Anlisis de varianza, de efectos
fijos, declarando al rendimiento como variable dependiente y a riego, nitrgeno y
bloque como variables clasificatorias. Luego, en la solapa Modelo se declaran los
siguientes factores indicando su correspondiente trmino de error (Figura 95).

Figura 95: Ventana del procedimiento de Anlisis de varianza con la solapa Modelo desplegada para
los datos del archivo StripPlot.IDB2.

A continuacin se presenta la salida correspondiente al anlisis de la varianza
tradicional.


150
Anlisis de la varianza

Var i abl e N R R Aj CV
Rendi mi ent o 24 0. 99 0. 97 1. 65

Cuadro de Anlisis de la Varianza (SC tipo III)
F. V. SC gl CM F p- val or ( Er r or )
Model o 1177. 38 17 69. 26 48. 41 0. 0001
Bl oque 123. 46 3 41. 15 28. 77 0. 0006
Ni t r ogeno 339. 08 2 169. 54 60. 13 0. 0001 ( Bl oque*Ni t r ogeno)
Bl oque*Ni t r ogeno 16. 92 6 2. 82 1. 97 0. 2147
Ri ego 570. 38 1 570. 38 52. 18 0. 0055 ( Bl oque*Ri ego)
Bl oque*Ri ego 32. 79 3 10. 93 7. 64 0. 0179
Ni t r ogeno*Ri ego 94. 75 2 47. 38 33. 12 0. 0006
Er r or 8. 58 6 1. 43
Tot al 1185. 96 23

Test:LSD Fisher Alfa=0.05 DMS=2.05433
Error: 2.8194 gl: 6
Ni t r ogeno Medi as n
0 68. 25 8 A
50 71. 75 8 B
100 77. 38 8 C

Error: 10.9306 gl: 3
Ri ego Medi as n
Baj o 67. 58 12 A
Al t o 77. 33 12 B

Error: 1.4306 gl: 6
Ni t r ogeno Ri ego Medi as n
0 Baj o 61. 50 4 A
50 Baj o 66. 00 4 B
0 Al t o 75. 00 4 C
100 Baj o 75. 25 4 C
50 Al t o 77. 50 4 D
100 Al t o 79. 50 4 D

Se encontr efecto de nitrgeno (p=0.0001), de riego (p=0.0055) y tambin interaccin
nitrogenoriego (p=0.0006). Para estudiar la interaccin se realiz un grfico de puntos
(Figura 96).


151
Riego Alto
Riego Bajo
0 50 100
Nitrogeno
55
60
65
70
75
80
R
e
n
d
i
m
i
e
n
t
o
Riego Alto
Riego Bajo

Figura 96: Diagramas de puntos para estudiar la interaccin entre Riego y Nitrgeno y su efecto sobre
el rendimiento. Datos archivo StripPlot.IDB2.

A partir del grfico de interaccin y de las medias de los tratamientos se recomienda el
riego alto con fertilizacin de nitrgeno de 50 kg, ya que esta combinacin no difiere
estadsticamente de 100 kg de nitrgeno con riego alto y ambas difieren del resto.
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.
Este modelo puede ajustarse en InfoStat en el men Modelos lineales generales y
mixtos, declarando a rendimiento como variable dependiente y a riego, nitrgeno y
bloque como variables clasificatorias. Luego, en la solapa Efectos fijos se declaran los
siguientes trminos (Figura 97).

152

Figura 97: Ventana con la solapa Efectos fijos desplegada para evaluar un modelo mixto con los datos
del archivo StripPlot.IDB2 .

En la solapa Efectos aleatorios se debe declarar el efecto de bloque tanto en la constante
(
k
q ) como en los factores fijos nitrgeno y riego (
ik
o y
jk
respectivamente) (Figura 98).

153

Figura 98: 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
,Bloque=pdIdent(~Nitrogeno-1)
,Bloque=pdIdent(~Riego-1))
,method="REML"
,na.action=na.omit
,data=R.data00
,keep.data=FALSE)




24 106. 09 115. 00 - 43. 05 1. 20 0. 85 0. 94 0. 95 0. 99


154


( I nt er cept ) 1 15 3061. 88 <0. 0001
Ni t r ogeno 2 15 60. 13 <0. 0001
Ri ego 1 15 52. 18 <0. 0001
Ni t r ogeno: Ri ego 2 15 33. 12 <0. 0001


Formula: ~1|Bloque


( const )
( const ) 1. 83

Formula: ~Nitrogeno - 1|Bloque


0 100 50
0 0. 70 0. 00 0. 00
100 0. 00 0. 70 0. 00
50 0. 00 0. 00 0. 70

Formula: ~Riego - 1|Bloque


Al t o Baj o
Al t o 1. 49 0. 00
Baj o 0. 00 1. 49

Medias ajustadas y errores estndares para Nitrogeno

Ni t r ogeno Medi as E. E.
100 77. 38 1. 40 A
50 71. 75 1. 40 B
0 68. 25 1. 40 C
Medias ajustadas y errores estndares para Riego

Ri ego Medi as E. E.
Al t o 77. 33 1. 47 A
Baj o 67. 58 1. 47 B


155
Medias ajustadas y errores estndares para Nitrogeno*Riego

Ni t r ogeno Ri ego Medi as E. E.
100 Al t o 79. 50 1. 59 A
50 Al t o 77. 50 1. 59 A B
100 Baj o 75. 25 1. 59 B C
0 Al t o 75. 00 1. 59 C
50 Baj o 66. 00 1. 59 D
0 Baj o 61. 50 1. 59 E

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.

