Está en la página 1de 253

Modelos Lineales

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

Actualizado en febrero de 2012

Modelos Lineales Mixtos en InfoStat




J ulio 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 J efe 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).



Modelos Lineales Mixtos en InfoStat











Di Rienzo, J ulio Alejandro
Modelos lineales mixtos : aplicaciones en InfoStat / J ulio Alejandro Di Rienzo
Ral Edgardo Macchiavelli.; Fernando Casanoves - 1a. ed. - Crdoba : Grupo
Infostat, 2011.
193 p. : il. ; 23x15 cm.
ISBN 978-987-27045-0-6
1. Estadsticas. 2. Aplicaciones Informaticas. I. Casanoves, Fernando II.
Macchiavelli, Ral Edgardo. III. Ttulo.
CDD 310.4

Fecha de catalogacin: 27/06/2011




AGRADECIMIENTOS
Los autores agradecen a las Estadsticas Yuri Marcela Garca Saavedra y J henny Liliana
Salgado Vsquez, de la Universidad del Tolima, Colombia, por la lectura crtica del
manuscrito, la reproduccin de la ejemplificacin de este manual y los aportes sobre
algunos detalles de la interfaz.

Modelos Lineales Mixtos en InfoStat

ii
INDICE DE CONTENIDOS
Introduccin ................................................................................................................................ 1
Requerimientos ........................................................................................................................... 1
Invocacin del procedimiento de modelos lineales generales y mixtos .................................. 1
Especificacin de los efectos fijos ............................................................................................... 2
Especificacin de los efectos aleatorios ..................................................................................... 4
Comparacin de medias de tratamientos .................................................................................. 8
Especificacin de la estructura de correlacin y de varianza de los errores ....................... 13
Especificacin de la estructura de correlacin ........................................................................ 13
Especificacin de la parte fija .......................................................................................................... 15
Especificacin de la parte aleatoria ................................................................................................. 16
Especificacin de la correlacin de los errores ............................................................................... 17
Especificacin de la estructura de varianzas de los errores .................................................... 25
Anlisis de un modelo ajustado .............................................................................................. 28
Ejemplos de Aplicacin de Modelos Lineales Generales y Mixtos ....................................... 33
Estimacin de componentes de varianza ................................................................................ 34
Efectos aleatorios cruzados con interaccin ........................................................................... 56
Aplicacin de modelos mixtos para datos estratificados ........................................................ 60
Parcelas divididas ............................................................................................................................ 60
Parcelas divididas en un arreglo en bloques .................................................................................... 61
Parcelas divididas en un arreglo en diseo completamente aleatorizado ........................................ 71
Parcelas subdivididas (split-split plot) ............................................................................................. 79
Aplicacin de modelos mixtos para mediciones repetidas en el tiempo ................................ 88
Datos longitudinales ......................................................................................................................... 88
Anlisis de un ensayo de establecimiento de forrajeras ................................................................... 89
Anlisis de un ensayo de drogas para asma ................................................................................... 108
Anlisis de ensayo de descomposicin ........................................................................................... 124
Uso de modelos mixtos para el control de la variabilidad espacial en ensayos agrcolas .... 138
Correlacin espacial ...................................................................................................................... 138
Anlisis de un ensayo comparativo de rendimientos en man ........................................................ 139
Aplicaciones de modelos mixtos en otros diseos experimentales ...................................... 161
Diseo en franjas (strip-plot) ......................................................................................................... 161
Diseo experimental con dos factores y dependencia espacial ...................................................... 169
Diseos de testigos apareados ........................................................................................................ 182
Aplicaciones en regresin lineal ........................................................................................... 194
Regresin con coeficientes aleatorios ............................................................................................ 194
Regresion heteroscedstica ............................................................................................................ 198
Bloques incompletos y diseos relacionados ....................................................................... 212
Modelos Lineales Mixtos en InfoStat

iii
Diseos Alfa ltices ........................................................................................................................ 212
Diseo fila-columna latinizado ....................................................................................................... 220
Diseo en ltice cuadrado equilibrado .......................................................................................... 227
Referencias............................................................................................................................... 237
ndice de cuadros .................................................................................................................... 240
ndice de figuras ...................................................................................................................... 240

Modelos Lineales Mixtos en InfoStat

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). La interfaz con R fue
escrita en Delphiy depende de R-DCOM, un servidor de R que permite correr R en
background. R-DCOM es debido a Thomas Baier y Erich Neuwirth. El R-DCOM es
accedido desde Delphi gracias a las rutinas desarrolladas por Dieter Menne.

Requerimientos
Para que InfoStat pueda tener acceso a R, debe estar instalado en su sistema el
componente DCOM y R. Para ello consulte la ayuda en lnea (aqu) o utilice el enlace
que se encuenta en el men. Aplicaciones de InfoStat.
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.
Modelos Lineales Mixtos en InfoStat

2
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
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).
Modelos Lineales Mixtos en InfoStat

3
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.

Figura 2: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Atriplex.IDB2.
Modelos Lineales Mixtos en InfoStat

4
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

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 deR, sobre el
que se basa esta implementacin, cuando hay ms de un criterio de agrupamiento
admisible, el criterio por omisin es que estos son anidados o encajados. Sin embargo
existe la posibilidad de declarar trminos aleatorios cruzados. En el mdulo de Modelos
lineales generales y mixtos de InfoStat, solapa Efectos aleatorios, se usa el smbolo >
para declarar un factor anidado (A>B indica que B esta anidados en A); el smbolo +se
usa para declarar factores cruzados (A+B indica que A y B son factores cruzados); el
smbolo * se usa para declarar interacciones (A*B explicita la interaccin entre A y B).
Estos smbolos pueden directamente escribirse en la ventana, o bien, pulsando el botn
Modelos Lineales Mixtos en InfoStat

5
derecho del ratn sobre dos o ms factores previamente seleccionados, aparece una
ventana con estas opciones.

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 este 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).
Modelos Lineales Mixtos en InfoStat

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 = + + + = = (1)
donde
ij
y es la respuesta al i-simo tratamiento en el j-simo bloque, la media
general de rendimientos,
i
los efectos fijos de los tratamientos,
j
b el cambio del nivel
medio de
ij
y asociado al j-simo bloque y
ij
el trmino de error asociado a la
Modelos Lineales Mixtos en InfoStat

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 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
que caracteriza a su distribucin.
Los
ij
tambin se interpretan como variables aleatorias idnticamente distribuidas
( )
2
0, N

y describen a los errores aleatorios asociados a cada observacin. Se supone,
adems, que las variables aleatorias
j
b y
ij
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.
Especificacin del modelo en R

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

Medidas de ajuste del modelo

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
AIC y BIC menores implica mejor

Pruebas de hiptesis secuenciales

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
Modelos Lineales Mixtos en InfoStat

8
En este caso se presenta la estimacin de
b
(la desviacin estndar de los
j
b relativa al
residual) como 0.57. Al comienzo de la salida puede observarse la estimacin de

, la
desviacin estndar de los
ij
, como 160.65. As, la varianza de los bloques puede
calcularse como:
2 2
(0.57 160.65) 8385.15
b
= =
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.
Modelos Lineales Mixtos en InfoStat

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
Medias con una letra comn no son significativamente diferentes(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
1996), 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
LSD Fisher (alfa=0.05)
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
Medias con una letra comn no son significativamente diferentes(p<= 0.05)

En el caso de que haya ms de un efecto aleatorio, InfoStat permite especificar
estructuras complejas de anidamiento (jerarquizacin) y/o cruzamiento (con o sin
interaccin). Supongamos que hay un factor fijo (A) y tres factores aleatorios (B, C, y
D). Para especificar los trminos de efectos aleatorios anidados (la opcin por defecto),
simplemente se listan los factores en orden jerrquico en la solapa de Efectos aleatorios
(Figura 5)
Modelos Lineales Mixtos en InfoStat

10

Figura 5: Ventana desplegada con la solapa efectos aleatorios para un ejemplo hipottico en el que
hay cuatro factores de clasificacin: A, B, C, y D (A fijo; B, C y D aleatorios). En este caso B, C y D se
incluyen como efectos aleatorios anidados.
Esta formulacin es equivalente a escribir la siguiente sentencia (Figura 6).

Figura 6: Ventana desplegada con la solapa efectos aleatorios para un ejemplo hipottico en el que
hay cuatro factores de clasificacin: A, B, C, y D (A fijo; B, C y D aleatorios). En este caso B, C y D se
incluyen como efectos aleatorios anidados (forma explcita).

La incorporacin de efectos cruzados sin interaccin se realiza seleccionando todos los
factores a cruzar en la ventana de variables, y oprimiendo el ratn derecho para colocar
los efectos cruzados en la ventana de Criterios de estratificacin (Figura 7)
Modelos Lineales Mixtos en InfoStat

11

Figura 7: desplegada con la solapa efectos aleatorios para un ejemplo hipottico en el que hay cuatro
factores de clasificacin: A, B, C, y D (A fijo; B, C y D aleatorios). En este caso D y C se incluyen
como efectos aleatorios cruzados.
La incorporacin de efectos cruzados con interaccin se realiza agregando a la
especificacin anterior el(los) efecto(s) de interaccin deseados (Figura 8)

Figura 8: desplegada con la solapa efectos aleatorios para un ejemplo hipottico en el que hay cuatro
factores de clasificacin: A, B, C, y D (A fijo; B, C y D aleatorios). En este caso D y C se incluyen
como efectos aleatorios cruzados con interaccin.

Para combinar efectos aleatorios anidados y cruzados se pueden usar diferentes lneas
en la ventana Criterios de estratificacin. Por ejemplo, para especificar un modelo con
C y D cruzados con interaccin y el efecto B anidado en el efecto principal de C
especificamos como en la Figura 9.
Modelos Lineales Mixtos en InfoStat

12

Figura 9: Ventana desplegada con la solapa efectos aleatorios para un ejemplo hipottico en el que
hay cuatro factores de clasificacin: A, B, C, y D (A fijo; B, C y D aleatorios). En este caso D y C se
incluyen como efectos aleatorios cruzados con interaccin y B esta anidado en C.

Para especificar los efectos de B y C ambos anidados dentro de A (recordemos que A es
fijo), escribimos en la ventana de Criterios de estratificacin como en la Figura 10.

Figura 10: Ventana desplegada con la solapa efectos aleatorios para un ejemplo hipottico en el que
hay cuatro factores de clasificacin: A, B, C, y D (A fijo; B, C y D aleatorios). En este caso B y C se
incluyen como efectos aleatorios cruzados, ambos anidados dentro del factor fijo A.

Para especificar el efecto de B y los efectos de D y C (todos aleatorios) ambos anidados
dentro de B (cruzados entre s), escribimos en la ventana de Criterios de estratificacin
como en la Figura 11.

Figura 11: desplegada con la solapa efectos aleatorios para un ejemplo hipottico en el que hay cuatro
factores de clasificacin: A, B, C, y D (A fijo; B, C y D aleatorios). En este caso C y D se incluyen
como efectos aleatorios cruzados, ambos anidados en el efecto aleatorio B.
Modelos Lineales Mixtos en InfoStat

13
En todos los casos en que se usan arreglos no anidados de efectos aleatorios, la nica
estructura de la matriz de covarianza de estos efectos aleatorios disponible es la
estructura de independencia entre efectos aleatorios y varianzas iguales para
realizaciones distintas de un mismo efecto. Se pueden tambin especificar modelos de
regresin con coeficientes aleatorios, pero la sintaxis es diferente (ver ejemplo de
Aplicaciones en regresin lineal).
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.
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 siguiente 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 12).
Modelos Lineales Mixtos en InfoStat

14

Figura 12: 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 13).

Figura 13: Encabezamiento de la tabla de datos del archivo Ovary.
Modelos Lineales Mixtos en InfoStat

15
Una grfica de la relacin entre nmero de folculos y el tiempo se muestra a
continuacin (Figura 14).

Figura 14: 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
paralelos del nmero de folculos a travs del tiempo. El modelo propuesto tendra la
siguiente forma general:
( ) ( )
0 1 2 0
2* * 2* *
it i it
y sin pi Time cos pi Time b = + + + + (2)
donde los componentes aleatorios son
( )
2
0
~ 0,
i bo
b N y
( )
2
~ 0,
it
N .
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 15. InfoStat
verifica que los elementos en esta ventana se corresponden con los factores y
covariables listados en la parte derecha de la ventana.
-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
Modelos Lineales Mixtos en InfoStat

16

Figura 15: Ventana desplegada con la solapa Efectos fijos para los datos del archivo Ovary.
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 16 (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.
Modelos Lineales Mixtos en InfoStat

17

Figura 16: Ventana desplegada con la solapa Efectos aleatorios para los datos del archivo Ovary.
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
Figura 17 como se ilustra en la . 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

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).
Modelos Lineales Mixtos en InfoStat

18
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 17).

