Professional Documents
Culture Documents
Interciencia,
ISSN (Versin impresa): 0378-1844
interciencia@ivic.ve
Asociacin Interciencia
Venezuela
Cmo citar?
Fascculo completo
Pgina de la revista
www.redalyc.org
Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
PALABRAS CLAVE / Anlisis de Rutas / Anlisis de Senderos / Correlacin y Regresin Mltiple / Anlisis de Sistemas
Biolgicos Complejos /
Ral Ortiz-Pulido. Licenciado en Ecologa, Universidad Veracruzana, Mxico. Realiza Doctorado en Instituto de Ecologa A. C., Mxico. Editor Jefe de Huitzil, Revista de Ornitologa Mexicana. Direccin: Departamento de Ecologa Vegetal, Instituto de Ecologa, A.C, Apartado 63, Xalapa, Veracruz, 91000, Mxico. e-mail:
ortizrau@ecologa.edu.mx
0378-1844/00/07/329-08 $ 3.00/0
329
330
Debido a que en biologa es comn que muchas relaciones entre variables no sean del tipo mencionado, el usuario del anlisis de rutas debe
verificar que sus variables tengan este
tipo de relaciones entre s. Si no es el
caso, el usuario puede emplear las tcnicas utilizadas en regresin para intentar
lograrlo (e.g., transformacin, eliminacin
de variables para evitar colinearidad). En
este sentido, las limitantes del anlisis de
rutas son las mismas que se aplican a los
anlisis de regresin.
Fundamentos. Las bases
de la tcnica de anlisis de ruta estn
dentro de las desarrolladas para los mtodos de modelacin estructural de ecuaciones (SEM, por sus siglas en ingls).
Los mtodos de regresin mltiple y anlisis de factores tambin pertenecen a
SEM (Rigdon, 1998). Al contrario que la
regresin mltiple, el anlisis de rutas
permite la particin de las correlaciones
causales y no causales de cualquier par
de variables (Parra, 1995).
Cmo realizar
un anlisis de rutas
Construccin de un diagrama de flujo. En el diagrama se representan las relaciones entre las variables
del sistema considerado (ver Figura 1).
Para su desarrollo debe considerarse dos
aspectos principales:
a) El diagrama debe ser
ordenado temporalmente, existirn variables tempranas que influirn sobre variables tardas (e.g., en la Figura 1, A
afecta a B y sta a Y). La relacin entre
cada variable debe estar determinada por
una hiptesis biolgica viable.
b) El sistema tiene variables desconocidas, y por lo tanto no medibles, que lo afectan (U en la Figura 1).
1
2
3
4
5
xd.e.
36
41
62
43
45
45,4
8,82
5,6
7,8
9,3
7,9
8,0
7,72
1,19
101
120
153
117
180
134,2
28,56
El valor estandarizado
de C1 (primer valor de la columna C en
la Tabla I) es:
C1 estandarizado = (36 45,4) / 8,82 = -1,06.
Si hacemos este procedimiento para todos
los datos, los valores estandarizados provenientes de la Tabla I quedan como se
observa en el Tabla II.
TABLA II
VALORES ESTANDARIZADOS
# Dato
1
2
3
4
5
-1,06
-0,49
1,88
-0,27
-0,04
-1,77
0,06
1,32
0,15
0,23
-1,16
-0,49
0,66
-0,60
1,60
Figura 3. Diagrama de flujo con coeficientes de ruta indicados por nmeros (A) o lneas (B).
331
332
TABLA III
EFECTOS ENTRE LAS VARIABLES DE LA TABLA II SEGN EL MODELO
PROPUESTO EN LA FIGURA 2
Var.
dependiente
Var.