156
Diseo experimental con dos factores y dependencia espacial
En muchas situaciones se presentan niveles de un factor de inters que, por su
naturaleza, no se pueden asignar en forma aleatoria. Este es el caso de las tomas de
muestras de agua a lo largo de un ro, cuando se evalan efectos a distintas distancias en
un bosque o cuando se toman muestras de suelo a distintas profundidades. El hecho de
que no se puedan aleatorizar los niveles de un factor genera una dependencia espacial
que debe ser contemplada. Aqu presentamos un ejemplo (datos Lombrices.IDB2) en
donde se evalan cuatro tipo de sombra en cultivos de caf: testigo con sol (sol),
leguminosa1 (SombraL1), leguminosa2 (SombraL2) y no leguminosa (SombraNL) en
tres profundidades (1=0-10 cm, 2=10-20 cm y 3=20-30 cm). En cada una de las
unidades experimentales (combinacin de tratamientos y repeticiones) se tomaron
muestras de 3030 cm con 10 cm de profundidad en cada una de las tres profundidades.
En cada muestra se recolectaron las lombrices y se obtuvo su peso vivo (biomasa). Las
unidades experimentales estaban arregladas en un diseo completamente aleatorizado
con tres repeticiones. La variable tratam_rep identifica a las unidades experimentales
sobre las que se miden las distintas profundidades y fue generada desde el men Datos,
sub men Cruzar categorias para formar una nueva variable (en la ventana de
seleccin de variables se declar a tratam y rep como variables).
Para realizar el anlisis de los datos del archivo Lombrices.IDB2, se deben declarar las
variables como se muestra a continuacin (Figura 99).

157

Figura 99: 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 100).

158

Figura 100: Ventana con la solapa Efectos fijos desplegada para evaluar un modelo mixto con los
datos del archivo Lombrices.IDB2.

Por ltimo, se declara en la solapa Correlacin el modelo de Correlacin espacial
exponencial, identificando a profund como coordenada X y a tratam_rep como criterio
de agrupamiento (Figura 101).

159

Figura 101: Ventana con la solapa Correlacin desplegada para evaluar un modelo mixto con
correlacin espacial exponencial en los datos del archivo Lombrices.IDB2.
La salida correspondiente se presenta a continuacin.



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)

Resultados para el modelo: modelo000_Biomasa_REML

Variable dependiente:Biomasa


160

36 161. 03 177. 52 - 66. 52 3. 46 0. 97


( I nt er cept ) 1 3725. 04 <0. 0001
Tr at am 3 66. 75 <0. 0001
Pr of und 2 303. 14 <0. 0001
Tr at am: Pr of und 6 4. 86 0. 0022


Formula: ~ as.numeric(as.character(Profund)) | Tratam_Rep
Metrica: euclidean


Par met r o Est i m
r ange 2. 12

Todos los factores resultaron significativos, presentndose interaccin entre
tratamientos y profundidad (p=0.0022). El parmetro range tiene un valor estimado de
2.12. Este parmetro debe interpretarse con cuidado, dependiendo del modelo de
correlacin espacial usado. En la bibliografa geoestadstica, el range se define, para
procesos espaciales estacionales de segundo orden, como la distancia a partir de la cual
las observaciones pueden considerarse independientes. El parmetro range que se
muestra en la salida est relacionado a esta definicin, pero no es la distancia a partir de
la cual no hay ms correlacin (excepto en los modelos esfrico y lineal). En los
modelos de correlacin espacial, en los que la covarianza alcanza cero solo
asintticamente (todos excepto el esfrico y el lineal), no existe una distancia a la cual la
correlacin espacial se haga 0, por lo que se usa el concepto de practical range
(distancia a partir de la cual la covarianza espacial se reduce al 5%, o equivalentemente,
la distancia a la cual el semivariograma alcanza el 95% de su mximo). Esta distancia
depende del modelo usado: para correlacin espacial exponencial es 3 veces el range
estimado, mientras que para correlacin espacial Gaussiana es 3 veces el range
estimado (Littel et l. 2006). Para la correlacin racional cuadrtica este factor es
aproximadamente 4.36.