Figura 17: 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
Modelos Lineales Mixtos en InfoStat

19
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.
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 secuenciales
sobre las pendientes asociadas a las covariables sin(2*pi*Time) y cos(2*pi*Time). 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.
Modelos lineales generales y mixtos

Especificacin del modelo en R

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

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
308 1562. 45 1584. 77 - 775. 22 3. 67 0. 21 0. 56
AIC y BIC menores implica mejor



Pruebas de hiptesis secuenciales

numDF denDF F- val ue p- val ue
( 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


Parmetros de los efectos aleatorios
Modelos Lineales Mixtos en InfoStat

20

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

Desvos estndares relativos al residual y correlaciones

( 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

Los valores predichos por el modelo ajustado anteriormente versus el tiempo se
presentan en la Figura 18. La lnea de trazo negro representa la estimacin del promedio
poblacional y corresponde a las estimaciones de la parte fija del modelo. Para obtener
las estimaciones para obtener la curva, el usuario debe solicitar en la solapa de efectos
fijos los predichos. Por defecto el nivel de los valores predichos es cero (indicado en el
campo de edicin: Niveles) lo que indica que las predicciones estn basadas solamente
en la parte fija del modelo.
Las curvas punteadas, paralelas a la curva promedio, son las predicciones para el perfil
de cada yegua derivadas de la inclusin de un efecto aleatorio (sujeto especfico) sobre
la constante. Para obtener las predicciones para obtener estas curvas el usuario debe
solicitar tambin, en la solapa de efectos fijos, los valores predichos del nivel 1. Para
obtener ambas predicciones el usuario deber escribir en el campo de edicin de Niveles
la expresin: 0;1.
Para probar la adecuacin del modelo identificamos los puntos correspondientes a cada
yegua y dibujamos una curva suavizada para cada una ellas como se muestra en la
Figura 19. Comparando la Figura 18 y la Figura 19 se observa que cada yegua tiene un
perfil diferente que esta sobresimplificado por el modelo representado en la Figura 18.
Cmo incluiramos en el modelo la variabilidad sujeto especfica observada en la
Figura 19? La forma ms simple de incluir este comportamiento sujeto-especfico es
agregar ms efectos aleatorios al modelo de la ecuacin (2). Como resultado tenemos el
siguiente modelo:
Modelos Lineales Mixtos en InfoStat

21

( ) ( )
( ) ( )
0 1 2
0 1 2
sin 2* * cos 2* *
sin 2* * cos 2* *
it
i i i it
y pi Time pi Time
b b pi Time b pi Time

= + +
+ + + +
(3)
donde los components aleatorios son
( )
2
0
~ 0,
i bo
b N ,
( )
2
1 1
~ 0,
i b
b N ,
( )
2
2 2
~ 0,
i b
b N
and
( )
2
~ 0,
it
N

y, como una primera aproximacin los supondremos mutuamente
independientes.
Para ajustar el modelo (3) debemos hacer algunos cambios en el conjunto de datos
debido a algunas restricciones en el uso de formula en la solapa de los efectos
aleatorios. Por lo tanto calculamos ( ) sin sin 2* * T pi Time = y
( )
2
cos cos 2* * T pi Time = como nuevas variable en el conjunto de datos.
En la parte fija del modelo en vez de especificar una lista de variable especificaremos en
una lnea nica 1 sin cos T T + + como se muestra en la Figura 20. Esta manera de
especificar la parte fija no afecta las estimaciones de los efectos fijos pero nos permite
introducir fcilmente los efectos aleatorios
0 1
,
i i
b b y
2i
b . Luego, en la solapa de efectos
aleatorios especificamos los efectos aleatorios como se muestra en la Figura 21. Notar
que la estructura de covariacin supuesta para los efectos aleatorios ha sido especificada
como pdDiag, lo que indica que las varianzas de cada componente aleatorios son
diferentes y que estas componentes no estn correlados. Los resultados del ajuste de este
modelo se muestran en la Figura 22. En esta figura se puede observar que el efecto de
ajustar curvas sujeto-especficas para cada yegua, lo que permite una representacin
ms realista de los ciclos individuales. A pesar de esto, desde un punto de vista
estadstico no es apropiado suponer independencia entre efectos aleatorios de los
parmetros de un modelo de regresin. Para especificar correlacin entre efectos
aleatorios indicamos la estructura de covarianza como pdSymm. Esto se muestra en la
Figura 23 y el resultado del ajuste se muestra en la Figura 24.
Modelos Lineales Mixtos en InfoStat

22

Figura 18: 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).

Figura 19: Valores suavizados (polinmico de tercer grado) para el nmero de folculos (lineas
slidas) para cada yegua (Archivo Ovary).

Poblacional Mare 01 Mare 02
Mare 03 Mare 04 Mare 05
Mare 06 Mare 07 Mare 08
Mare 09 Mare 10 Mare 11
-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
Mare 03 Mare 04 Mare 05
Mare 06 Mare 07 Mare 08
Mare 09 Mare 10 Mare 11
-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
Modelos Lineales Mixtos en InfoStat

23

Figura 20: Especificacin de la parte fija del modelo (3)


Figura 21: Especificacin de la parte aleatoria del modelo (3).
Modelos Lineales Mixtos en InfoStat

24

Figura 22: Valores predichos para el nmero de folculos para cada yegua generados por la incluisin
de efectos aleatorios sobre los parmetros del modelo de regresin. Matriz de covarianzas de los efectos
aleatorios: pdSymm.

Figura 23: Especificacin de la parte aleatoria del modelo (3) pero permitiendo que stos varien en
varianza y estn correlacionados.
-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
Modelos Lineales Mixtos en InfoStat

25

Figura 24: Valores predichos para el nmero de folculos para cada yegua generados por la incluisin
de efectos aleatorios sobre los parmetros del modelo de regresin. Matriz de covarianzas de los efectos
aleatorios: pdSymm.
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 = 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 25. 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
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.
Mare 1 Mare 2 Mare 3 Mare 4 Mare 5 Mare 6
Mare 7 Mare 8 Mare 9 Mare 10 Mare 11
-0.2 -0.1 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2
Time
4
6
8
10
12
14
16
18
20
22
P
R
E
D
_
1
_
f
o
l
l
i
c
l
e
s
Mare 1 Mare 2 Mare 3 Mare 4 Mare 5 Mare 6
Mare 7 Mare 8 Mare 9 Mare 10 Mare 11
Modelos Lineales Mixtos en InfoStat

26
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 25: 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.
El modelo considerado en la Ecuacin (4) con varianzas residuales para estos datos
heterogneas es:
Modelos Lineales Mixtos en InfoStat

27
( ) ( )
0 1 2 0
2* * 2* *
it i it
y sin pi Time cos pi Time b = + + + + (5)
donde los componentes aleatorios son
( )
2
0
~ 0,
i bo
b N y
( )
2
~ 0,
it i
N .
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( )
it b i
y = + , 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
.

Modelos lineales generales y mixtos

Especificacin del modelo en R

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

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
308 1569. 02 1628. 55 - 768. 51 3. 57 0. 21 0. 56
AIC y BIC menores implica mejor

Pruebas de hiptesis secuenciales

numDF denDF F- val ue p- val ue
( 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

Modelos Lineales Mixtos en InfoStat

28
Parmetros de los efectos aleatorios

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

Desvos estndares relativos al residual y correlaciones

( Const )
( Const ) 0. 80

Estructura de correlacin

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

Parmetros del modelo

Est i maci n
Phi 0. 61

Estructura de varianzas

Modelo de varianzas: varIdent
Formula: ~ 1 | Mare

Parmetros del modelo

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 26.
Modelos Lineales Mixtos en InfoStat

29

Figura 26: 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
Modelos Lineales Mixtos en InfoStat

30
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 27.

Figura 27: Ventana comparacin de modelos generales y mixtos con la solapa Combinaciones lineales
desplegada (archivo Atriplex.IDB2).
Finalmente la solapa Diagnstico tiene 3 subsolapas (Figura 26). 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 Q-Q 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
Modelos Lineales Mixtos en InfoStat

31
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
18). 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 28). 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 29).

Figura 28: Funcin de autocorrelacin de los residuos del modelo presentado en la Ecuacin (2)
excluyendo la modelacin de la autocorrelacin serial.
Modelos Lineales Mixtos en InfoStat

32

Figura 29: 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.

Modelos Lineales Mixtos en InfoStat







Ejemplos de Aplicacin de
Modelos Lineales Generales y Mixtos


Modelos Lineales Mixtos en InfoStat
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
Modelos Lineales Mixtos en InfoStat

35
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 30).

Figura 30: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del
archivo Compvar.IDB2.
Modelos Lineales Mixtos en InfoStat

36
Modelo 1: Para el clculo de los componentes de varianza se deben especificar las
variables como en la Figura 30. 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 31, y se sac el tilde que tiene por defecto para presentar
los Desvos estndares relativos al desvo estndar residual.

Figura 31: 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.
Modelos Lineales Mixtos en InfoStat

37
Especificacin del modelo en R

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

Medidas de ajuste del modelo

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
AIC y BIC menores implica mejor

Parmetros de los efectos aleatorios

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

Desvos estndares y correlaciones

( const )
( const ) 27. 16


Modelo de covarianzas de los efectos aleatorios: pdIdent
Formula: ~1|Familia dentro de Poblacion

Desvos estndares y correlaciones

( const )
( const ) 14. 80


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

Formula: ~1|Poblacion

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

Formula: ~1|Familia dentro de Poblacion

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

Modelos Lineales Mixtos en InfoStat

38
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
= =
2 2
(15.09 ,48.88 )
52.0
Familia dentro de
poblacin
2 2
( )
14.80 219.04
fam pob
= =
2 2
(10.72 ,20.43 )
15.4
Residual
2 2
21.53 463.54
res
= =
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 32).
El anlisis diagnstico de este modelo permite determinar una fuerte falta de
homogeneidad de varianzas residual (Figura 33).
Modelos Lineales Mixtos en InfoStat

39

Figura 32: Ventana Anlisis-exploracin de modelos estimados con la solapa Diagnstico desplegada
para el Modelo 1 con los datos del archivo Compvar.IDB2.


Figura 33: Grficos de diagnstico obtenidos para la variable largo y el modelo 1 para los datos del
archivo Compvar.IDB2.

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
Modelos Lineales Mixtos en InfoStat

40
En la Figura 33 los residuos estandarizados de Pearsons son aproximaciones de errores
y por lo tanto la heteroscedasticidad observada debe 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 34.


Figura 34: 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.
Modelos Lineales Mixtos en InfoStat

41
Modelos lineales generales y mixtos

Especificacin del modelo en R

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)

Resultados para el modelo: modelo002_Largo_REML

Variable dependiente:Largo

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1 R2_2
214 1872. 14 1905. 75 - 926. 07 2. 32 0. 51 0. 51
AIC y BIC menores implica mejor


Pruebas de hiptesis secuenciales

numDF denDF F- val ue p- val ue
( I nt er cept ) 1 108 21. 59 <0. 0001

Parmetros de los efectos aleatorios

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

Desvos estndares y correlaciones

( const )
( const ) 27. 72


Modelo de covarianzas de los efectos aleatorios: pdIdent
Formula: ~1|Familia dentro de Poblacion

Desvos estndares y correlaciones

( const )
( const ) 1. 56


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

Formula: ~1|Poblacion

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

Formula: ~1|Familia dentro de Poblacion

LI ( 95%) Est . LS( 95%)
sd( const ) 0. 47 1. 56 5. 14
Modelos Lineales Mixtos en InfoStat

42

Estructura de varianzas

Modelo de varianzas: varIdent
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_711 1. 31
Char agr e/ Ch_712 1. 42
Char agr e/ Ch_713 - 0. 95
Char agr e/ Ch_714 - 1. 07
Char agr e/ Ch_715 - 0. 70
Char agr e/ Ch_72 0. 70
Char agr e/ Ch_73 - 0. 83
Char agr e/ Ch_74 - 0. 35
Char agr e/ Ch_75 - 0. 59
Char agr e/ Ch_76 - 0. 08
Char agr e/ Ch_77 - 0. 47
Char agr e/ Ch_78 0. 48
Char agr e/ Ch_79 1. 48
Escar cega/ Es_1126 7. 2E- 04
Escar cega/ Es_1127 0. 18
Escar cega/ Es_1128 0. 14
Escar cega/ Es_1129 0. 07
Escar cega/ Es_1130 3. 6E- 04
Escar cega/ Es_1131 - 0. 06
Escar cega/ Es_1132 0. 21
Escar cega/ Es_1133 0. 01
Escar cega/ Es_1134 - 0. 11
Escar cega/ Es_1135 - 0. 09
Escar cega/ Es_1136 - 0. 08
Escar cega/ Es_1137 - 0. 17
Modelos Lineales Mixtos en InfoStat

43
Escar cega/ Es_1138 0. 16
Escar cega/ Es_1139 - 0. 08
Escar cega/ Es_1142 0. 08
Escar cega/ Es_1148 - 0. 20
Escl avos/ Ec_31 - 0. 08
Escl avos/ Ec_310 0. 08
Escl avos/ Ec_311 - 0. 07
Escl avos/ Ec_312 - 0. 03
Escl avos/ Ec_313 - 0. 22
Escl avos/ Ec_314 0. 28
Escl avos/ Ec_315 - 0. 34
Escl avos/ Ec_316 0. 15
Escl avos/ Ec_317 0. 04
Escl avos/ Ec_318 - 0. 08
Escl avos/ Ec_319 0. 04
Escl avos/ Ec_32 - 0. 07
Escl avos/ Ec_320 0. 18
Escl avos/ Ec_33 - 3. 7E- 03
Escl avos/ Ec_34 - 0. 11
Escl avos/ Ec_35 0. 15
Escl avos/ Ec_36 - 0. 17
Escl avos/ Ec_37 0. 18
Escl avos/ Ec_38 0. 08
Escl avos/ Ec_39 0. 05
La Paz/ LP_41 - 0. 13
La Paz/ LP_410 0. 14
La Paz/ LP_411 0. 11
La Paz/ LP_412 0. 16
La Paz/ LP_413 - 0. 08
La Paz/ LP_414 - 0. 01
La Paz/ LP_415 - 0. 13
La Paz/ LP_42 0. 01
La Paz/ LP_43 - 0. 01
La Paz/ LP_44 - 0. 01
La Paz/ LP_45 0. 02
La Paz/ LP_46 - 0. 07
La Paz/ LP_48 - 0. 01
La Paz/ LP_49 0. 07
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_6210 0. 31
Pac f i co Sur / PS_6211 - 0. 22
Pac f i co Sur / PS_6212 - 0. 43
Pac f i co Sur / PS_6213 0. 03
Pac f i co Sur / PS_6214 - 0. 56
Pac f i co Sur / PS_6215 - 0. 07
Pac f i co Sur / PS_6216 1. 80
Pac f i co Sur / PS_6217 - 0. 12
Pac f i co Sur / PS_6218 0. 88
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
Pac f i co Sur / PS_660 0. 72
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
Modelos Lineales Mixtos en InfoStat

44
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


Intervalo de confianza (95%) para sigma

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
(1*2.32)
2
=5.38. Al comparar los modelos con varianzas heterogneas y homogneas
mediante una prueba de cociente de verosimilitud se corrobora que el modelo con
varianzas heterogneas es el mejor (p<0.0001) como se muestra en la siguiente salida.
Comparacin de modelos

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


Modelos Lineales Mixtos en InfoStat

45
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 35).

Figura 35: 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 36). 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 37). En la solapa Comparaciones se
seleccion la opcin DGC para Poblacin (Figura 38).
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
Modelos Lineales Mixtos en InfoStat

46

Figura 36: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Compvar.IDB2
para la especificacin del Modelo 2.