independiente
Efectos
directos
Efectos
indirectos
Efectos
totales
B
C
0,594
0,054
0,511
0,594
0,565
0,861
0,861
TABLA IV
COMPARACIN ANIDADA DE MODELOS ALTERNATIVOS
AL REPRESENTADO EN LA FIGURA 1
Bondad
de ajuste
2
Modelo
1 (ver Figura 1)
2 (como Figura 1, sin efecto de A a B)
3 (como modelo 2, sin efecto de C a Y)
gl
Comparacin anidada
con modelo 1
2
1,38 2 0,50
4,10 3 0,25
13,27 4 0,01
gl
2,72 1 0,10
11,89 2 0,005
TABLA V
VARIABLES RELACIONADAS CON LA EYACULACIN EN HUMANOS
Pareja
A
B
F
L
m
N
T
U
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X12
Peso
(Kg)
Volumen
testculos
Hembra
Macho
(cm3)
64
58
59
52
54
54
56
52
58
58
58
58
59
59
60
61
57
57
56
56
95
79
73
67
57
73
64
68
74
75
73
75
72
72
76
76
71
71
70
70
28
20
18
7
12
17
11
15
15
16
15
16
14
15
19
18
17
14
12
13
Tiempo desde
Espermas
ltima
eyaculados
eyaculacin
por cpula
(horas)
(individuos x 106)
60
149
168
32
48
56
54
32
25
45
25
20
25
70
24
32
38
25
37
25
570
219
516
60
282
455
109
295
263
560
263
216
242
844
333
436
496
242
322
220
Se presentan datos para 20 parejas. Las primeras ocho parejas son reales (Tomadas de Baker y
Bellis, 1993a), los datos de las parejas sealadas con una x fueron inventados por el autor con la
intencin de desarrollar este ejemplo.
333
Figura 4.
334
TABLA VI
COMPARACIN ANIDADA DE MODELOS ALTERNATIVOS AL MODELO 2
PRESENTADO EN LA FIGURA 5
Bondad de ajuste
Modelo
2
1
3
4
(Figura
(Figura
(Figura
(Figura
4)
4)
6)
6)
Comparacin anidada
con modelo 1
gl
gl
3,91
50,5
4,40
6,22
4
12
5
7
0,419
<0,0005
0,493
0,515
46,59
0,59
2,31
8
1
3
<0,001
>0,25
>0,25
TABLA VII
EFECTOS ENTRE LAS VARIABLES DEL MODELO 4 PROPUESTO
EN LA FIGURA 6
Variable
Efectos
Directos Indirectos Totales
Dependiente
Independiente
Peso de la hembra
0,77
0,87
0,51
0,67
0,34
0,44
0,77
0,67
0,34
0,87
0,44
0,51
Figura 5.
est determinada por un conjunto de variables conductuales, alomtricas y fisiolgicas involucradas en el proceso. Los datos
sugieren que hembras y machos escogen
parejas de tamao similar (factor conductual), lo que ocasiona que, por ejemplo, hembras grandes tengan de pareja a
machos grandes. Esto determina a su vez
que hembras grandes tengan machos con
un volumen testicular relativamente grande
(factor alomtrico en el macho), y que estos machos eyaculen mayor cantidad de
esperma (factor fisiolgico). El efecto del
tiempo pasado desde la ltima eyaculacin
no tuvo un efecto marcado en los modelos
analizados. La relacin directa peso de la
hembra - nmero de espermas eyaculados
en ella no fue viable cuando se consider
sola en un modelo, o fue de baja intensidad (coeficiente de ruta < 0,23) cuando se
consider en otros modelos.
Herramientas que mejoran
la aplicacin de un anlisis de rutas
Hasta hace unos aos
dos de las principales limitantes para utilizar el anlisis de ruta, en las ciencias biolgicas y sociales, eran los clculos estadsticos complicados y laboriosos y el n-
Figura 6.
335
es decir, en vez de tener un solo valor tendremos una zona en la que con cierta probabilidad se encuentra este valor.
Otro de los usos de las
iteraciones es para determinar la distribucin exacta de nuestros datos y no suponerla, como se hace comnmente cuando
se usa una prueba paramtrica que presume
una distribucin normal de los datos. Aun
si pudiramos tener todos los valores de,
digamos, altura para una especie de rbol
neotropical, es poco probable que las frecuencias de dichos datos se ajusten perfectamente a una distribucin normal u otra
bien estudiada (e.g., binomial, Poisson),
que son las que comnmente se asume que
tienen nuestros datos, por cuestin de simplicidad. As, cuando modelamos los datos
considerando a priori que tienen distribuciones predeterminadas, nos enfrentamos al
problema, o ms bien, a la posibilidad, de
que nuestros datos tengan otra distribucin.