161
En este ejemplo se us un modelo de correlacin espacial exponencial. La profundidad
1 era entre 0 y 10 cm, la 2 entre 10 y 20 cm y la 3 entre 20 y 30 cm, es decir, la
diferencia entre la profundidad 1 y 2 de la forma en que fueron declaradas, es de 1, sin
embargo en la escala original esta diferencia es de 10. Por lo tanto, el practical range en
la escala original es de 321.2 cm=63.6 cm. Esto implica que, para las profundidades
estudiadas (0 a 30 cm), las observaciones de biomasa de lombrices nunca sern
independientes (para que pudieran considerarse prcticamente independientes las
observaciones deberan estar a ms de 63.6 cm, lo que es imposible con estos datos).
El modelo de correlacin espacial exponencial isotrpico presentado aqu es equivalente
a un modelo autorregresivo de orden 1 (Casanoves et l. 2005). Si con este mismo
conjunto de datos usamos ahora un modelo Autorregresivo de orden 1 (Figura 102) se
obtiene la siguiente salida.

Figura 102: Ventana con la solapa Correlacin desplegada para evaluar un modelo mixto con
correlacin autorregresiva de orden 1 en los datos del archivo Lombrices.IDB2.

162



,correlation=corAR1(form=~as.integer(as.character(Profund))|Tratam_Rep
)
,method="REML"
,na.action=na.omit
,data=R.data00)




36 161. 03 177. 52 - 66. 52 3. 46 0. 97


( I nt er cept ) 1 3725. 05 <0. 0001
Tr at am 3 66. 75 <0. 0001
Pr of und 2 303. 14 <0. 0001
Tr at am: Pr of und 6 4. 86 0. 0022


Formula: ~ as.integer(as.character(Profund)) | Tratam_Rep


Par met r o Est i m
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.
A continuacin estudiaremos la validez de los supuestos de este modelo. Para esto, en el
submen Anlisis-exploracin de los modelos estimados se solicitaron los grficos de
diagnstico que se presentan a continuacin (Figura 103).

163
sol sombraL1 sombraNL
-
1
.
5
-
0
.
5
0
.
5
1
.
5
Tratam
R
e
s
.
c
o
n
d
.
e
s
t
a
n
d
.
P
e
a
r
s
o
n
1 2 3
-
1
.
5
-
0
.
5
0
.
5
1
.
5
Profund
R
e
s
.
c
o
n
d
.
e
s
t
a
n
d
.
P
e
a
r
s
o
n
30 40 50 60 70 80
-
1
.
5
-
0
.
5
0
.
5
1
.
5
Valores ajustados
R
e
s
.
c
o
n
d
.
e
s
t
a
n
d
.
P
e
a
r
s
o
n
-2 -1 0 1 2
-
1
.
5
-
0
.
5
0
.
5
1
.
5
Cuantiles tericos
C
u
a
n
t
i
l
e
s

m
u
e
s
t
r
a
l
e
s

Figura 103: 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 104) y se obtuvo la
siguiente salida.

164

Figura 104: Ventana con la solapa Heteroscedasticidad desplegada para evaluar un modelo mixto con
en los datos del archivo Lombrices.IDB2.



,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)




165

36 164. 03 184. 06 - 65. 02 4. 20 0. 97


( I nt er cept ) 1 4300. 37 <0. 0001
Tr at am 3 54. 19 <0. 0001
Pr of und 2 511. 72 <0. 0001
Tr at am: Pr of und 6 6. 32 0. 0004


Formula: ~ as.integer(as.character(Profund)) | Tratam_Rep


Par met r o Est i m
Phi 0. 73


Formula: ~ 1 | Tratam


Par met r o Est i m
sol 1. 00
sombr aL1 0. 65
sombr aL2 0. 66
sombr aNL 1. 22

Los criterios AIC y BIC son mayores en el modelo heteroscedstico que en el
homoscedstico, indicando que este ltimo es el mejor. Similar conclusin se obtiene a
partir de la prueba del cociente de verosimilitud (p=0.3916) al pedir la comparacin de
los modelos como se mostr en la seccin Anlisis de un modelo ajustado.

df AI C BI C l ogLi k Test L. Rat i o p- val ue
model o001_Bi omasa_REML 14 161. 03 177. 52 - 66. 52
model o002_Bi omasa_REML 17 164. 03 184. 06 - 65. 02 1 vs 2 3. 00 0. 3916

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 105).

166
Sol SombraL1 SombraL2 SombraNL
1 2 3
Profundidad
20
30
40
50
60
70
80
90
B
i
o
m
a
s
a
Sol SombraL1 SombraL2 SombraNL

Figura 105: Diagramas de puntos para estudiar la interaccin entre tratamientos y profundidad y su
efecto sobre la biomasa. Datos archivo Lombrices.IDB2.

Como se puede observar, este grfico sugiere la presencia de un comportamiento lineal
para sol y uno cuadrtico para los otros tratamientos. Para probar estas hiptesis se
realizan contrastes ortogonales polinmicos a partir de la solapa Comparaciones,
subsolapa Contrastes (Figura 106).