Figura 37: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo
Compvar.IDB2 para la especificacin del Modelo 2.
Modelos Lineales Mixtos en InfoStat

47

Figura 38: Ventana con la solapa Comparaciones desplegada para los datos del archivo
Compvar.IDB2 para la especificacin del Modelo 2.
A continuacin se presenta la salida correspondiente a estas especificaciones:
Especificacin del modelo en R

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)

Resultados para el modelo: modelo001_Largo_REML

Variable dependiente:Largo

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
214 1967. 65 1997. 64 - 974. 82 21. 54 0. 51 0. 75
AIC y BIC menores implica mejor

Pruebas de hiptesis secuenciales

numDF denDF F- val ue p- val ue
( I nt er cept ) 1 108 601. 79 <0. 0001
Pobl aci on 6 108 27. 23 <0. 0001
Modelos Lineales Mixtos en InfoStat

48
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

Parmetros de los efectos aleatorios

Modelo de covarianzas de los efectos aleatorios: pdIdent
Formula: ~Poblacion - 1|Familia

Desvos estndares y correlaciones

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

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

Formula: ~Poblacion - 1|Familia

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


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

Char agr e Escar cega Escl avos La Paz Pac f i co Sur Xpuj i l Yucat n
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
Modelos Lineales Mixtos en InfoStat

49
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
Modelos Lineales Mixtos en InfoStat

50
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


Intervalo de confianza (95%) para sigma

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
Medias con una letra comn no son significativamente diferentes (p<= 0.05)


A continuacin se muestra como ejemplo el clculo de los BLUP para algunas 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




= + + = + + =
= + + = + + =
= + + = + + =
= + + = + + 2) 7.8754 =


El BLUP de la familia 42 de la poblacin La Paz se calcula como:
,42 42( )

8.2296 62.2374 1.2297 71.6967
lpaz lpaz lpaz
Y = + + = + + =
Ahora realizaremos el anlisis del ajuste del Modelo 2. En el submen Anlisis-
exploracin de modelos estimados se pidieron los grficos de diagnstico (Figura 39).
Modelos Lineales Mixtos en InfoStat

51

Figura 39: 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 40) muestra varianzas residual heterogneas para la variable Largo.



Modelos Lineales Mixtos en InfoStat

52

Figura 40: 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 Q-Q 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 34.
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.

Modelos lineales generales y mixtos

Especificacin del modelo en R
Modelos Lineales Mixtos en InfoStat

53

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)

Resultados para el modelo: modelo002_Largo_REML

Variable dependiente:Largo

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
214 1823. 20 1873. 20 - 896. 60 2. 32 0. 51 0. 51
AIC y BIC menores implica mejor

Pruebas de hiptesis secuenciales

numDF denDF F- val ue p- val ue
( 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

Parmetros de los efectos aleatorios

Modelo de covarianzas de los efectos aleatorios: pdIdent
Formula: ~Poblacion - 1|Familia

Desvos estndares y correlaciones

Char agr e Escar cega Escl avos La Paz Pac f i co Sur Xpuj i l Yucat n
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


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

Formula: ~Poblacion - 1|Familia

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

Estructura de varianzas

Modelo de varianzas: varIdent
Modelos Lineales Mixtos en InfoStat

54
Formula: ~ 1 | Poblacion

Parmetros de la funcin de varianza

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.

Comparacin de modelos

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 41). Tanto en los box-plot de los residuos condicionales
estudentizados de Pearson como en el diagrama de dispersin de residuos condicionales
estudentizados de Pearson versus predichos, ya no se evidencian problemas graves de
falta de homogeneidad de varianzas. En el grfico Q-Q plot se observa una mejora en el
supuesto distribucional.
Modelos Lineales Mixtos en InfoStat

55

Figura 41: 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.
Modelos Lineales Mixtos en InfoStat

56
Efectos aleatorios cruzados con interaccin
Existen muchas situaciones en las que resulta de inters estimar componentes de
varianza asociados con dos factores cruzados y su interaccin. Milliken y J ohnson
(1992, p. 265) presentan un ejemplo donde se analizan datos de eficiencia de
produccin para tres lneas de produccin aleatoriamente escogidas en una fbrica. Se
escogieron aleatoriamente cuatro operarios, y estos operarios trabajaron en cada una de
las lneas de produccin. Originalmente cada operario iba a trabajar en cada lnea de
produccin cinco veces, pero por diversas razones hay combinaciones que se repitieron
menos veces (hay entre uno y cinco datos en cada combinacin de operario y lnea de
produccin).
Como tanto el efecto de la lnea de produccin como el del operario son aleatorios, y
adems interesa la variabilidad adicional generada por la combinacin especfica
operario lnea, vamos a usar un modelo con dos efectos aleatorios y su interaccin:

( ) ( )
( ) ( )
2 2
2 2
~ 0, , ~ 0,
~ 0, , ~ 0,
ijk i j ij ijk
i a j b
ij ab ijk e
Y a b ab e
a N b N
ab N e N



= + + + +
(6)
donde todos los efectos aleatorios son mutuamente independientes.
Para ajustar este modelo usaremos el conjunto de datos Produccion.IDB2 (Milliken y
J ohnson, 1992). Eficiencia se declara en la ventana Variables, Lnea y Operario se
declaran en la ventana Criterios de clasificacin. Como no hay ningn efecto fijo
(excepto la media general), no se pone nada en la solapa Efectos fijos. En la solapa
Efectos aleatorios se selecciona Lnea y Operario, y al oprimir el botn derecho del
ratn con ambas variables seleccionadas aparecer la opcin Factores aleatorios
cruzados ms interacciones. Para simplificar la lectura de la salida (recordemos que el
objetivo principal de este tipo de modelos es la estimacin de las componentes de
varianza), hemos desactivado la opcin Desvos estndares relativos al desvo estndar
residual.
Modelos Lineales Mixtos en InfoStat

57

Figura 42: Ventana Modelos lineales generales y mixtos con la solapa Efectos aleatorios desplegada
para los datos del archivo Producciones.IDB2 con los efectos aleatorios Linea y Operario cruzados y
su interaccin.

Modelos lineales generales y mixtos

Especificacin del modelo en R

modelo.001_eficiencia_REML<-lme(eficiencia~1
,random=list(.U.=pdBlocked(list(pdIdent(~linea-1)
,pdIdent(~operario-1)
,pdIdent(~linea:operario-1))))
,method="REML"
,control=lmeControl(msMaxIter=200)
,na.action=na.omit
,data=R.data01
,keep.data=FALSE)

Resultados para el modelo: modelo.001_eficiencia_REML

Variable dependiente: eficiencia


Modelos Lineales Mixtos en InfoStat

58
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
47 249. 6353 258. 7785 - 119. 8176 1. 9947 0. 9497
AIC y BIC menores implica mejor


Pruebas de hiptesis secuenciales

numDF denDF F- val ue p- val ue
( I nt er cept ) 1 46 478. 2937 <0. 0001

Parmetros de los efectos aleatorios

Modelo de covarianzas de los efectos aleatorios: pdBlocked
Formula: ~linea + operario + linea:operario - 1

Desvos estndares y correlaciones

D. S.
l i nea1 5. 6672
l i nea2 5. 6672
l i nea3 5. 6672
oper ar i o1 1. 7353
oper ar i o2 1. 7353
oper ar i o3 1. 7353
oper ar i o4 1. 7353
l i nea1: oper ar i o1 5. 9618
l i nea2: oper ar i o1 5. 9618
l i nea3: oper ar i o1 5. 9618
l i nea1: oper ar i o2 5. 9618
l i nea2: oper ar i o2 5. 9618
l i nea3: oper ar i o2 5. 9618
l i nea1: oper ar i o3 5. 9618
l i nea2: oper ar i o3 5. 9618
l i nea3: oper ar i o3 5. 9618
l i nea1: oper ar i o4 5. 9618
l i nea2: oper ar i o4 5. 9618
l i nea3: oper ar i o4 5. 9618


A partir de esta salida podemos observar los estimadores de las desviaciones estndares
de cada efecto aleatorio:
5.6672, 1.7353, 5.9618, 1.9947
a b ab e
= = = =
Esta informacin puede usarse, por ejemplo, para estimar distintos tipos de
correlaciones Intra-clase. Por ejemplo, la correlacin entre dos observaciones de la
misma lnea de produccin y del mismo operario es:
Modelos Lineales Mixtos en InfoStat

59

( )

( )

( )
2 2 2
'
' 2 2 2 2
2 2 2
2 2 2 2
cov ,

corr ,

var
5.6672 1.7353 5.9618
0.9467
5.6672 1.7353 5.9618 1.9947
ijk ijk
a b ab
ijk ijk
a b ab e
ijk
Y Y
Y Y
Y


+ +
= =
+ + +
+ +
= =
+ + +

Por otro lado, la correlacin entre dos observaciones del mismo operario pero en lneas
de produccin diferentes es mucho menor:

( )

( )

( )
' '
' '
2 2
2 2 2 2 2 2 2 2
cov ,
corr ,
var
1.7353
0.0403.
5.6672 1.7353 5.9618 1.9947
ijk i jk
ijk i jk
ijk
b
a b ab e
Y Y
Y Y
Y


=
= = =
+ + + + + +



Modelos Lineales Mixtos en InfoStat

60
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 los distintos niveles de los factores a las parcelas
representa una restriccin a la aleatorizacin, e induce estructuras de correlacin que
deben ser tenidas en cuenta en el momento del anlisis. Este diseo se conoce como
parcela dividida.
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
Modelos Lineales Mixtos en InfoStat

61
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 agrupamiento de las observaciones. El primer nivel est 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 = + + + + + + = = = (7)
Modelos Lineales Mixtos en InfoStat

62
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
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
representa el efecto de la interaccin del ij-simo
tratamiento. Por otra parte
k
b ,
ik
p y
ijk
corresponden a efectos aleatorios de los
bloques, de las parcelas dentro de los bloques y de los errores experimentales. Las
suposiciones sobre estos componentes aleatorios es que
( )
2
~ 0,
k b
b N ,
( )
2
~ 0,
ik p
p N ,
( )
2
~ 0,
ijk
N

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 43.

Bloque 1 BC Pe PP LI

LI BC Pe PP

Bloque 2 PP BC Pe LI

PP Pe LI BC

Bloque 3 Pe LI BC PP

BC PP Pe LI

Figura 43: Esquema del diseo en parcelas divididas para el ejemplo de los datos en el archivo
Trigo.IDB2 (gris oscuro=parcelas bajo riego, gris claro=parcelas en secano)

Modelos Lineales Mixtos en InfoStat

63
Los datos de este ejemplo se encuentran en el archivo Trigo.IDB2. El encabezamiento
de la tabla de datos es la siguiente (Figura 44).

Figura 44: 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 45.

Figura 45: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del
archivo Trigo.IDB2.
Modelos Lineales Mixtos en InfoStat

64
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 46. En ella
aparecen los efectos principales Agua, Variedad y la interaccin Agua*Variedad.

Figura 46: 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 47.

Modelos Lineales Mixtos en InfoStat

65

Figura 47: 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:
Modelos lineales generales y mixtos

Especificacin del modelo en R

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)

Resultados para el modelo: modelo000_Rendimiento_REML

Variable dependiente:Rendimiento

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1 R2_2
24 206. 59 215. 09 - 92. 30 51. 65 0. 84 0. 89 0. 91
AIC y BIC menores implica mejor
Modelos Lineales Mixtos en InfoStat

66
Pruebas de hiptesis secuenciales

numDF denDF F- val ue p- val ue
( 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

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. 55


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

Desvos estndares relativos al residual y correlaciones

( const )
( const ) 0. 47

Las pruebas de hiptesis secuenciales dan los mismos resultados que las marginales en
este caso porque los datos son balanceados.
Antes de continuar con nuestro anlisis, haremos algunas validaciones simples de las
suposiciones de estos modelos, revisando residuales estandarizados vs. predichos y
otros criterios de clasificacin, as como el Q-Q plot normal de residuos estandarizados.
Estos residuos son condicionales a los efectos aleatorios (es decir, aproximan los
errores). Para ello invocaremos el submen Anlisis-exploracin de modelos estimados.
En el dilogo, seleccionaremos la solapa Diagnstico y dentro de ella la subsolapa
Residuos vs. (Figura 48).
Modelos Lineales Mixtos en InfoStat

67

Figura 48: 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
48, se obtendr el grfico siguiente (Figura 49). 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.
Modelos Lineales Mixtos en InfoStat

68

Figura 49: 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
agrupamiento (Figura 50). Luego accionamos el botn Agregar para hacer efectiva la
Modelos Lineales Mixtos en InfoStat

69
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.


Figura 50: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo
Trigo.IDB2 con seleccin de funcin varIdent con variedad como criterio de agrupamiento.

Las medidas de ajuste del modelo especificado son las siguientes:
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1 R2_2
24 209. 47 220. 28 - 90. 73 24. 49 0. 84 0. 89 0. 90
AIC y BIC menores implica mejor


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.
Modelos Lineales Mixtos en InfoStat

70
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 51.

Figura 51: 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.
Medias ajustadas y errores estndares para Variedad
LSD Fisher (alfa=0.05)
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
Medias con una letra comn no son significativamente diferentes (p<= 0.05)
Modelos Lineales Mixtos en InfoStat

71
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
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 52.
Modelos Lineales Mixtos en InfoStat

72

Figura 52: 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
= + + + + + + + + +
= = = =
(8)
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
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
el k-simo nivel del factor cara, ambos asociados a
las subparcelas y
ij
,
ik
,
jk
y
ijk
las interacciones de segundo y tercer orden
correspondientes de los factores coadyuvante, altura y cara. Por otra parte
l
p y
ijkl

representan los efectos aleatorios de las parcelas y de los errores experimentales
respectivamente. Las suposiciones sobre estos componentes aleatorios son que
( )
2
~ 0,
l p
p N , que
( )
2
~ 0,
ijkl
N

, 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
mixtos>>Estimacin. El dilogo de seleccin de variables para este caso se presenta en
la Figura 53.
Modelos Lineales Mixtos en InfoStat

73

Figura 53: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del
archivo Cobertura de gotas.IDB2.
La especificacin de la parte fija del modelo para este ejemplo contiene los tres factores
y sus interacciones dobles y triples (Figura 54).

Figura 54: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Cobertura de
gotas.IDB2.
El efecto aleatorio que consideramos en este ejemplo es el de Parcela (Figura 55).
Modelos Lineales Mixtos en InfoStat

74

Figura 55: 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:
Modelos lineales generales y mixtos

Especificacin del modelo en R

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

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
64 670. 38 690. 63 - 325. 19 65. 17 0. 76 0. 82
AIC y BIC menores implica mejor
Modelos Lineales Mixtos en InfoStat

75
Pruebas de hiptesis secuenciales
numDF denDF F- val ue p- val ue
( 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

Parmetros de los efectos aleatorios

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

Desvos estndares relativos al residual y correlaciones

( 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 o hacia abajo (Figura 56).

Figura 56: Diagrama de cajas para los residuos estandarizados de Pearson para los niveles del factor
Cara. Archivo Cobertura de gotas.IDB2.
Modelos Lineales Mixtos en InfoStat

76
Para tener en cuenta la posible falta de homogeneidad de varianzas entre posiciones de
la cara sensible, 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 de la funcin varianza. Para ello utilizaremos la
solapa heteroscedasticidad como se muestra en la Figura 57.

Figura 57: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo
Cobertura de gotas.IDB2 con Cara como criterio de agrupamiento.

