Hoy en da, no slo en las ciencias biolgicas y el rea agrcola, sino en otras ramas, se observa un

uso formal de los modelos estadsticos, fundamentalmente los relacionados con los anlisis de
regresin.
Igualmente, con mucha frecuencia, no se valoran los supuestos tericos de los modelos
estadsticos y no se establecen conclusiones vlidas a partir de la informacin analizada.

Desde 1994, distintos autores han realizado aplicaciones de criterios para la seleccin de modelos
estadsticos en servicios cientfico-tcnicos, en dos Tesis de Maestra en Matemtica Aplicada a las
Ciencias Agropecuarias y actualmente, en dos Tesis de Doctorado con aplicaciones en modelos
que describen la dinmica de crecimiento en aves y bovinos y las curvas de lactancia (Fernndez
1996 y Fernndez et al. 2001) y en estudios de poblaciones de insectos (Cabrera 1997). Tambin se
ha tratado la seleccin de estos modelos en cursos de postgrado y en diferentes maestras y
diplomados en la Universidad Agraria de La Habana (UNAH), Universidad de Pinar del Ro,
Camagey y Cienfuegos, en dos Universidades de Bolivia y en cursos de pregrado en las diferentes
carreras de la UNAH (Guerra et al. 1993 y Guerra et al. 2001). El objetivo de este trabajo fue
resumir un grupo de criterios para la seleccin de modelos estadsticos y presentar su aplicacin a
una situacin concreta.

Los aspectos que se deben tener en cuenta en la seleccin de modelos estadsticos estn dirigidos,
fundamentalmente, a los modelos explicativos y dinmicos. Aunque los relativos a estadgrafos,
estimacin y dcimas de hiptesis en general, estn presentes en todos los casos:
1. Mtodos de ajuste de los modelos
2. Error estndar de los estimadores de los parmetros (Test t de student)
3. Coeficiente de variacin de los estimadores
4. Lmites de confianza de los parmetros
5. Test de redundancia de los parmetros
6. Anlisis de varianza relacionado con el modelo en cuestin
7. Coeficiente de determinacin R2 y R2 ajustado por los grados de libertad
8. Suma de cuadrados o Cuadrado Medio Residual (Burguello 1993)
9. Error estndar de estimacin
10. Test de falta de ajuste del modelo
11. Anlisis del efecto del uso de transformaciones en el modelo.
12. Diagnstico y tratamiento de la multicolinealidad en modelos de regresin lineal mltiple.
13. Validacin de las predicciones del modelo.
- Estadstico PRESS (Suma de Cuadrados del Error de Prediccin).
- Estadstico CMEP (Cuadrado Medio del Error de Prediccin).
- Estadstico Cp de Mallows.
- Coeficientes de correlacin entre los resultados predichos y los reales.
- Anlisis de la precisin de las estimaciones.
14. Anlisis de los residuos: Normalidad (Test de Shapiro-Wilks, Kolmogorov-Smirnov)
Autocorrelacin (Test de Rachas, Signos, Durbin-Watson, X2 de independencia, Ljung y
Box) Homocedasticidad (Grficos de los residuos, test de Cochran, Bartlett y Hartley).
Los resultados utilizados representan el porcentaje de puesta de gallinas ponedoras White
Leghorns, durante 30 das, a partir del inicio de la puesta en una granja de la provincia La Habana.
Para realizar una valoracin ms amplia de los resultados obtenidos, se ajustaron modelos
polinomiales de primero a cuarto grado, de acuerdo con lo sugerido en el diagrama de dispersin
(figura 1).














El estadstico PRESS (Suma de Cuadrados del Error de Prediccin), decrece igualmente, a medida
que aumenta el grado del polinomio, aunque en el de cuarto grado es superior aproximadamente
5 % al del grado anterior.
El de Cp de Mallows (cuantifica el sesgo en las estimaciones de los parmetros del modelo)
coincidi en todos los casos con el nmero de parmetros (2, 3, 4 y 5, respectivamente), lo que
indic un pequeo sesgo en la estimacin de los parmetros de estos modelos (Chacin 1998).
Los modelos polinomial cbico y de cuarto grado, describen mucho mejor el proceso de puesta
que el lineal simple y el cuadrtico (figura 1), dadas las caractersticas que presenta la informacin
en la primera decena, debido a problemas con la alimentacin. Esto produjo una brusca cada de la
produccin y su posterior recuperacin, hasta alcanzar niveles similares a los iniciales.
La figura 2 representa los residuos en cada tipo de modelo, el comportamiento sistemtico de
stos se atena en el modelo polinomial de cuarto grado. Este es un aspecto que an resulta
desfavorable a este modelo y pudiera resolverse mediante el uso de alguna transformacin de una
o ambas variables.














La figura 3 muestra que el modelo lineal y el cuadrtico (con dos y tres parmetros) presentan
resultados estables de R2 y R2 ajustado y se elevan considerablemente en el modelo polinomial
cbico y, ligeramente en el de cuarto grado. Los modelos sealados, con respecto al CME, tienen
un comportamiento contrario.












Las consideraciones expuestas son de aplicacin general a otros tipos de modelos matemticos y
estadsticos que aparecen dispersos en la literatura especializada.
Ortiz (2000) plante una combinacin balanceada de alguno de estos criterios para el anlisis de
la modelacin y simulacin matemtica de nutrientes en suelos con pastoreo vacuno y Fernndez
et al. (2001), en la modelacin de curvas de lactancia estndar en vacas de la raza Siboney de
Cuba.
Mndez (1993) recomienda valorar ms ampliamente un modelo, de modo que incluya, adems
de su ajuste a los datos, su anlisis comparativo con respecto a otros y su correspondencia con los
aspectos tericos.
Pea (1994) seal que la prctica demuestra que los buenos modelos coinciden, generalmente,
con cualquier criterio razonable, como el CME o el estadstico Cp. Se debe hacer su seleccin final
basndose en la adecuacin lgica a la realidad que describe, adems se deben recomendar
criterios de validez externa cuando sea necesario.

De acuerdo con los elementos analizados y expresados, el modelo mejor sustentado para describir
la curva de puesta en esta situacin particular, es el polinomial de cuarto grado. De acuerdo con
los criterios establecidos, en la formacin de profesionales y en la posterior superacin de stos,
as como en los servicios cientfico-tcnicos y en la actividad cientfico-investigativa, se debe
atender a la aplicacin adecuada de los modelos estadsticos, desde el punto de vista terico y
prctico. Esto evita el formalismo y el abuso de esta importante herramienta.
Adems, si es necesario, se deben explorar, con la precisin y aplicabilidad requerida, diversos
modelos para elegir el que mejor se corresponda con la realidad. Se deben establecer criterios de
validacin externa cuando se desee reafirmar la generalidad del modelo elegido. Una vez validado
ste, debe ser interpretado segn el contexto.