167

Figura 106: 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.

Tr at am*Pr of und F gl ( num) gl ( den) p- val or
Cont . 1 111. 81 1 24 <0. 0001
Cont . 2 0. 06 1 24 0. 8147
Cont . 3 222. 11 1 24 <0. 0001
Cont . 4 26. 66 1 24 <0. 0001
Cont . 5 164. 40 1 24 <0. 0001
Cont . 6 10. 52 1 24 0. 0035
Cont . 7 92. 62 1 24 <0. 0001
Cont . 8 7. 26 1 24 0. 0127
Tot al 79. 43 8 24 <0. 0001


168
Coeficientes de los contrastes

Tr at am Pr of und 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
sombr aL1 1 0. 00 0. 00 - 1. 00 1. 00 0. 00 0. 00 0. 00 0. 00
sombr aL1 2 0. 00 0. 00 0. 00 - 2. 00 0. 00 0. 00 0. 00 0. 00
sombr aL1 3 0. 00 0. 00 1. 00 1. 00 0. 00 0. 00 0. 00 0. 00
sombr aL2 1 0. 00 0. 00 0. 00 0. 00 - 1. 00 1. 00 0. 00 0. 00
sombr aL2 2 0. 00 0. 00 0. 00 0. 00 0. 00 - 2. 00 0. 00 0. 00
sombr aL2 3 0. 00 0. 00 0. 00 0. 00 1. 00 1. 00 0. 00 0. 00
sombr aNL 1 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 - 1. 00 1. 00
sombr aNL 2 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 - 2. 00
sombr aNL 3 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 1. 00 1. 00


169
Diseos de testigos apareados
Este tipo de arreglo de tratamientos es comn en la evaluacin de nuevos cultivares
(variedades, hbridos, etc.) en mejoramiento gentico vegetal. Bsicamente consisten en
ubicar en forma aleatoria el conjunto de cultivares a evaluar intercalando siempre entre
ellos un testigo comn. La presencia de este testigo es la que permite de alguna forma
modelar los efectos sistemticos de la calidad del terreno donde se ubican las parcelas
experimentales. Para ejemplificar su anlisis se presenta un ejemplo con 16 hbridos
(H1,, H16) y un testigo, y as se tiene un total de 32 unidades experimentales. Los
datos se encuentran en el archivo Testigos apareados.IDB2.
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.
En la solapa de Efectos fijos se declara al Hibrido como en la Figura 107. Luego, en la
solapa Comparaciones se solicit la prueba LSD de Fisher para Hibrido.

170

Figura 107: Ventana con la solapa Efectos fijos desplegada para los datos del archivo
Testigos_apareados.IDB2.
La salida correspondiente se presenta a continuacin.



modelo000_Rendimiento_REML<-gls(Rendimiento~1+Hibrido
,method="REML"
,na.action=na.omit
,data=R.data21)




32 219. 90 232. 64 - 91. 95 101. 35 0. 69


171

( I nt er cept ) 1 3580. 56 <0. 0001
Hi br i do 16 2. 12 0. 0763

Medias ajustadas y errores estndares para Hibrido

Hi br i do Medi as E. E.
H4 1230. 00 101. 35 A
H3 1222. 00 101. 35 A
H14 1193. 00 101. 35 A B
H10 1168. 00 101. 35 A B C
H11 1116. 00 101. 35 A B C
Test i go 1115. 81 25. 34 A B C
H5 1099. 00 101. 35 A B C
H9 1063. 00 101. 35 A B C
H2 1037. 00 101. 35 A B C D
H12 1033. 00 101. 35 A B C D
H8 975. 00 101. 35 A B C D
H7 966. 00 101. 35 A B C D
H16 928. 00 101. 35 A B C D
H6 907. 00 101. 35 B C D
H1 886. 00 101. 35 C D
H13 876. 00 101. 35 C D
H15 756. 00 101. 35 D

La prueba F para Hibrido no result significativa (p = 0.0763) por lo cual no deben
interpretarse las diferencias de medias presentadas en la prueba LSD de Fisher.
La alternativa a este modelo es el uso de correlaciones espaciales para corregir las
medias de cada hbrido por el efecto del sitio en donde fueron ubicadas por azar. Para
esto, se procede a colocar la Posicion de la parcela como una covariable.
En la solapa Efectos fijos se deja igual que en la Figura 107. En la solapa Correlacin se
especifican los diferentes modelos:
Modelo 1: Correlacin espacial exponencial ( Figura 108).
Modelo 2: Correlacin espacial Gaussiana (Figura 109).
Modelo 3: Correlacin espacial lineal (Figura 110).
Modelo 4: Correlacin espacial rational quadratic (Figura 111).
Modelo 5: Correlacin espacial esfrica (Figura 112).