La salida resultante es la siguiente:
Modelos lineales generales y mixtos


Especificacin del modelo en R

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
Modelos Lineales Mixtos en InfoStat

77
,data=R.data00
,keep.data=FALSE)

Resultados para el modelo: modelo001_Cobertura_REML

Variable dependiente:Cobertura

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
64 636. 54 658. 82 - 307. 27 21. 26 0. 76 0. 81
AIC y BIC menores implica mejor

Pruebas de hiptesis secuenciales

numDF denDF F- val ue p- val ue
( 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

Parmetros de los efectos aleatorios

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

Desvos estndares relativos al residual y correlaciones

DS( Const )
DS( Const ) 1. 06

Estructura de varianzas

Modelo de varianzas: varIdent
Formula: ~ 1 | Cara

Parmetros del modelo

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



El modelo para estos datos sera
ijkl i jk l ijkl
y p = + + , donde
i jk
representa el efecto
fijo de i-simo tratamiento en la j-sima cara (cara puede ser Ab o Ar),
l
b es el efecto
aleatorio de la k-esima parcela experimental que se supone
( )
2
0,
p
N y
( )
2
~ 0,
ijkl k
N .
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
Modelos Lineales Mixtos en InfoStat

78
tomamos una observacin de la cara de abajo la varianza va a ser (21.26*1.06)
2
+
(21.26*1)
2
y si la tomamos en la cara de arriba: (21.26*1.06)
2
+(21.26*4.15)
2
.
A continuacin se presentan las medidas resumen del modelo homoscedstico y del
heteroscedstico.
Medidas de ajuste del modelo homoscedstico

N AI C BI C l ogLi k Si gma R2_0 R2_1
64 670. 38 690. 63 - 325. 19 65. 17 0. 76 0. 82
AIC y BIC menores implica mejor

Medidas de ajuste del modelo heteroscedstico

N AI C BI C l ogLi k Si gma R2_0 R2_1
64 636. 54 658. 82 - 307. 27 21. 26 0. 76 0. 81
AIC y BIC menores implica mejor


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 58). 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)
Procedimiento de correccin de p-valores: No

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
Medias con una letra comn no son significativamente diferentes (p<= 0.05)
Modelos Lineales Mixtos en InfoStat

79

Medidas ajustadas y errores estndares para Altura*Cara
LSD Fisher (alfa=0,05)
Procedimiento de correccin de p-valores: No

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
Medias con una letra comn no son significativamente diferentes (p<= 0.05)


a) b)


Figura 58: Diagramas de puntos para estudiar la interaccin entre Coad y Altura (a) y entre Cara y
Altura (b).

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 ijkl
y b p sp = + + + + + + + + + + + (9)
En la expresin anterior representa la media general,
i
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
,
ik
,
jk
y
ijk
las correspondientes
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
Modelos Lineales Mixtos en InfoStat

80
interacciones. Los trminos aleatorios de este modelo corresponden a los efectos de
bloques,
( )
2
~ 0,
l b
b N , los efectos de parcelas,
( )
2
~ 0,
il p
p N , los efectos de
subparcelas,
( )
2
~ 0,
jil sp
sp N y el error experimental,
( )
2
~ 0,
ijkl
N

. 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 59.


Figura 59: 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
Modelos Lineales Mixtos en InfoStat

81
Principales dentro de Bloques y de las Subparcela dentro de Parcelas. El
encabezamiento del archivo Calidad del Almidn.IDB2 se presenta en la Figura 60.

Figura 60: 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 61.

Figura 61: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del
archivo Calidad del Almidn.IDB2.
La especificacin de la parte fija deber contener los factores e interacciones
presentados en la Figura 62.
Modelos Lineales Mixtos en InfoStat

82

Figura 62: 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 63).
Modelos Lineales Mixtos en InfoStat

83

Figura 63: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Calidad del
Almidn.IDB2.

La salida correspondiente es la siguiente:
Modelos lineales generales y mixtos


Especificacin del modelo en R

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

Resultados para el modelo: modelo000_IAA_REML

Variable dependiente:IAA



Modelos Lineales Mixtos en InfoStat

84
Medidas de ajuste del modelo

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
AIC y BIC menores implica mejor

Pruebas de hiptesis secuenciales

numDF denDF F- val ue p- val ue
( 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

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 ) 1. 3E- 05

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

Desvos estndares relativos al residual y correlaciones

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

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

Desvos estndares relativos al residual y correlaciones

( 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.
Modelos Lineales Mixtos en InfoStat

85
Medidas ajustadas y errores estndares para Genotipo*Coccion
LSD Fisher (alfa=0,05)

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
Medias con una letra comn no son significativamente diferentes (p<= 0.05)

Una manera alternativa de formular el modelo anterior consiste en dejar los efectos fijos
como en la Figura 62 y especificar los efectos aleatorios como se muestra en la Figura
64. 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 64: 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.
Modelos Lineales Mixtos en InfoStat

86
Modelos lineales generales y mixtos


Especificacin del modelo en R

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

Resultados para el modelo: modelo001_IAA_REML

Variable dependiente:IAA


Medidas de ajuste del modelo

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
AIC y BIC menores implica mejor


Pruebas de hiptesis secuenciales

numDF denDF F- val ue p- val ue
( 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

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 ) 1. 3E- 05


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

Desvos estndares relativos al residual y correlaciones

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


Modelos Lineales Mixtos en InfoStat

87
Modelo de covarianzas de los efectos aleatorios: pdIdent
Formula: ~Genotipo:Nitrogeno - 1|Bloque

Desvos estndares relativos al residual y correlaciones
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


Modelos Lineales Mixtos en InfoStat

88
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
Modelos Lineales Mixtos en InfoStat

89
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 (T1 =labranza mnima, T2 =labranza mnima con
herbicida, T3 = labranza mnima con herbicida y arado de disco a los 45 das,
T4 =labranza cero, y T5 =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 65.

Figura 65: Relacin entre cobertura y tiempo para cinco tratamientos del archivo
Cobertura forrajes.IDB2.
T1 T2 T3 T4 T5
1 2 3 4 5
Tiempo
0
10
20
30
40
50
C
o
b
e
r
t
u
r
a

(
%
)
T1 T2 T3 T4 T5
Modelos Lineales Mixtos en InfoStat

90
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 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. Efecto aleatorio de bloque y errores independientes y homoscedsticos.
2. Efectos aleatorios de bloque y parcela dentro de cada bloque, errores independientes y
homoscedsticos.
3. Efecto aleatorio de bloque y errores independientes y heteroscedsticos.
4. Efectos aleatorios de bloque y parcela dentro de cada bloque, errores independientes y
heteroscedsticos.
5. Efectos aleatorios de bloque, correlacin constante entre errores de la misma parcela y
varianza residual constante en el tiempo (equivalente al modelo 2).
6. Efectos aleatorios de bloque, correlacin constante entre errores de la misma parcela y
varianza residual diferente en los distintos tiempos.
7. Efectos aleatorios de bloque, estructura autorregresiva de orden 1 entre los errores de
la misma parcela y varianza residual constante en el tiempo.
8. Efectos aleatorios de bloque y parcela dentro de cada bloque, estructura autorregresiva
de orden 1 entre los errores de la misma parcela y varianza residual constante en el
tiempo.
9. Efectos aleatorios de bloque, estructura autorregresiva de orden 1 entre los errores de
la misma parcela y varianza residual diferente en los distintos tiempos.
10. Efectos aleatorios de bloque y parcela dentro de cada bloque, estructura autorregresiva
de orden 1 entre los errores de la misma parcela y varianza residual diferente en los
distintos tiempos
11. Efectos aleatorios de bloque, 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 66.
Modelos Lineales Mixtos en InfoStat

91

Figura 66: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del
ejemplo Cobertura forrajes.IDB2.

En todos los casos se us el mismo modelo de medias, ya que la parte fija del modelo
referido no cambi (imprescindible si se desea comparar estructuras de covarianza
usando REML, y por ende los criterios de AIC y BIC) (Figura 67). 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.
Modelos Lineales Mixtos en InfoStat

92

Figura 67: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Cobertura
forrajes.IDB2.
Modelo 1: Efecto aleatorio de bloque, errores independientes y homoscedsticos.

En la solapa Efectos Aleatorios se debe seleccionar Bloque (Figura 68), y en la solapa
Correlacin se debe declarar Errores independientes (Figura 69), que es la opcin por
defecto, y en la solapa Heteroscedasticidad no se declara nada.
Modelos Lineales Mixtos en InfoStat

93

Figura 68: Ventana con la solapa Efectos Aleatorios desplegada para los datos del archivo Cobertura
forrajes.IDB2 y seleccin de efectos aleatorios de Bloque.

Modelos Lineales Mixtos en InfoStat

94

Figura 69: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura
forrajes.IDB2 y seleccin de Errores independientes (Modelo 1).
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
75 476. 39 528. 01 - 211. 19 12. 19 0. 56 0. 63
AIC y BIC menores implica mejor

Modelo 2: Efectos aleatorios de bloque y parcela dentro de bloque, errores independientes y
homoscedsticos.

En la solapa Efectos Aleatorios se debe seleccionar Bloque y Parcela (que queda por
defecto anidada dentro de bloque) (Figura 70), y en la solapa Correlacin se debe
declarar Errores independientes, que es la opcin por defecto, y en la solapa
Heteroscedasticidad no se declara nada (como en el modelo 1).
Modelos Lineales Mixtos en InfoStat

95

Figura 70: Ventana con la solapa Efectos Aleatorios desplegada para los datos del archivo Cobertura
forrajes.IDB2 y seleccin de efectos aleatorios de Bloque y Parcela dentro de bloques.

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1 R2_2
75 470. 00 523. 54 - 207. 00 9. 95 0. 56 0. 61 0. 78
AIC y BIC menores implica mejor

Modelo 3: Efecto aleatorio de bloque, errores independientes y heteroscedsticos.
Las solapas Efectos aleatorios y Correlacin se declaran como en el modelo 1 (Figura
68 y Figura 69), y en la solapa Heteroscedasticidad se declara varIdent y en criterio de
agrupamiento se declara Tiempo (Figura 71).
Modelos Lineales Mixtos en InfoStat

96

Figura 71: 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.
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
75 475. 13 534. 40 - 206. 57 6. 50 0. 56 0. 59
AIC y BIC menores implica mejor

Modelo 4: Efectos aleatorios de bloque y parcela dentro de cada bloque, errores
independientes y heteroscedsticos.
Las solapas Efectos aleatorios y Correlacin se declaran como en el modelo 2 (Figura
70 y Figura 69 respectivamente), y la solapa Heteroscedasticidad se declara como en el
modelo 3 (Figura 71).
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1 R2_2
75 470. 54 531. 73 - 203. 27 4. 20 0. 56 0. 56 0. 70
AIC y BIC menores implica mejor
Modelos Lineales Mixtos en InfoStat

97
Modelo 5: Efecto aleatorio de bloque, 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 Parcela y Bloque para indicar que se
est modelando la correlacin de datos provenientes de una misma parcela en un bloque
dado (Figura 72). 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 oprimiento Borrar en la ltima
caja).

Figura 72: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura
forrajes.IDB2 y seleccin de Simetra compuesta para datos
agrupados por parcela.


Modelos Lineales Mixtos en InfoStat

98
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
75 470, 00 523, 54 - 207, 00 12, 59 0, 56 0, 61
AIC y BIC menores implica mejor

Se debe observar que este modelo obtiene los mismos valores de ajuste (AIC, BIC, y
log verosimilitud) que el modelo 2, ya que ambos son esencialmente el mismo modelo
(excepto en el caso que la correlacin constante dentro de una parcela sea negativa).
Observar que el modelo 2 incorpora la correlacin entre datos de la misma parcela a
travs del efecto aleatorio de parcela, mientras que el modelo 5 lo hace a travs de la
estructura de correlacin de simetra compuesta.
Debido a esto, no es posible intentar ajustar un modelo que incluya efecto aleatorio de
parcela dentro de bloques y simetra compuesta en el mismo nivel de agrupamiento: este
modelo no sera identificable, y sus estimadores no seran vlidos (aunque a veces el
programa puede mostrar una salida, sta no sera vlida).
Modelo 6: Efecto aleatorio de bloque, 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 (Figura 72) y en la
solapa Heteroscedasticidad eligi la opcin varIdent y en Criterios de agrupamiento se
declara Tiempo (Figura 71).
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
75 466. 67 527. 85 - 201. 33 6. 77 0. 56 0. 56
AIC y BIC menores implica mejor

Modelo 7: Efecto aleatorio de bloque, estructura autorregresiva de orden 1 entre los errores
de la misma parcela y varianza residual constante en el tiempo.
En la solapa Efectos aleatorios se declaro a Bloque (como en Figura 68) y en la solapa
Correlacin se eligi la opcin Autorregresivo de orden 1 (Figura 74). 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). Para incorporar esta variable, arrastrar Tiempo desde la ventana de la
derecha. 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.
Modelos Lineales Mixtos en InfoStat

99
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 oprimiendo Borrar).

Figura 73: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura
forrajes.IDB2 y seleccin de modelo Autorregresivo de orden 1 para datos agrupados por Bloque y
Parcela y orden de las observaciones indicado por la variable Tiempo.

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
75 460. 93 514. 47 - 202. 47 12. 36 0. 56 0. 62
AIC y BIC menores implica mejor


Modelos Lineales Mixtos en InfoStat

100
Modelo 8: Efectos aleatorios de bloque y parcela dentro de cada bloque, estructura
autorregresiva de orden 1 entre los errores de la misma parcela y varianza residual constante
en el tiempo.

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1 R2_2
75 462. 93 518. 38 - 202. 47 12. 36 0. 56 0. 62 0. 62
AIC y BIC menores implica mejor

Este modelo tiene un ajuste muy parecido al modelo anterior (modelo 7) ya que su
verosimilitud es similar. Sin embargo, si se aumenta el nmero de decimales se ver que
son un poco distintos. Lo mismo ocruirir cuando se comparen los modelos 9 y 10.

Modelo 9: Efectos aleatorios de bloque, 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.
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
75 462. 70 523. 89 - 199. 35 7. 49 0. 56 0. 58
AIC y BIC menores implica mejor

Modelo 10: Efectos aleatorios de bloque y parcela dentro de cada bloque, estructura
autorregresiva de orden 1 entre los errores de la misma parcela y varianza residual diferente en
los distintos tiempos.
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1 R2_2
75 464. 70 527. 80 - 199. 35 7. 49 0. 56 0. 58 0. 58
AIC y BIC menores implica mejor

Modelo 11: Efectos aleatorios de bloque, sin estructura para las correlaciones entre errores
provenientes de la misma parcela y varianzas residuales diferentes en el tiempo.
En la solapa Correlacin se eligi la opcin Sin estructura (Figura 74) y en la solapa
Heteroscedasticidad se dej tildada la opcin varIdent.
Modelos Lineales Mixtos en InfoStat

101
Recordemos que mo es posible ajustar un modelo que incluya efecto aleatorio de
parcela y sin estructura en el mismo nivel de agrupamientos. El modelo en este caso
seria no identificable y su estimadores no son valiodos aunque el programa muester una
salida (lo mismo que ocurra con el modelo de simetra compuesta).