Con la tcnica bootstrap
se resuelve, cuando menos ms convincentemente que antes, dos problemas: el bajo
tamao de muestra y el supuesto de una
distribucin que no es (normal, binomial,
Poisson, etc.). Al realizar las iteraciones
puede obtenerse n10 poblaciones de datos,
lo que permite a la vez modelar una distribucin ms real de los datos a travs
de ellos mismos. De hecho eso es lo que
pretende decir bootstrap. Es un juego de
palabras en ingls que puede ser traducido
como levantar las botas por las agujetas.
Eso es lo que hace esta tcnica: construye
la distribucin de los datos a partir de
ellos mismos.
En este punto tal vez
surja la pregunta Cul es la aplicacin de
las iteraciones en un anlisis de rutas?
Una de sus varias aplicaciones es que nos
pueden ayudar a determinar el espacio en
que se encuentran nuestros coeficientes
de ruta. Como ya vimos los valores de
los coeficientes de ruta entre dos variables en un anlisis de ruta son los coeficientes parciales estandarizados de la regresin. Si consideramos dos variables,
digamos, C y B, de la Tabla I y hacemos
tres iteraciones, podemos obtener:
Primera iteracin:
41 41 36 45 45
7,8 7,8 5,6 8 8
Segunda iteracin: 43 36 62 43 41
7,9 5,6 9,3 7,9 7,8
Tercera iteracin:
41 41 41 41 62
7,8 7,8 7,8 7,8 9,3
336
REFERENCIAS
Baker RR, Bellis MA (1993a) Human sperm
competition: ejaculate adjustment by males and
the function of masturbation. Animal Behavior
46: 861-885.
Baker RR, Bellis MA (1993b) Human sperm
competition: ejaculate manipulation by females
and a function for female orgasm. Animal
Behavior 46: 887-909.
Kingsolver JG, Schemske DW (1991) Path analysis
of selection. Trends in Ecology and Evolution
6: 276-280.
Langen TA, Vehrencamp SL (1998) Ecological
factors affecting group and territory size in
White-throated Magpie-Jays. Auk 115: 327339.
Li CC (1975) Path analysis - a primer. Boxwood
Press, California. pp. 100-134.
Mitchell R J (1992) Testing evolutionary and
ecological hypothesis using path analysis and
structural equation modeling. Functional
Ecology 6: 123-129.
Mitchell RJ (1993) Path analysis: pollination. In
Scheiner SM, Gurevitch J (Eds.) Design and
analysis of ecological experiments. Chapman
& Hall. pp. 211-231.
Parra V (1995) Factores ecolgicos limitantes de la
fecundacin y seleccin natural en caractersticas florales de Ipomea wolcottianna Rose
(Colvolvulaceae). Tesis de doctorado. Centro
de Ecologa, UACPyP-CCH, UNAM. pp. 86114.
Pedhazur EJ (1982) Multiple regression in
behavioral
research:
explanation
and
prediction. Holt, Rinehart & Winston, New
York.
Petraitis PS, Dunham AE, Niewiarowski PH (1996)
Inferring multiple causality: the limitations of
path analysis. Functional Ecology 10: 421-431.
Rigdon E (1998) What is structural equation
modeling? http://www.gsu.edu/~mkteer/sem.html.
Consultado el 5 de mayo de 1998.
Shemske DW, Horvitz CC (1988) Plant-animal
interactions and fruit production in a neotropical herb: a path analysis. Ecology 69:
1128-1137.
Shipley B (1997) Exploratory path analysis with
applications in ecology and evolution.
American Naturalist 149: 1113-1138.
Steiger (1988) EZPATH: a supplementary module
for SYSTAT and SYGRAPH. Evanston, Illinois,
USA.
Thompson JN (1994) The coevolutionary process.
The Chicago University Press. Chicago, USA.
376 pp.
Thompson JN (1997) Evaluating the dynamics of
coevolution among geographically structured
populations. Ecology 78: 1619-1623.
Wooton JT (1994) Predicting direct and indirect effects: an integrated approach using experiments
and path analysis. Ecology 75: 151-165.
Wright S (1968) Evolution and the genetics of
populations. Vol. 1. Genetics and Biometric
foundations. The University of Chicago Press,
Chicago. pp. 299-324.
Zar JH (1996) Biostatistical analysis. Prentice-Hall
Inc., New Jersey. 718 pp.