172
A continuacin se muestran las ventanas de seleccin de correlacin espacial y las
medidas de ajuste de cada uno de los modelos estimados.

Figura 108: Ventana con la solapa Correlacin desplegada para los datos del archivo
Testigos_apareados.IDB2 y seleccin de Correlacin espacial exponencial.


32 218. 62 232. 08 - 90. 31 112. 79 0. 58


173

Testigos_apareados.IDB2 y seleccin de Correlacin espacial Gaussiana.


32 219. 17 232. 62 - 90. 58 106. 78 0. 58


174

Testigos_apareados.IDB2 y seleccin de Correlacin espacial lineal.


32 219. 13 232. 58 - 90. 56 107. 52 0. 56


175

Testigos_apareados.IDB2 y seleccin de Correlacin espacial rational quadratic.


32 218. 81 232. 26 - 90. 40 106. 92 0. 59


176

Testigos_apareados.IDB2 y seleccin de Correlacin espacial esfrica.


32 219. 21 232. 66 - 90. 60 137. 39 0. 56

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.


177


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)




32 218. 62 232. 08 - 90. 31 112. 79 0. 58


( I nt er cept ) 1 582. 79 <0. 0001
Hi br i do 16 5. 27 0. 0012


Formula: ~ as.numeric(as.character(Posicion))
Metrica: euclidean


Par met r o Est i m
r ange 2. 74


H3 1248. 31 85. 33 A
H4 1244. 19 85. 33 A
H10 1145. 64 85. 33 A B
H5 1128. 65 85. 33 A B C
Test i go 1096. 98 45. 09 A B C
H2 1091. 07 85. 33 A B C
H11 1078. 43 85. 33 A B C
H9 1078. 28 85. 33 A B C
H14 1070. 07 85. 33 A B C
H1 1005. 46 85. 33 B C
H12 979. 80 85. 33 B C
H6 966. 31 85. 33 B C

178
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

Se encontraron diferencias entre hbridos (p = 0.0012). Mediante la prueba LSD de
Fisher de comparacin de medias se pudo determinar que los hbridos de mayor
rendimiento fueron los H2, H3, H4, H5, H9, H10, H11, H14, y que stos a su vez no
difieren del testigo.
Otra alternativa es pensar el problema como en los orgenes de la modelacin espacial
(Papadakis 1937), y utilizar un anlisis de covarianza para ajustar las medias de los
hbridos en las distintas posiciones. Para realizar una aproximacin a este tipo de
anlisis se construy una nueva variable llamada Tes, la cual contiene los rendimientos
correspondientes a los testigos, luego se adicion una nueva columna (Hib) en la que se
copiaron los valores del rendimiento del hibrido ms cercano a cada testigo. Se calcul
luego la diferencia del rendimiento del testigo frente al hibrido (Dif).
A continuacin se realiz un anlisis de regresin lineal considerando a Dif como
variable dependiente y a Posicion como variable regresora. Se guardaron los predichos
de este modelo con el fin de utilizarlos como una covariable en el anlisis de las medias
de hbridos.
Luego, en la ventana del selector de variables de Modelos lineales generalizados y
mixtos se declaran las variables como se muestra en la Figura 113.

179

archivo Testigos_apareados.IDB2.
En la ventana de Efectos fijos se declara a Hibrido y a PRED_Dif. En la solapa
Comparaciones se solicit la prueba LSD de Fisher. La salida correspondiente se
presenta a continuacin.


modelo029_Rendimiento_REML<-gls(Rendimiento~1+Hibrido+PRED_Dif
,method="REML"
,na.action=na.omit
,data=R.data29)




32 215. 09 227. 23 - 88. 54 79. 89 0. 82


180

( I nt er cept ) 1 5763. 58 <0. 0001
Hi br i do 16 3. 42 0. 0129
PRED_Di f 1 10. 15 0. 0066


H4 1295. 07 82. 46 A
H3 1293. 92 83. 02 A
H10 1150. 88 80. 07 A B
H5 1143. 52 81. 10 A B
H2 1129. 47 85. 00 A B
H14 1121. 08 83. 02 A B
Test i go 1115. 81 19. 97 A B
H11 1078. 33 80. 76 A B
H9 1052. 73 79. 95 A B C
H12 988. 48 81. 10 B C
H1 985. 32 85. 76 B C
H8 985. 27 79. 95 B C
H7 983. 12 80. 07 B C
H6 944. 67 80. 76 B C
H16 828. 68 85. 76 C D
H13 810. 93 82. 46 C D
H15 663. 53 85. 00 D

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.