Figura 74: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura
forrajes.IDB2 y seleccin de modelo Sin estructura para datos agrupados por parcela y orden de las
observaciones indicado por la variable Tiempo (Modelo 11).

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
75 434. 74 513. 14 - 176. 37 6. 48 0. 56 0. 59
AIC y BIC menores implica mejor
Modelos Lineales Mixtos en InfoStat

102
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 11 (AIC =
434.74, BIC =513.14), por lo tanto elegimos la covarianza sin estructura. Observemos
los parmetros estimados bajo este modelo:

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
75 434. 7426 513. 1355 - 176. 3713 6. 4813 0. 5611 0. 5854
AIC y BIC menores implica mejor

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. 3942


Estructura de correlacin
Modelo de correlacin: General correlation
Formula: ~ (as.integer(Tiempo)) | Bloque/Parcela

0 1 2 3 4
1. 0000 0. 2937 0. 7012 0. 1182 0. 0953
0. 2937 1. 0000 0. 2476 0. 1535 0. 1766
0. 7012 0. 2476 1. 0000 0. 4755 0. 4718
0. 1182 0. 1535 0. 4755 1. 0000 0. 9953
0. 0953 0. 1766 0. 4718 0. 9953 1. 0000

Estructura de varianzas
Modelo de varianzas: varIdent
Formula: ~ 1 | Tiempo

Parmetros de la funcin de varianza
Par met r o Est i m
1 1. 0000
2 1. 2400
3 2. 0278
4 2. 5759
5 2. 4614

Las varianzas residuales estimadas para cada uno de los 5 tiempos se calculan de la
siguiente manera:
Modelos Lineales Mixtos en InfoStat

103
( )
( )
( )
( )
2 2
1
2
2
2
2
2
3
2
2
4
2
2
5
6.4813 42.0072
1.2400 6.4813 64.5903
2.0278 6.4813 172.7327
2.5759 6.4813 278.7291
2.4614 6.4813 254.5005

= =
= =
= =
= =
= =

Las 10 correlaciones residuales estimadas aparecen directamente como una matriz en
Estructura de Correlacin. Para obtener una estimacin de la varianza marginal (es
decir la varianza de una observacin en un tiempo especfico), se debe sumar a cada
varianza residual la varianza de bloque y de parcela dentro de bloque:
( )
2
2
0.3942 6.4813 6.5277
bloque
= =
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 65.
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 marginales o secuenciales (recordemos que
la interaccin es el ltimo trmino que colocamos en el modelo, por lo que ambas
pruebas en este caso son equivalentes). 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).
Pruebas de hiptesis marginales (SC tipo III)

numDF denDF F- val ue p- val ue
( I nt er cept ) 1 48 82. 60 <0. 0001
Tr at am 4 48 4. 05 0. 0065
Ti empo 4 48 16. 77 <0. 0001
Tr at am: Ti empo 16 48 1. 49 0. 1417

Modelos Lineales Mixtos en InfoStat

104
Para realizar una prueba de cociente de verosimilitudes podemos ajustar (con ML) dos
modelos con la misma estructura de covarianza (en este ejemplo el modelo sin
estructura) pero que difieren en su parte fija: uno contiene la interaccin (modelo
completo) y el otro no la contiene (modelo reducido):
Modelo completo:
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
75 539. 51 634. 52 - 228. 75 5. 29 0. 56 0. 59
AIC y BIC menores implica mejor
Modelo reducido:
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
75 531. 19 589. 12 - 240. 59 5. 52 0. 33 0. 35
AIC y BIC menores implica mejor

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( 228.75) 2( 240.59) 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 75).
Modelos Lineales Mixtos en InfoStat

105

Figura 75: 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 76). El resto de
las ventanas debe quedar como en el Modelo 11, que fue elegido como el de mejor
estructura de correlacin para explicar el comportamiento de estos datos en el tiempo.
Modelos Lineales Mixtos en InfoStat

106

Figura 76: 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

Ti empo Cont r ast e E. E. F gl ( num) gl ( den) p- val or
Ct . 1 - 9. 80 2. 25 18. 94 1 48 0. 0001
Ct . 2 - 5. 77 3. 51 2. 70 1 48 0. 1070
Ct . 3 1. 76 4. 02 0. 19 1 48 0. 6640
Ct . 4 0. 26 0. 45 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):
Modelos Lineales Mixtos en InfoStat

107
Medias ajustadas y errores estndares para Tiempo
LSD Fisher (Alfa=0.05)
Procedimiento de correccin de p-valores: No

Ti empo Medi as E. E.
3 30. 29 3. 70 A
4 28. 53 4. 56 A
5 28. 27 4. 38 A
2 24. 53 2. 55 A
1 14. 73 2. 23 B
Medias con una letra comn no son significativamente diferentes (p<= 0.05)
Comparacin de tratamientos
Medias ajustadas y errores estndares para Tratam
LSD Fisher (Alfa=0.05)
Procedimiento de correccin de p-valores: No

Tr at am Medi as E. E.
5 39. 60 5. 47 A
1 31. 27 5. 47 A B
4 24. 96 5. 47 A B C
3 17. 33 5. 47 B C
2 13. 19 5. 47 C

Medias con una letra comn no son significativamente diferentes (p<= 0.05)

A partir de esta comparacin de medias ajustadas se puede concluir que los tratamientos
5, 1 y 4 son los que proveen mayor cobertura y no se diferencian significativamente
entre s.

Modelos Lineales Mixtos en InfoStat

108
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 (Littell et l. 2002, 2006). Las dos drogas y
un placebo (P) 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 77).
Modelos Lineales Mixtos en InfoStat

109

Figura 77: 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 78). Para obtener el ajuste del Modelo 1 solo se debe activar el botn Aceptar
con el modelo de efectos fijos presentado a continuacin:
Modelos Lineales Mixtos en InfoStat

110

Figura 78: 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 78 y la
Figura 79. El Modelo 3 se especifica como en la Figura 78 y la Figura 80. El Modelo 4
se especifica como el anterior ms el agregado de varianzas residuales heterogneas
como en la Figura 81. El Modelo 5 se especifica con las ventanas presentadas en la
Figura 78, la Figura 80 y la Figura 82. El Modelo 6 es como el Modelo 5 ms la
especificacion de varianzas residuales heterogneas (Figura 81). El modelo 7 se
especifica como se muestra en la Figura 78, Figura 81 y Figura 83).

Modelos Lineales Mixtos en InfoStat

111

Figura 79: Ventana con la solapa Correlacin desplegada, opcin Simetra compuesta, con los datos
del archivo CapacidadRespiratoria.IDB2.

Modelos Lineales Mixtos en InfoStat

112

Figura 80: Ventana con la solapa Correlacin desplegada, opcin Autorregresivo de orden 1, con los
datos del archivo CapacidadRespiratoria.IDB2.
Modelos Lineales Mixtos en InfoStat

113

Figura 81: Ventana con la solapa Heteroscedasticidad desplegada con los datos del archivo
CapacidadRespiratoria.IDB2.


Modelos Lineales Mixtos en InfoStat

114

Figura 82: Ventana con la solapa Efectos aleatorios desplegada con los datos del archivo
CapacidadRespiratoria.IDB2.
Modelos Lineales Mixtos en InfoStat

115

Figura 83: Ventana con la solapa Correlacin desplegada, opcin Sin estructura, con los datos del
archivo CapacidadRespiratoria.IDB2.
Luego de ajustar todos los modelos estos son los resultados:
Cuadro 2. Caractersticas y medidas de ajuste de los modelos evaluados para los datos del archivo
CapacidadRespiratoria.IDB2.
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
Modelos Lineales Mixtos en InfoStat

116
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:
Comparacin de modelos

Model df AI C BI C l ogLi k Test L. Rat i o p- val ue
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:

Comparacin de modelos

Model df AI C BI C l ogLi k Test L. Rat i o p- val ue
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:
Modelos Lineales Mixtos en InfoStat

117
Modelos lineales generales y mixtos


Especificacin del modelo en R

modelo007_Cap_Respirat_REML<-
gls(Cap_Respirat~1+Droga+Hora+Droga:Hora+Cap_Resp_base
,weight=varComb(varIdent(form=~1|Hora))
,correlation=corSymm(form=~as.integer(as.character(Hora))|Paciente_Dro
ga)
,method="REML"
,na.action=na.omit
,data=R.data09)

Resultados para el modelo: modelo007_Cap_Respirat_REML

Variable dependiente:Cap_Respirat

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
576 270. 27 533. 29 - 74. 14 0. 48 0. 55
AIC y BIC menores implica mejor



Pruebas de hiptesis marginales(SC tipo III)

numDF F- val ue p- val ue
( 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


Pruebas de hiptesis secuenciales

numDF F- val ue p- val ue
( 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

Estructura de correlacin

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
Modelos Lineales Mixtos en InfoStat

118
Estructura de varianzas

Modelo de varianzas: varIdent
Formula: ~ 1 | Hora

Parmetros de la funcin de varianza

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
LSD Fisher (alfa=0.05)
Procedimiento de correccion de p-valores: No

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 con una letra comn no son significativamente diferentes (p<= 0.05)


Medias ajustadas y errores estndares para Hora
LSD Fisher (alfa=0.05)
Procedimiento de correccion de p-valores: No

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 con una letra comn no son significativamente diferentes (p<= 0.05)



Medias ajustadas y errores estndares para Droga*Hora
LSD Fisher (alfa=0.05)
Procedimiento de correccion de p-valores: No

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
A 5 3. 05 0. 11 E F G H
Modelos Lineales Mixtos en InfoStat

119
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
Medias con una letra comn no son significativamente diferentes (p<= 0.05)

Podemos ver que hay interaccin significativa entre la droga y el tiempo (p<0.0001),
por lo que procederemos a realizar un Grfico de interaccin. Para realizar este grfico
en primer lugar se copiaron las Medias ajustadas y errores estndares para
Droga*Hora y se pegaron en una nueva tabla de InfoStat. Esta tabla fue guardada como
MedCapRes.IDB2. Luego en el men Grficos>>Grficos de puntos se declararon las
variables como se muestra a continuacin (Figura 84 y Figura 85):

Figura 84: Ventana de selector de variables para los datos del archivo MedCapRes.IDB2.
Modelos Lineales Mixtos en InfoStat

120

Figura 85: 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 86).
Modelos Lineales Mixtos en InfoStat

121

Figura 86: 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 87.
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
Modelos Lineales Mixtos en InfoStat

122


Figura 87: Ventana con la solapa Comparaciones, subsolapa Contrastes con los datos del archivo
CapacidadRespiratoria.IDB2.

A continuacin se presentan lo valores de probabilidad para los contrastes solicitados:

Pruebas de hiptesis para contrastes

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

Modelos Lineales Mixtos en InfoStat

123
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).



Modelos Lineales Mixtos en InfoStat

124
Anlisis de ensayo 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
Descomposicion.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 88) muestra un decaimiento del peso seco
Modelos Lineales Mixtos en InfoStat

125
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 89. El grfico del modelo ajustado se presenta en
la Figura 90.


Figura 88: Grfico de puntos para el logaritmo del peso seco remanente en funcin del tiempo, para
los cuatro tratamientos (Especie-Bolsa). Archivo Descomposicin.IDB2.
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
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
Modelos Lineales Mixtos en InfoStat

126

Figura 89: 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.
Modelos Lineales Mixtos en InfoStat

127

Figura 90: 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 90 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
91). 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 89, 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 92.

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
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
Modelos Lineales Mixtos en InfoStat

128

Figura 91: 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 92: 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.
Modelos Lineales Mixtos en InfoStat

129

Figura 93: 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 92, 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 94).
En este punto optaremos por modelar primeramente, el problema de heteroscedasticidad
utilizando varianzas diferentes para cada combinacin Especie-Bolsa. Para ello, en la
ventana de especificacin del modelo dejaremos la parte fija tal cual se indic en la
Figura 92, 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 95. Los residuos estudentizados vs. tiempo para este modelo se
presentan en la (Figura 96). 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.

Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
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
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
Modelos Lineales Mixtos en InfoStat

130

Figura 94: 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 95: 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.
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
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
)
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
Modelos Lineales Mixtos en InfoStat

131
Una forma de resolver esta falta de ajuste, es agregar efectos aleatorios sobre el nivel
medio para las combinaciones de tiempo y tratamientos. Si en la solapa Efectos
aleatorios agregamos Tiempo_Especie_Bolsa y dejamos tildado el casillero
correspondiente a la Constante estamos indicando que se trata de un corrimiento
aleatorio respecto al valor esperado para cada tratamiento y tiempo bajo el modelo de
regresin utilizado (Figura 97). 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 98).

Figura 96: 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.
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
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
)
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
Modelos Lineales Mixtos en InfoStat

132

Figura 97: 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.

Figura 98: 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.
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
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
)
Ficus:Fino Ficus:Grueso Guadua:Fino Guadua:Grueso
Modelos Lineales Mixtos en InfoStat

133
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 99). 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 99: 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:
Modelos Lineales Mixtos en InfoStat

134
Especie_Bolsa
T1
T2
Especie_Bolsa*T1
Especie_Bolsa*T2
Este modelo es equivalente a:
Especie_Bolsa-1
Especie_Bolsa*T1
Especie_Bolsa*T2
La ventaja de esta forma resumida de especificarlo es que los coeficientes de la parte
fija aparecen directamente como en la equacin (10).
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 = + + (10)
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 (10) 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 (10), 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:
Especi es_Bol saFi cus_Fi no Especi es_Bol saFi cus_Gr ueso
- 0. 7738921650 - 1. 3680878569
Especi es_Bol saGuadua_Fi no Especi es_Bol saGuadua_Gr ueso
0. 8162357629 0. 7630705376
Especi es_Bol saFi cus_Fi no: T1 Especi es_Bol saFi cus_Gr ueso: T1
Modelos Lineales Mixtos en InfoStat

135
- 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
Guadua_Grueso.
Los segundos 4 coeficientes (-0.0326126598,,,-0.0192635993) son los coeficientes
( )
1 i
del trmino lineal de (10) y los ltimos 4 (0.0002938702,, -0.0002451274) son
los coeficientes ( )
2 i
del trmino cuadrtico en (10). Por ejemplo, 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 (10) 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 = + + (11)
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 = + + + (12)
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)
Modelos Lineales Mixtos en InfoStat

136

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
una representacin de las tasas de descomposicin. 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 (Figura 100).

Modelos Lineales Mixtos en InfoStat

137

Figura 100: Curvas de tasas de descomposicin segn especie y tramado de la bolsa de
almacenamiento.
Ficus Fino Ficus Grueso Guadua Fino Guadua Grueso
0 10 20 30 40 50 60 70 80 90
Tiempo
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
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
Modelos Lineales Mixtos en InfoStat

138
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
Modelos Lineales Mixtos en InfoStat

139
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 ijk
y i j k = + + + + + + = = = (13)

Modelos Lineales Mixtos en InfoStat

140
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
representa el efecto del i-simo nivel del factor
genotipo,
j
representa el efecto del j-simo nivel del factor bloque,
k
el k-simo nivel
del factor localidad y
ik
la interaccin entre los factores genotipo y localidad,
ik
el
efecto de bloque dentro de localidad, y
ijkl
representa el error experimental. La
suposicin usual es que
( )
2
~ 0,
ijkl
N

.
Excepto por
ijk
y los efectos de bloque (cuando son considerados aleatorios) en la
mayora de los casos, todos los factores del modelo sern considerados como de efectos
fijos. Esto tiene la finalidad de restringir la comparacin de los modelos a su estructura
de parcelas. Las distintas estructuras de parcela inducen una estructura de correlacin
entre las observaciones que puede ser contemplada en el marco de los modelos mixtos,
incluyendo tcnicas de anlisis para el control de la variabilidad espacial.
Se usarn las siguientes estructuras de covarianza para los datos (covarianza marginal):
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
localidades constante.
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
localidades constante.
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
localidades constante.
9. Modelo Esf: Correlacin espacial esfrico sin efecto de bloques y varianza entre
localidades constante.

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

141
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 101. 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 102 y Figura 103 respectivamente. No se
declara nada en el resto de las solapas.




Modelos Lineales Mixtos en InfoStat

142

Figura 101: Ventana con la solapa Efectos fijos desplegada para los datos del archivo ECRman.IDB2
y el Modelo BF.

Figura 102: Ventana con la solapa Efectos fijos desplegada para los datos del archivo ECRman.IDB2
y el Modelo BA.
Modelos Lineales Mixtos en InfoStat

143

Figura 103: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo
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 104).



Modelos Lineales Mixtos en InfoStat

144

Figura 104: 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 105).


Modelos Lineales Mixtos en InfoStat

145

Figura 105: 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 101). 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 104). Los modelos Gau y Esf se
ajustan al igual que el Exp sin el efecto de bloque, y como se muestra en la Figura 105,
Modelos Lineales Mixtos en InfoStat

146
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

Modelos lineales generales y mixtos


Especificacin del modelo en R

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


Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
192 299. 71 468. 22 - 91. 86 0. 35 0. 86
AIC y BIC menores implica mejor


Pruebas de hiptesis secuenciales

numDF F- val ue p- val ue
( 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

Modelos lineales generales y mixtos


Especificacin del modelo en R

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)

Resultados para el modelo: modelo001_rendim_REML

Variable dependiente:rendim
Modelos Lineales Mixtos en InfoStat

147
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
192 283. 41 431. 90 - 91. 71 0. 35 0. 81 0. 86
AIC y BIC menores implica mejor


Pruebas de hiptesis secuenciales

numDF denDF F- val ue p- val ue
( 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

Parmetros de los efectos aleatorios

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

Desvos estndares relativos al residual y correlaciones

( const )
( const ) 0. 49


Modelo BFH

Modelos lineales generales y mixtos


Especificacin del modelo en R

modelo002_rendim_REML<-gls(rendim~1+local+geno+local:geno+local/bloque
,weight=varComb(varIdent(form=~1|local))
,method="REML"
,na.action=na.omit
,data=R.data00)

Resultados para el modelo: modelo002_rendim_REML

Variable dependiente:rendim


Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
192 303. 44 477. 75 - 91. 72 0. 36 0. 86
AIC y BIC menores implica mejor


Pruebas de hiptesis secuenciales

numDF F- val ue p- val ue
( 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
Estructura de varianzas
Modelos Lineales Mixtos en InfoStat

148

Modelo de varianzas: varIdent
Formula: ~ 1 | local

Parmetros de la funcin de varianza

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

Modelo BAH

Modelos lineales generales y mixtos


Especificacin del modelo en R

modelo003_rendim_REML<-lme(rendim~1+local+geno+local:geno
,random=list(bloque_local=pdIdent(~1))
,weight=varComb(varIdent(form=~1|local))
,method="REML"
,na.action=na.omit
,data=R.data00
,keep.data=FALSE)

Resultados para el modelo: modelo003_rendim_REML

Variable dependiente:rendim


Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
192 287. 12 441. 55 - 91. 56 0. 36 0. 81 0. 86
AIC y BIC menores implica mejor



Pruebas de hiptesis secuenciales

numDF denDF F- val ue p- val ue
( 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

Parmetros de los efectos aleatorios

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

Desvos estndares relativos al residual y correlaciones

( const )
( const ) 0. 46


Estructura de varianzas
Modelos Lineales Mixtos en InfoStat

149

Modelo de varianzas: varIdent
Formula: ~ 1 | local

Parmetros de la funcin de varianza

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


Modelo Exp

Modelos lineales generales y mixtos


Especificacin del modelo en R

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)

Resultados para el modelo: modelo004_rendim_REML

Variable dependiente:rendim


Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
192 273. 43 421. 92 - 86. 72 0. 39 0. 81
AIC y BIC menores implica mejor


Pruebas de hiptesis secuenciales

numDF F- val ue p- val ue
( 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

Estructura de correlacin

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

Parmetros del modelo

Par met r o Est i m
r ange 0. 96
Modelos Lineales Mixtos en InfoStat

150
Modelo BFExp

Modelos lineales generales y mixtos


Especificacin del modelo en R

modelo005_rendim_REML<-gls(rendim~1+geno+local+local:geno+local/bloque
,correlation=corExp(form=~as.numeric(as.character(la))+as.numeric(as.c
haracter(lon))|local
,metric="euclidean"
,nugget=FALSE)
,method="REML"
,na.action=na.omit
,data=R.data05)

Resultados para el modelo: modelo005_rendim_REML

Variable dependiente:rendim


Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
192 284. 85 456. 26 - 83. 42 0. 35 0. 86
AIC y BIC menores implica mejor


Pruebas de hiptesis secuenciales

numDF F- val ue p- val ue
( 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

Estructura de correlacin

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

Parmetros del modelo

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


Modelos Lineales Mixtos en InfoStat

151
Modelo ExpH


Modelos lineales generales y mixtos


Especificacin del modelo en R

modelo006_rendim_REML<-gls(rendim~1+geno+local+local:geno
,weight=varComb(varIdent(form=~1|local))
,correlation=corExp(form=~as.numeric(as.character(la))+as.numeric(as.c
haracter(lon))|local
,metric="euclidean"
,nugget=FALSE)
,method="REML"
,na.action=na.omit
,data=R.data05)

Resultados para el modelo: modelo006_rendim_REML

Variable dependiente:rendim


Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
192 275. 01 429. 44 - 85. 50 0. 43 0. 81
AIC y BIC menores implica mejor


Pruebas de hiptesis secuenciales

numDF F- val ue p- val ue
( 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

Estructura de correlacin

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

Parmetros del modelo

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

Estructura de varianzas

Modelo de varianzas: varIdent
Formula: ~ 1 | local

Parmetros de la funcin de varianza

Par met r o Est i m
gr al cabr 1. 00
manf 0. 85
r i o3 0. 81
Modelos Lineales Mixtos en InfoStat

152
Modelo Gau


Modelos lineales generales y mixtos


Especificacin del modelo en R

modelo007_rendim_REML<-gls(rendim~1+geno+local+local:geno
,correlation=corGaus(form=~as.numeric(as.character(la))+as.numeric(as.
character(lon))|local
,metric="euclidean"
,nugget=FALSE)
,method="REML"
,na.action=na.omit
,data=R.data05)

Resultados para el modelo: modelo007_rendim_REML

Variable dependiente:rendim


Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
192 277. 81 426. 30 - 88. 90 0. 37 0. 81
AIC y BIC menores implica mejor



Pruebas de hiptesis secuenciales

numDF F- val ue p- val ue
( 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

Estructura de correlacin

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

Parmetros del modelo

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


Modelos Lineales Mixtos en InfoStat

153
Modelo Esf


Modelos lineales generales y mixtos


Especificacin del modelo en R

modelo008_rendim_REML<-gls(rendim~1+geno+local+local:geno
,correlation=corSpher(form=~as.numeric(as.character(la))+as.numeric(as
.character(lon))|local
,metric="euclidean"
,nugget=FALSE)
,method="REML"
,na.action=na.omit
,data=R.data05)

Resultados para el modelo: modelo008_rendim_REML

Variable dependiente:rendim


Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
192 277. 72 426. 21 - 88. 86 0. 38 0. 81
AIC y BIC menores implica mejor



Pruebas de hiptesis secuenciales

numDF F- val ue p- val ue
( 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

Estructura de correlacin

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

Parmetros del modelo

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).
Modelos Lineales Mixtos en InfoStat

154
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
Modelos Lineales Mixtos en InfoStat

155
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):
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
192 163. 82 356. 01 - 22. 91 0. 29 0. 86
AIC y BIC menores implica mejor
Modelo sin bloque (reducido Exp):
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
192 182. 85 345. 73 - 41. 43 0. 34 0. 81
AIC y BIC menores implica mejor
Modelos Lineales Mixtos en InfoStat

156
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.
Comparacin de modelos

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 106).
Modelos lineales generales y mixtos


Especificacin del modelo en R

modelo010_rendim_REML<-gls(rendim~1+local+geno+local:geno+local/bloque
,correlation=corExp(form=~as.numeric(as.character(la))+as.numeric(as.c
haracter(lon))|local
,metric="euclidean"
,nugget=FALSE)
,method="REML"
,na.action=na.omit
,data=R.data03)
Modelos Lineales Mixtos en InfoStat

157
Resultados para el modelo: modelo010_rendim_REML

Variable dependiente:rendim

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
192 284. 85 456. 26 - 83. 42 0. 35 0. 86
AIC y BIC menores implica mejor

Pruebas de hiptesis secuenciales

numDF F- val ue p- val ue
( 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

Estructura de correlacin

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

Parmetros del modelo

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 con una letra comn no son significativamente diferentes (p<= 0.05)

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
Medias con una letra comn no son significativamente diferentes (p<= 0.05)
Modelos Lineales Mixtos en InfoStat

158
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
Medias con una letra comn no son significativamente diferentes (p<= 0.05)

Modelos Lineales Mixtos en InfoStat

159

Figura 106: Diagrama de puntos para estudiar la interaccin entre localidades y genotipos para la
variable Rendimiento.


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
Modelos Lineales Mixtos en InfoStat
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 J ohnson 1992).
Consideremos un ejemplo donde se desean evaluar tres niveles de fertilizacin con N (0,
50 y 100 kg/ha de N) 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 107) 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 alguna etapa del diseo hubiera ms de un factor, por ejemplo en las filas
se combianan dos fertilizantes con sus niveles 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.


Modelos Lineales Mixtos en InfoStat

162
Etapa 1



100 kg N/ha

0 kg N/ha

50 kg N/ha
Etapa 2




Riego alto Riego bajo

Figura 107: 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 ij k ki kj kij
y b f c e i j k = + + + + + + + = = = (14)

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 (efecto aleatorio)
representa la media general de la respuesta,
i
representa el efecto del i-simo nivel del
factor nitrgeno,
j
representa el efecto del j-simo nivel del factor riego,
ij
la
interaccin entre los factores nitrgeno y riego,
k
b el k-simo nivel del factor bloque,
Modelos Lineales Mixtos en InfoStat

163
ki
f el efecto del bloque k en el nivel i de nitrgeno (efecto aleatorio),
kj
c el efecto del
bloque k en el nivel j de riego (efecto aleatorio), y
kij
e representa el error residual. La
suposicin usual es que
( ) ( ) ( ) ( )
2 2 2 2
~ 0, , ~ 0, , ~ 0, y ~ 0,
k b ki f kj c kij e
b N f N c N e N ,
siendo todos mutuamente independientes.
Para explorar las medias observadas en cada combinacin de nitrgeno y riego se
construy un grfico de puntos (Figura 108).


Figura 108: Diagramas de puntos de las medias de rendimiento para cada combinacin de Riego y
Nitrgeno. Datos archivo StripPlot.IDB2.

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 109).
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
Modelos Lineales Mixtos en InfoStat

164

Figura 109: 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
b como en los factores fijos Nitrgeno y Riego (
ki
f y
kj
c respectivamente)
(Figura 110).
Modelos Lineales Mixtos en InfoStat

165

Figura 110: Ventana con la solapa Efectos aleatorios desplegada para evaluar un modelo mixto con
los datos del archivo StripPlot.IDB2.
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1 R2_2 R2_3
24 106. 09 115. 00 - 43. 05 1. 20 0. 85 0. 94 0. 95 0. 99
AIC y BIC menores implica mejor

Pruebas de hiptesis marginales (SC tipo III)
numDF denDF F- val ue p- val ue
( 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

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 ) 1. 83
Modelos Lineales Mixtos en InfoStat

166
Modelo de covarianzas de los efectos aleatorios: pdIdent
Formula: ~Nitrogeno - 1|Bloque

Desvos estndares relativos al residual y correlaciones
0 100 50
0 0. 70 0. 00 0. 00
100 0. 00 0. 70 0. 00
50 0. 00 0. 00 0. 70


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

Desvos estndares relativos al residual y correlaciones
Al t o Baj o
Al t o 1. 49 0. 00
Baj o 0. 00 1. 49


Una formulacin alternativa de este modelo (con efectos aleatorios cruzados) se puede
obtener si se seleccionan Nitrogeno y Riego, y con el ratn derecho se selecciona
Efectos aleatorios cruzados, segn lo indicado en la Figura 111. Las componentes de
varianza aparecen en otro orden, pero son los mismos que bajo la otra formulacin.

Figura 111: Ventana con la solapa Efectos aleatorios desplegada para evaluar un modelo mixto con
los factores Nitrgeno y Riego cruzados para los datos del archivo StripPlot.IDB2.
Modelos Lineales Mixtos en InfoStat

167
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
24 106. 09 115. 00 - 43. 05 1. 20 0. 85 0. 99
AIC y BIC menores implica mejor

Pruebas de hiptesis marginales (SC tipo III)

numDF denDF F- val ue p- val ue
( 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


Parmetros de los efectos aleatorios

Modelo de covarianzas de los efectos aleatorios: pdBlocked
Formula: ~Nitrogeno + Riego|Bloque

Desvos estndares relativos al residual y correlaciones
( const ) 0 100 50 Al t o Baj o
( const ) 1. 83 0. 00 0. 00 0. 00 0. 00 0. 00
0 0. 00 0. 70 0. 00 0. 00 0. 00 0. 00
100 0. 00 0. 00 0. 70 0. 00 0. 00 0. 00
50 0. 00 0. 00 0. 00 0. 70 0. 00 0. 00
Al t o 0. 00 0. 00 0. 00 0. 00 1. 49 0. 00
Baj o 0. 00 0. 00 0. 00 0. 00 0. 00 1. 49


Las comparaciones de medias, segn los resultados de las pruebas marginales, deben
hacerse a partir de las medias de las combinaciones de niveles de factores que
interactan significativamente (medias de la interaccin).