181
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. 2005. Error variation in multienvironment
peanut trials: Within-trial spatial correlation and between-trial heterogeneity.
Crop Science, 45: 1927-1933.
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.
Di Rienzo J.A., Guzman A.W., Casanoves F. (2002). A Multiple Comparisons Method
based On the Distribution of the Root Node Distance of a Binary Tree
Obtained by Average Linkage of the Matrix of Euclidean Distances between
Treatment Means. JABES 7(2), 129-142.
Di Rienzo J. 2007.Curso de Diseo de Experimentos 2007 de la Maestra en Estadstica
Aplicada UNC. http://vaca.agro.uncor.edu/~estad/cursosposgrado.htm
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. Firts edition. Chapman &
Hall, London. 277 p.

182
Littel R., Milliken G., Stroup W., Wolfinger R., Schabenberger O. 2006. SAS for
Mixed Models. Second Ed., SAS Institute, Cary, NC.
Littel R., Pendergast J., Natarajan R. 2002. Modelling Covariance Structure in the
Analysis of Repeated Measures Data. Statistics in Medicine 19:1793-1819.
Martnez N. 2006. Determinacin de la tasa de degradacin de hojarasca de guadua
(Guadua angustifolia) e higuern (Ficus glabrata) con y sin presencia de
macroinvertebrados acuticos en una quebrada del Valle del Cauca, Colombia.
Disertacin, Departamento de Biologa, Universidad del Valle, Colombia.
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, College Town, 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. Methode statistique pour des experiencessur champ. Institut
dAmelioration 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.
Ripley B.D. 1981. Spatial Statistics. Wiley, New York.
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.

183
ndice de cuadros
Cuadro 1. Componentes de varianza estimados para los datos del archivo Compvar.IDB2.........................................31
Cuadro 2. Caractersticas y medidas de ajuste de los modelos evaluados para los datos del archivo
CapacidadRespiratoria.IDB2. .....................................................................................................................................103
Cuadro 3. Criterios de bondad de ajuste para los modelos ajustados con efectos de bloque fijo en los datos del archivo
ECRmani.IDB2 ..........................................................................................................................................................141
Cuadro 4. Criterios de bondad de ajuste para los modelos ajustados sin efectos de bloque fijo en los datos del archivo
ECRmani.IDB2 ..........................................................................................................................................................141

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. ............................4
Figura 3: Ventana desplegada con la solapa Efectos aleatorios para los datos del archivo Bloque.IDB2.......................6
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 6: Encabezamiento de la tabla de datos del archivo Ovary................................................................................11
Figura 7: Relacin entre el nmero de folculos (follicles) y el tiempo (Time). ...........................................................11
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. ......................................15
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). ...........................................................................17
Figura 12: Funciones ajustadas para el nmero de folculos para cada yegua originada por la inclusin de efectos
aleatorios sobre todos los parmetros de la parte fija del modelo (archivo Ovary).......................................................18
Figura 13: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Ovary. .........................19
Figura 14: Ventana comparacin de modelos generales y mixtos con la solapa Diagnstico desplegada (archivo
Atriplex.IDB2)..............................................................................................................................................................22
Figura 15: Ventana comparacin de modelos generales y mixtos con la solapa Combinaciones lineales desplegada
(archivo Atriplex.IDB2). ..............................................................................................................................................23
Figura 16: Funcin de autocorrelacin de los residuos del modelo presentado en la Ecuacin (2) excluyendo la
modelacin de la autocorrelacin serial........................................................................................................................24

184
Figura 17: Funcin de autocorrelacin de los residuos del modelo presentado en la Ecuacin (2) incluyendo la
modelacin de la autocorrelacin serial........................................................................................................................25
Figura 18: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del archivo
Compvar.IDB2. ............................................................................................................................................................28
Figura 19: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Compvar.IDB2 para la
especificacin del Modelo 1. ........................................................................................................................................29
Figura 20: Ventana Anlisis-exploracin de modelos estimados con la solapa Diagnstico desplegada para el Modelo
1 con los datos del archivo Compvar.IDB2. .................................................................................................................32
Figura 21: Grficos de diagnstico obtenidos para la variable largo y el modelo 1 para los datos del archivo
Compvar.IDB2. ............................................................................................................................................................32
Figura 22: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Compvar.IDB2 para la
especificacin de varianzas heterogneas para poblaciones. ........................................................................................33
Figura 23: 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........................................................................38
Figura 24: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Compvar.IDB2 para la
Figura 25: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Compvar.IDB2 para la
Figura 26: Ventana con la solapa Comparaciones desplegada para los datos del archivo Compvar.IDB2 para la
Figura 27: Ventana Anlisis-exploracin de modelos estimados con la solapa Diagnstico desplegada para el Modelo
2 con los datos del archivo Compvar.IDB2. .................................................................................................................44
Figura 28: Grficos de diagnstico obtenidos para la variable largo y el Modelo 2 para los datos del archivo
Compvar.IDB2 .............................................................................................................................................................45
Figura 29: 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. ......................................48
Figura 30: Esquema del diseo en parcelas divididas para el ejemplo de los datos en el archivo Trigo.IDB2. ............51
Figura 31: Encabezamiento de la tabla de datos del archivo Trigo.IDB2. ....................................................................52
Trigo.IDB2. ..................................................................................................................................................................52
Figura 33: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Trigo.IDB2..............................53
Figura 34: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Trigo.IDB2 con bloque y
agua como criterios de estratificacin...........................................................................................................................54
Figura 35: Ventana Comparacin de modelos generales y mixtos con la solapa Diagnstico desplegada para los datos
del archivo Trigo.IDB2.................................................................................................................................................56
Figura 36: Herramientas grficas para diagnstico obtenidas para los datos del archivo Trigo.IDB2..........................57