Medias ajustadas y errores estndares para Nitrogeno

LSD Fisher (alfa=0.05)
Procedimiento de correccion de p-valores: No

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 con una letra comn no son significativamente diferentes (p<= 0.05)

Medias ajustadas y errores estndares para Riego

LSD Fisher (alfa=0.05)
Procedimiento de correccion de p-valores: No

Ri ego Medi as E. E.
Al t o 77. 33 1. 47 A
Baj o 67. 58 1. 47 B
Medias con una letra comn no son significativamente diferentes (p<= 0.05)



Modelos Lineales Mixtos en InfoStat

168
Medias ajustadas y errores estndares para Nitrogeno*Riego

LSD Fisher (alfa=0.05)
Procedimiento de correccion de p-valores: No

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
Medias con una letra comn no son significativamente diferentes (p<= 0.05)
Podemos observar que los mejores rendimientos se obtienen con niveles de riego alto y
nitrgeno 50 o 100, confirmando lo observado en la grfica de medias (Figura 108).
Modelos Lineales Mixtos en InfoStat

169
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 112).
Modelos Lineales Mixtos en InfoStat

170

Figura 112: 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 113).
Modelos Lineales Mixtos en InfoStat

171

Figura 113: 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 114).
Modelos Lineales Mixtos en InfoStat

172

Figura 114: 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.

Modelos lineales generales y mixtos


Especificacin del modelo en R

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

Modelos Lineales Mixtos en InfoStat

173
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
36 161. 03 177. 52 - 66. 52 3. 46 0. 97
AIC y BIC menores implica mejor



Pruebas de hiptesis secuenciales

numDF F- val ue p- val ue
( 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

Estructura de correlacin

Modelo de correlacin: Exponential spatial correlation
Formula: ~ as.numeric(as.character(Profund)) | Tratam_Rep
Metrica: euclidean

Parmetros del modelo

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.
Modelos Lineales Mixtos en InfoStat

174
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 115) se
obtiene la siguiente salida.

Figura 115: Ventana con la solapa Correlacin desplegada para evaluar un modelo mixto con
correlacin autorregresiva de orden 1 en los datos del archivo Lombrices.IDB2.

Modelos Lineales Mixtos en InfoStat

175
Modelos lineales generales y mixtos


Especificacin del modelo en R

modelo001_Biomasa_REML<-gls(Biomasa~1+Tratam+Profund+Tratam:Profund
,correlation=corAR1(form=~as.integer(as.character(Profund))|Tratam_Rep
)
,method="REML"
,na.action=na.omit
,data=R.data00)

Resultados para el modelo: modelo001_Biomasa_REML

Variable dependiente:Biomasa

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
36 161. 03 177. 52 - 66. 52 3. 46 0. 97
AIC y BIC menores implica mejor



Pruebas de hiptesis secuenciales

numDF F- val ue p- val ue
( 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

Estructura de correlacin

Modelo de correlacin: AR(1)
Formula: ~ as.integer(as.character(Profund)) | Tratam_Rep

Parmetros del modelo

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 116).
Modelos Lineales Mixtos en InfoStat

176

Figura 116: 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 117) y se obtuvo la
siguiente salida.
Modelos Lineales Mixtos en InfoStat

177

Figura 117: Ventana con la solapa Heteroscedasticidad desplegada para evaluar un modelo mixto con
en los datos del archivo Lombrices.IDB2.

Modelos lineales generales y mixtos


Especificacin del modelo en R

modelo002_Biomasa_REML<-gls(Biomasa~1+Tratam+Profund+Tratam:Profund
,weight=varComb(varIdent(form=~1|Tratam))
,correlation=corAR1(form=~as.integer(as.character(Profund))|Tratam_Rep
)
,method="REML"
,na.action=na.omit
,data=R.data00)

Resultados para el modelo: modelo002_Biomasa_REML

Variable dependiente:Biomasa

Modelos Lineales Mixtos en InfoStat

178
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
36 164. 03 184. 06 - 65. 02 4. 20 0. 97
AIC y BIC menores implica mejor


Pruebas de hiptesis secuenciales

numDF F- val ue p- val ue
( 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

Estructura de correlacin

Modelo de correlacin: AR(1)
Formula: ~ as.integer(as.character(Profund)) | Tratam_Rep

Parmetros del modelo

Par met r o Est i m
Phi 0. 73

Estructura de varianzas

Modelo de varianzas: varIdent
Formula: ~ 1 | Tratam

Parmetros de la funcin de varianza

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.
Comparacin de modelos

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 118).
Modelos Lineales Mixtos en InfoStat

179

Figura 118: 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 119).
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
Modelos Lineales Mixtos en InfoStat

180

Figura 119: 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.
Pruebas de hiptesis para contrastes

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


Modelos Lineales Mixtos en InfoStat

181
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

Modelos Lineales Mixtos en InfoStat

182
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 120. Luego, en la
solapa Comparaciones se solicit la prueba LSD de Fisher para Hibrido.
Modelos Lineales Mixtos en InfoStat

183

Figura 120: Ventana con la solapa Efectos fijos desplegada para los datos del archivo
Testigos_apareados.IDB2.
La salida correspondiente se presenta a continuacin.

Modelos lineales generales y mixtos


Especificacin del modelo en R

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

Resultados para el modelo: modelo000_Rendimiento_REML

Variable dependiente:Rendimiento


Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
32 219. 90 232. 64 - 91. 95 101. 35 0. 69
AIC y BIC menores implica mejor
Modelos Lineales Mixtos en InfoStat

184

Pruebas de hiptesis secuenciales

numDF F- val ue p- val ue
( 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
LSD Fisher (alfa=0.05)
Procedimiento de correccion de p-valores: No

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
Letras distintas indican diferencias significativas(p<= 0.05)

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 120. En la solapa Correlacin se
especifican los diferentes modelos:
Modelo 1: Correlacin espacial exponencial ( Figura 121).
Modelo 2: Correlacin espacial Gaussiana (Figura 122).
Modelo 3: Correlacin espacial lineal (Figura 123).
Modelo 4: Correlacin espacial rational quadratic (Figura 124).
Modelo 5: Correlacin espacial esfrica (Figura 125).
Modelos Lineales Mixtos en InfoStat

185
A continuacin se muestran las ventanas de seleccin de correlacin espacial y las
medidas de ajuste de cada uno de los modelos estimados.

Figura 121: Ventana con la solapa Correlacin desplegada para los datos del archivo
Testigos_apareados.IDB2 y seleccin de Correlacin espacial exponencial.

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
32 218. 62 232. 08 - 90. 31 112. 79 0. 58
AIC y BIC menores implica mejor

Modelos Lineales Mixtos en InfoStat

186

Figura 122: Ventana con la solapa Correlacin desplegada para los datos del archivo
Testigos_apareados.IDB2 y seleccin de Correlacin espacial Gaussiana.

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
32 219. 17 232. 62 - 90. 58 106. 78 0. 58
AIC y BIC menores implica mejor


Modelos Lineales Mixtos en InfoStat

187

Figura 123: Ventana con la solapa Correlacin desplegada para los datos del archivo
Testigos_apareados.IDB2 y seleccin de Correlacin espacial lineal.

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
32 219. 13 232. 58 - 90. 56 107. 52 0. 56
AIC y BIC menores implica mejor

Modelos Lineales Mixtos en InfoStat

188

Figura 124: Ventana con la solapa Correlacin desplegada para los datos del archivo
Testigos_apareados.IDB2 y seleccin de Correlacin espacial rational quadratic.

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
32 218. 81 232. 26 - 90. 40 106. 92 0. 59
AIC y BIC menores implica mejor

Modelos Lineales Mixtos en InfoStat

189

Figura 125: Ventana con la solapa Correlacin desplegada para los datos del archivo
Testigos_apareados.IDB2 y seleccin de Correlacin espacial esfrica.

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
32 219. 21 232. 66 - 90. 60 137. 39 0. 56
AIC y BIC menores implica mejor

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.



Modelos Lineales Mixtos en InfoStat

190
Modelos lineales generales y mixtos


Especificacin del modelo en R

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)

Resultados para el modelo: modelo028_Rendimiento_REML

Variable dependiente:Rendimiento


Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
32 218. 62 232. 08 - 90. 31 112. 79 0. 58
AIC y BIC menores implica mejor



Pruebas de hiptesis secuenciales

numDF F- val ue p- val ue
( I nt er cept ) 1 582. 79 <0. 0001
Hi br i do 16 5. 27 0. 0012

Estructura de correlacin

Modelo de correlacin: Exponential spatial correlation
Formula: ~ as.numeric(as.character(Posicion))
Metrica: euclidean

Parmetros del modelo

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


Medias ajustadas y errores estndares para Hibrido
LSD Fisher (alfa=0.05)
Procedimiento de correccion de p-valores: No

Hi br i do Medi as E. E.
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
Modelos Lineales Mixtos en InfoStat

191
H7 936. 21 85. 33 B C D
H8 933. 40 85. 33 B C D
H16 902. 87 85. 33 C D
H13 727. 55 85. 33 D E
H15 653. 36 85. 33 E
Letras distintas indican diferencias significativas(p<= 0.05)

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 126.
Modelos Lineales Mixtos en InfoStat

192

Figura 126: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del
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.
Modelos lineales generales y mixtos


Especificacin del modelo en R

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

Resultados para el modelo: modelo029_Rendimiento_REML

Variable dependiente:Rendimiento


Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
32 215. 09 227. 23 - 88. 54 79. 89 0. 82
AIC y BIC menores implica mejor




Modelos Lineales Mixtos en InfoStat

193
Pruebas de hiptesis secuenciales

numDF F- val ue p- val ue
( 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


Medias ajustadas y errores estndares para Hibrido
LSD Fisher (alfa=0.05)
Procedimiento de correccion de p-valores: No

Hi br i do Medi as E. E.
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
Letras distintas indican diferencias significativas(p<= 0.05)


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.
Modelos Lineales Mixtos en InfoStat

194
Aplicaciones en regresin lineal
Regresin con coeficientes aleatorios
En este ejemplo se est evaluando el aprendizaje de estudiantes de matemticas en sexto
grado. Ocho maestros se seleccionaron aleatoriamente para participar del estudio. Al
comenzar el ao acadmico, los estudiantes de los maestros participantes tomaron una
prueba diagnstica (pre-prueba) con contenidos matemticos de sexto grado. Al
finalizar el ao los mismos estudiantes tomaron una prueba (post-prueba) evaluando los
mismos contenidos (Cceres et l., 2011).
Cada maestro tena entre 10 y 30 estudiantes, y algunos estudiantes completaron la pre-
prueba pero no la post-prueba. Se desea estudiar si hay relacin entre la ganancia de
aprendizaje (diferencia entre la calificacin de la post-prueba y la calificacin de la pre-
prueba) y la calificacin de la pre-prueba. Si graficamos esta relacin usando los datos
del archivo Ganancia en Aprendizaje.IDB2, se puede observar una relacin negativa
entre ganancia y resultado de la pre-prueba. Adems, agregando una lnea suavizada
para los datos de cada maestro se puede apreciar que las tendencias son
aproximadamente lineales, y que los parmetros de estas lneas varan de maestro a
maestro (Figura 127):

Figura 127: Relacin entre la Ganancia en aprendizaje y la Calificacion previa al entrenamiento
suavizada para cada uno de los maestros. Archivo Ganancia en aprendizaje.IDB2.

0 15 30 45 60 75
Calificacion Pre
-45
-30
-15
0
15
30
45
60
75
G
a
n
a
n
c
i
a
Modelos Lineales Mixtos en InfoStat

195
Para ajustar un modelo en InfoStat que describa estos datos se debe recordar que los
maestros han sido escogidos aleatoriamente, por lo que la variabilidad entre las lneas es
aleatoria. Un modelo apropiado para estos datos es el de una regresin lineal simple con
efectos aleatorios para el intercepto y la pendiente. Estos efectos aleatorios claramente
deben estar correlacionados (en trminos generales, si la pendiente aumenta el
intercepto debera disminuir para que los datos se mantengan en la nube de datos
observada). Por lo tanto el modelo se debe especificar en InfoStat de manera tal que sea
posible incorporar efectos aleatorios de intercepto y pendiente que puedan estar
correlacionados. Para ello, en la ventana de seleccin de variables para Modelos lineales
generales y mixtos se declara a Ganancia como variable, a Maestro como criterio de
clasificacin y a Calificacion.Pre como covariable en la primera ventana). Luego, en la
solapa Efectos fijos se declara Calificacion.Pre y adems se agrega la definicin
explcita del intercepto (para poder luego declarar ambos como efectos aleatorios). El
intercepto se declara agregando un 1 en la solapa de Efectos fijos (Figura 128). Tambin
se debe marcar la opcin de Coeficientes de los efectos fijos para obtener la ecuacin de
la lnea recta promedio.
Modelos Lineales Mixtos en InfoStat

196

Figura 128: Ventana de seleccin Modelos lineales generales y mixtos con la solapa Efectos fijos para
los datos del archivo Ganancia en aprendizaje.IDB2.

La especificacin de los efectos aleatorios se realiza agregando Maestro como criterio
de estratificacin, e indicando que este efecto es sobre 1+Calificacion.Pre (es decir, hay
efecto aleatorio de maestro sobre el intercepto y sobre la pendiente) (Figura 129).
Adems, al indicar pdSymm se estn especificando varianzas diferentes para el efecto
del intercepto y de la pendiente (obvio dada la naturaleza diferente de ambos
parmetros) y correlacin entre ambos efectos aleatorios.
Modelos Lineales Mixtos en InfoStat

197

Figura 129: Ventana de seleccin Modelos lineales generales y mixtos con la solapa Efectos aleatorios
para los datos del archivo Ganancia en aprendizaje.IDB2.