185
Figura 37: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Trigo.IDB2 con
seleccin de funcin varIdent con variedad como criterio de agrupamiento. ...............................................................58
Figura 38: Ventana con la solapa Comparaciones desplegada para los datos del archivo Trigo.IDB2 y seleccin de la
subsolapa Medias..........................................................................................................................................................59
Figura 39: Encabezamiento de la tabla de datos del archivo Cobertura de gotas.IDB2. ...............................................61
Cobertura de gotas.IDB2. .............................................................................................................................................62
Figura 41: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Cobertura de gotas.IDB2. .......62
Figura 42: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Cobertura de gotas.IDB2
con Parcela como criterio de estratificacin. ................................................................................................................63
Figura 43: Diagrama de cajas para los residuos estandarizados de Pearson para los niveles del factor Cara. ..............64
Figura 44: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Cobertura de gotas.IDB2
con Cara como criterio de agrupamiento. .....................................................................................................................65
Figura 45: Diagramas de puntos para estudiar la interaccin entre Coad y Altura y entre Cara y Altura. ....................68
Figura 46: Esquema del diseo en parcelas subdivididas para el ejemplo de los datos en el archivo Calidad del
almidn.IDB2. ..............................................................................................................................................................69
Figura 47: Encabezamiento de la tabla de datos del archivo Calidad del Almidn.IDB2.............................................70
Figura 48: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del archivo Calidad
del Almidn.IDB2. .......................................................................................................................................................70
Figura 49: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Calidad del Almidn.IDB2. ....71
Figura 50: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Calidad del Almidn.IDB2.
......................................................................................................................................................................................72
Figura 51: 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. ..........................................................................................74
Figura 52: Relacin entre cobertura y tiempo para cinco tratamientos del archivo Cobertura forrajes.IDB2..............78
Figura 53: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del ejemplo
Cobertura forrajes.IDB2. ..............................................................................................................................................80
Figura 54: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Cobertura forrajes.IDB2. ........81
Figura 55: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura forrajes.IDB2 y
seleccin de Errores independientes (Modelo 1). .........................................................................................................82
Figura 56: 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)..........................................83
seleccin de simetra compuesta para datos agrupados por parcela (Modelo 3). .........................................................84
seleccin de modelo Autorregresivo de orden 1 para datos agrupados por parcela y orden de las observaciones
indicado por la variable Tiempo (Modelo 5). ...............................................................................................................85

186
Figura 59: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Cobertura forrajes.IDB2
con parcela como criterio de estratificacin (Modelo 7)...............................................................................................87
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). ........................................................................................88
seleccin de modelo Sin estructura para datos agrupados por parcela y orden de las observaciones indicado por la
variable Tiempo (Modelo 9). ........................................................................................................................................89
Figura 62: Ventana del Calculador de probabilidades y cuantiles de InfoStat. .............................................................93
Figura 63: Ventana con la solapa Comparaciones desplegada para los datos del archivo Cobertura forrajes.IDB2 y
seleccin de la subsolapa Contrastes. ...........................................................................................................................94
Figura 64: Ventana de selector de variables con los datos del archivo CapacidadRespiratoria.IDB2. .........................97
Figura 65: Ventana con la solapa Efectos fijos desplegada con los datos del archivo CapacidadRespiratoria.IDB2. ..98
Figura 66: Ventana con la solapa Correlacin desplegada, opcin Simetra compuesta, con los datos del archivo
CapacidadRespiratoria.IDB2. .......................................................................................................................................99
Figura 67: Ventana con la solapa Correlacin desplegada, opcin Autorregresivo de orden 1, con los datos del
archivo CapacidadRespiratoria.IDB2. ........................................................................................................................100
Figura 68: Ventana con la solapa Heteroscedasticidad desplegada con los datos del archivo
Figura 69: Ventana con la solapa Efectos aleatorios desplegada con los datos del archivo
Figura 70: Ventana con la solapa Correlacin desplegada, opcin Sin estructura, con los datos del archivo
Figura 71: Ventana de selector de variables para los datos del archivo MedCapRes.IDB2. .......................................107
Figura 72: Ventana de selector de variables con solapa Particiones activada para los datos del archivo
MedCapRes.IDB2.......................................................................................................................................................108
Figura 73: Grfico de puntos para estudiar la interaccin entre tratamientos y hora con los datos del archivo
Figura 74: Ventana con la solapa Comparaciones, subsolapa Contrastes con los datos del archivo
Figura 75: Grfico de puntos para el logaritmo del peso seco remanente en funcin del tiempo, para los cuatro
tratamientos (Especie-Bolsa). Archivo Descomposicin.IDB2. .................................................................................113
Figura 76: 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. ..............................114
Figura 77: Grfico de puntos para el logaritmo del peso seco remanente en funcin del tiempo, para los cuatro
tratamientos (Especie-Bolsa). Archivo Descomposicin.IDB2. .................................................................................115

187
Figura 78: 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..................................................................................................................................116
Figura 79: 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. ..................................................116
Figura 80: 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................................................................................................................................................117
Figura 81: 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. ............................................................................................................118
Figura 82: 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
Figura 83: 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. ............................................................................................119
Figura 84: 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
Figura 85: 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. ............................................................................................120
Figura 86: 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.....121
Figura 87: Curvas de tasas de descomposicin segn especie y tramado de la bolsa de almacenamiento..................124
Figura 88: Ventana con la solapa Efectos fijos desplegada para los datos del archivo ECRman.IDB2 y el Modelo BF.
....................................................................................................................................................................................129
Figura 89: Ventana con la solapa Efectos fijos desplegada para los datos del archivo ECRman.IDB2 y el Modelo
BA. .............................................................................................................................................................................129

188
Figura 90: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo ECRman.IDB2 y el
Modelo BA. ................................................................................................................................................................130
Figura 91: Ventana con la solapa Heteroscedasticidad usando local como criterio de agrupamiento para los datos del
archivo ECRman.IDB2 y los Modelos BFH y BAH. ................................................................................................131
Figura 92: 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......................................................................................................................................................................132
Figura 93: Diagrama de puntos para estudiar la interaccin entre localidades y genotipos para la variable rendimiento.
....................................................................................................................................................................................146
Figura 94: 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. ..............................................................................................................................................148
Figura 95: Ventana del procedimiento de Anlisis de varianza con la solapa Modelo desplegada para los datos del
archivo StripPlot.IDB2. ..............................................................................................................................................149
Figura 96: Diagramas de puntos para estudiar la interaccin entre Riego y Nitrgeno y su efecto sobre el rendimiento.
Datos archivo StripPlot.IDB2. ....................................................................................................................................151
Figura 97: Ventana con la solapa Efectos fijos desplegada para evaluar un modelo mixto con los datos del archivo
StripPlot.IDB2 . ..........................................................................................................................................................152
Figura 98: Ventana con la solapa Efectos aleatorios desplegada para evaluar un modelo mixto con los datos del
archivo StripPlot.IDB2 . .............................................................................................................................................153
Figura 99: Ventana se selector de variable para Modelos lineales generales y mixtos los datos del archivo
Lombrices.IDB2. ........................................................................................................................................................157
Figura 100: Ventana con la solapa Efectos fijos desplegada para evaluar un modelo mixto con los datos del archivo
Lombrices.IDB2. ........................................................................................................................................................158
Figura 101: Ventana con la solapa Correlacin desplegada para evaluar un modelo mixto con correlacin espacial
exponencial en los datos del archivo Lombrices.IDB2. ..............................................................................................159
Figura 102: Ventana con la solapa Correlacin desplegada para evaluar un modelo mixto con correlacin
autorregresiva de orden 1 en los datos del archivo Lombrices.IDB2..........................................................................161
Figura 103: Herramientas grficas para diagnstico obtenidas para los datos del archivo Lombrices.IDB2..............163
Figura 104: Ventana con la solapa Heteroscedasticidad desplegada para evaluar un modelo mixto con en los datos del
archivo Lombrices.IDB2. ...........................................................................................................................................164
Figura 105: Diagramas de puntos para estudiar la interaccin entre tratamientos y profundidad y su efecto sobre la
biomasa. Datos archivo Lombrices.IDB2. ..................................................................................................................166
Figura 106: Ventana con la solapa Comparaciones y la subsolapa Contrastes desplegada para evaluar un modelo
mixto con los datos del archivo Lombrices.IDB2.......................................................................................................167
Figura 107: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Testigos_apareados.IDB2. ..170
Figura 108: Ventana con la solapa Correlacin desplegada para los datos del archivo Testigos_apareados.IDB2 y
seleccin de Correlacin espacial exponencial. ..........................................................................................................172

189
seleccin de Correlacin espacial Gaussiana. .............................................................................................................173
seleccin de Correlacin espacial lineal. ....................................................................................................................174
seleccin de Correlacin espacial rational quadratic. ..............................................................................................175
seleccin de Correlacin espacial esfrica..................................................................................................................176
Testigos_apareados.IDB2. ..........................................................................................................................................179

Tutorial MM Esp

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Tutorial MM Esp

Uploaded by

Copyright:

Available Formats

Modelos Mixtos

You might also like