La salida correspondiente a este modelo presenta, adems de las partes usuales en
modelos mixtos, los coeficientes de la recta promedio,

30.13 0.81 Y x = . Como se


esperaba, a medida que la calificacin en la pre-prueba es mayor, la ganancia
disminuye. Se puede observar adems la alta correlacin entre los efectos de maestros
sobre intercepto y pendiente (-0.876), que confirma la necesidad de incorporar este
parmetro al modelo.
Modelos lineales generales y mixtos

Especificacin del modelo en R

modelo.002_Ganancia_REML<-lme(Ganancia~1+Calificacion.Pre
random=list(Maestro=pdSymm(~1+Calificacion.Pre))
method="REML"
Modelos Lineales Mixtos en InfoStat

198
control=lmeControl(msMaxIter=200)
na.action=na.omit
data=R.data02
keep.data=FALSE)

Resultados para el modelo: modelo.002_Ganancia_REML

Variable dependiente: Ganancia


Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1_
184 1485. 954 1505. 178 - 736. 977 13. 1736 0. 339 0. 366
AIC y BIC menores implica mejor



Pruebas de hiptesis secuenciales
numDF denDF F- val ue p- val ue
( I nt er cept ) 1 175 29. 007004 <0. 0001
Cal i f i caci on. Pr e 1 175 78. 129020 <0. 0001


Efectos fijos
Val ue St d. Er r or DF t - val ue p- val ue
( I nt er cept ) 30. 132848 2. 943507 175 10. 237058 <0. 0001
Cal i f i caci on. Pr e - 0. 810821 0. 091732 175 - 8. 839062 <0. 0001

Parmetros de los efectos aleatorios

Modelo de covarianzas de los efectos aleatorios: pdSymm
Formula: ~1 + Calificacion.Pre|Maestro

Desvos estndares relativos al residual y correlaciones
( const ) Cal i f i caci on. Pr e
( const ) 0. 200769 - 0. 875547
Cal i f i caci on. Pr e - 0. 875547 0. 008462


Regresion heteroscedstica
En un trabajo para evaluar la productividad primaria en pasturas y su relacin con la
precipitacin, se evaluaron nueve potreros, cinco con pastura semi-natural y cuatro con
pasturas sembradas. La productividad primaria en periodos de 22 das de crecimiento se
midi varias veces a lo largo del ao en cada potrero (la mayora de los potreros 12
veces). Paralelamente, se registraban los milmetros de lluvia cados en el periodo de
crecimiento de 22 das (Ospina 2011, Ospina et l. 2012). Los datos se encuentran en el
archivo Productividad primaria.IDB2. Para realizar un anlisis de regresin con tipo de
Modelos Lineales Mixtos en InfoStat

199
pastura como variable clasificatoria, en la ventana de seleccin de variables del mdulo
Modelos lineales generales y mixtos, declaramos las variables como en la Figura 130.

Figura 130: Ventana de seleccin de variables del mdulo Modelos lineales generales para los datos
del archivo Productividad primaria.IDB2.
En la solapa Efectos fijos declaramos las variables como en la Figura 131 y en la de
efectos aleatorios declaramos a Potrero (Figura 132). Con estas especificaciones del
modelo de regresin ajustamos un modelo de regresin con dos interceptos (ordenadas
al origen) y un efecto aleatorio de potrero. Los residuos obtenidos luego de ajustar este
modelo se usan para diagnosticar posibles problemas en el ajuste y los supuestos. Como
se puede observar en el resumen de grficos de diagnostico que se presentan en la
Figura 133 se puede ver que el Q-Q-plot muestra que la distribucin de los residuos es
aproximadamente normal, pero los diagramas de dispersin de Residuos condicionales
de Pearson versus PPacum muestran una racha de valores residuos negativos despus
del los 300 mm. Esta misma racha se observa en el diagrama de dispersin de Residuos
condicionales de Pearson versus los Valores ajustados, en este caso por encima de los
110 g/m
2
de productividad primaria.
Modelos Lineales Mixtos en InfoStat

200

Figura 131: Ventana del mdulo Modelos lineales generales con la solapa Efectos fijos desplegada
para los datos del archivo Productividad primaria.IDB2.

Figura 132: Ventana del mdulo Modelos lineales generales con la solapa Efectos aleatorios
desplegada para los datos del archivo Productividad primaria.IDB2.
Modelos Lineales Mixtos en InfoStat

201

Figura 133: Herramientas grficas para diagnstico obtenidas para los datos del archivo
Productividad primaria.IDB2 con la variable PPacum como regresora y pastura como factor fijo.

Esto sugiere la necesidad de incluir un trmino cuadrtico para la variable regresora
PPacum. Para esto, en el men Datos, sub-men Transformaciones se eligi a PPacum
como variable, y luego de aceptar se pidi una transformacin de potencia (en este caso
de orden 2) y esto gener una nueva variable en la base de datos llamada POT_PPacum.
Se agrego esta variable como covariable en el selector de variables de Modelos lineales
generales y mixtos y posteriormente, se la declar en la solapa Efectos fijos del modelo
junto a las otras variables que ya estaban ingresadas como se indic en la Figura 142. La
solapa de Efectos aleatorios, se la deja como en la Figura 132. Al aceptar y solicitar
nuevamente el diagnstico de los residuos, obtendremos los grficos que se presentan
en la Figura 134.
Modelos Lineales Mixtos en InfoStat

202

Figura 134: Herramientas grficas para diagnstico obtenidas para los datos del archivo
Productividad primaria.IDB2 con la variable PPacum y POT_PPacum como regresoras y pastura
como factor fijo.
Analizando el diagrama de dispersin de residuos condicionales de Pearson versus los
Valores ajustados, se observa una clara tendencia de los residuos a aumentar su varianza
a medida que aumenta el valor medio. Esto sugiere la necesidad de modelar esta falta de
homogeneidad de varianza con una funcin que relaciones las varianzas de los residuos
con la media. Para declarar esta funcin, realizamos nuevamente el anlisis (recordemos
que Ctrl +r repite el ltimo comando) y en la solapa Heteroscedasticidad declaramos
VarPower como se muestra en la Figura 135.
Modelos Lineales Mixtos en InfoStat

203

Figura 135: Ventana del mdulo Modelos lineales generales con la solapa Heteroscedasticidad
desplegada para los datos del archivo Productividad primaria.IDB2 y la seleccin de la funcin
VarPower.
Luego se repiti este anlisis para otras dos funciones de varianzas, VarExp y
VarConstPower. A continuacin se presentan los resultados de los estadsticos de ajuste
para estos tres modelos:
VarExp
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
104 1002. 64 1020. 87 - 494. 32 9. 89 0. 52 0. 52
AIC y BIC menores implica mejor
VarPower
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
104 1001. 07 1019. 31 - 493. 54 2. 16 0. 53 0. 53
AIC y BIC menores implica mejor
Modelos Lineales Mixtos en InfoStat

204
VarConstPower
Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
104 1001. 85 1022. 69 - 492. 92 0. 62 0. 52 0. 52
AIC y BIC menores implica mejor
No podemos comparar estos modelos usando un cociente de verosimilitud (LRT) ya que
no forman un conjunto anidado de hiptesis (excepto VarPower y VarConstPower). En
estos casos slo los criterios AIC y BIC son tiles. El modelo VarPower resulta ser el
mejor para declarar las varianzas heterogneas. Luego de ajustar este modelo, los
residuos no presentan ninguna tendencia (Figura 136).

Figura 136: Herramientas grficas para diagnstico obtenidas para los datos del archivo
Productividad primaria.IDB2 con la variable PPacum y POT_PPacum como regresoras, pastura como
factor fijo y una funcin VarPower para las varianzas heterogneas.
Modelos Lineales Mixtos en InfoStat

205
Para probar las hiptesis de igualdad de tendencias lineales y cuadrticas se incluyeron
en el modelo las interacciones entre tipo de pastura y las dos variables regresoras
(Figura 137). El efecto aleatorio de potrero fue declarado en la solapa Efectos aleatorios
(Figura 138) y la heteroscedasticidad fue especificada como en la Figura 135.

Figura 137: Ventana del mdulo Modelos lineales generales con la solapa Efectos fijos desplegada
para los datos del archivo Productividad primaria.IDB2 y la especificacin del modelo con interaccin.

Modelos Lineales Mixtos en InfoStat

206

Figura 138: Ventana del mdulo Modelos lineales generales con la solapa Efectos aleatorios
desplegada para los datos del archivo Productividad primaria.IDB2 y la seleccin del efecto de potrero
como aleatorio.
Con estas especificaciones se logr la siguiente salida.
Modelos lineales generales y mixtos

Especificacin del modelo en R

modelo.002_Productividad.primaria_REML<-
lme(Productividad.primaria~1+Pastura+PPacum+POT_PPacum+Pastura:PPacum+
Pastura:POT_PPacum
,random=list(Potreros=pdIdent(~1))
,weights=varComb(varPower(form=~fitted(.)))
,method="REML"
,control=lmeControl(msMaxIter=200)
,na.action=na.omit
,data=R.data02
,keep.data=FALSE)

Resultados para el modelo: modelo.002_Productividad.primaria_REML

Variable dependiente: Productividad.primaria
Medidas de ajuste del modelo
Modelos Lineales Mixtos en InfoStat

207

N AI C BI C l ogLi k Si gma R2_0 R2_1
104 1004. 89 1028. 15 - 493. 45 2. 46 0. 65 0. 65
AIC y BIC menores implica mejor


Pruebas de hiptesis marginales (SC tipo III)

numDF denDF F- val ue p- val ue
( I nt er cept ) 1 91 0. 32 0. 5703
Past ur a 1 7 12. 62 0. 0093
PPacum 1 91 167. 15 <0. 0001
POT_PPacum 1 91 55. 66 <0. 0001
Past ur a: PPacum 1 91 4. 19 0. 0435
Past ur a: POT_PPacum 1 91 0. 01 0. 9179


Pruebas de hiptesis secuenciales

numDF denDF F- val ue p- val ue
( I nt er cept ) 1 91 152. 56 <0. 0001
Past ur a 1 7 34. 31 0. 0006
PPacum 1 91 184. 34 <0. 0001
POT_PPacum 1 91 62. 10 <0. 0001
Past ur a: PPacum 1 91 21. 04 <0. 0001
Past ur a: POT_PPacum 1 91 0. 01 0. 9179


Efectos fijos

Val ue St d. Er r or DF t - val ue p- val ue
( I nt er cept ) - 9. 44 2. 74 91 - 3. 45 0. 0009
Past ur aSemi - nat ur al es 16. 27 4. 58 7 3. 55 0. 0093
PPacum 0. 82 0. 08 91 9. 90 <0. 0001
POT_PPacum - 1. 1E- 03 2. 2E- 04 91 - 4. 93 <0. 0001
Past ur aSemi - nat ur al es: PPac. . - 0. 23 0. 11 91 - 2. 05 0. 0435
Past ur aSemi - nat ur al es: POT_. . 2. 9E- 05 2. 8E- 04 91 0. 10 0. 9179

Parmetros de los efectos aleatorios

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

Desvos estndares y correlaciones

( const )
( const ) 1. 3E- 03


Estructura de varianzas

Modelo de varianzas: varPower
Formula: ~ fitted(.)

Parmetros de la funcin de varianza

Par met r o Est i m
power 0. 60

Modelos Lineales Mixtos en InfoStat

208
Como se puede observar en la salida anterior, existe interaccin pastura con PPacum, lo
que indica que el comportamiento lineal es diferente entre las pasturas. Por otra parte,
no existe un comportamiento diferente entre las pasturas para la componente cuadrtica
de la regresin, por lo sta es similar en las dos pasturas. Por este motivo se corri
nuevamente el modelo eliminando de la parte fija el efecto de la interaccin
Pastura*POT_PPacum, y la salida resultante se presenta a continuacin.
Modelos lineales generales y mixtos



Especificacin del modelo en R

modelo.003_Productividad.primaria_REML<-
lme(Productividad.primaria~1+Pastura+PPacum+POT_PPacum+Pastura:PPacum
,random=list(Potreros=pdIdent(~1))
,weights=varComb(varPower(form=~fitted(.)))
,method="REML"
,control=lmeControl(msMaxIter=200)
,na.action=na.omit
,data=R.data03
,keep.data=FALSE)

Resultados para el modelo: modelo.003_Productividad.primaria_REML

Variable dependiente: Productividad.primaria


Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
104 988. 37 1009. 14 - 486. 19 2. 46 0. 65 0. 65
AIC y BIC menores implica mejor



Pruebas de hiptesis marginales (SC tipo III)

numDF denDF F- val ue p- val ue
( I nt er cept ) 1 92 0. 35 0. 5579
Past ur a 1 7 17. 01 0. 0044
PPacum 1 92 171. 84 <0. 0001
POT_PPacum 1 92 57. 67 <0. 0001
Past ur a: PPacum 1 92 21. 17 <0. 0001


Pruebas de hiptesis secuenciales

numDF denDF F- val ue p- val ue
( I nt er cept ) 1 92 154. 21 <0. 0001
Past ur a 1 7 33. 77 0. 0007
PPacum 1 92 186. 37 <0. 0001
POT_PPacum 1 92 63. 32 <0. 0001
Past ur a: PPacum 1 92 21. 17 <0. 0001



Modelos Lineales Mixtos en InfoStat

209
Efectos fijos

Val ue St d. Er r or DF t - val ue p- val ue
( I nt er cept ) - 9. 34 2. 47 92 - 3. 78 0. 0003
Past ur aSemi - nat ur al es 16. 00 3. 88 7 4. 12 0. 0044
PPacum 0. 82 0. 06 92 13. 60 <0. 0001
POT_PPacum - 1. 0E- 03 1. 4E- 04 92 - 7. 59 <0. 0001
Past ur aSemi - nat ur al es: PPac. . - 0. 21 0. 05 92 - 4. 60 <0. 0001

Parmetros de los efectos aleatorios

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

Desvos estndares y correlaciones

( const )
( const ) 2. 2E- 03


Estructura de varianzas

Modelo de varianzas: varPower
Formula: ~ fitted(.)

Parmetros de la funcin de varianza

Par met r o Est i m
power 0. 60



Medias ajustadas y errores estndares para Pastura
LSD Fisher (Alfa=0.05)
Procedimiento de correccin de p-valores: No

Past ur a Medi as E. E.
Sembr adas 70. 01 4. 58 A
Semi - nat ur al es 56. 17 3. 52 B
Medias con una letra comn no son significativamente diferentes(p<= 0.05)

Debido a la presencia de la regresin polinomica, es ms adecuado reportar las sumas
de cuadrado secuenciales (tipo I). Podemos decir que existe un efecto de pastura
(p=0.0007) siendo las pasturas sembradas las que ms productividad primaria promedio
presentan (70 contra 56.17). La productividad primaria responden a la precipitacin
acumulada, PPacum (p<0.0001) con una tendencia cuadrtica, POT_PPacum
(p<0.0001). La tendencia lineal es diferente entre las pasturas ya que la interaccin
Pastura*PPacum fue significativa (p<0.0001). El diagrama de disperson entre
Productividad primaria y Precipitaciones acumuladas con un suvizado polinomico de
orden 2 muestra estas tendencias (Figura 139).

Modelos Lineales Mixtos en InfoStat

210

Figura 139: Diagrama de dispersin mostrando la relacin entre productividad primaria y
precipitacin acumulada para cada una de las pasturas. Archivo productividad primaria.IDB2.

Debido a la interaccin existente, no es posible interpretar las medias ajustadas. Para
comparar ambas pasturas en distintos niveles de precipitacin se puede usar el men de
Exploracin de Modelo, solapa de Combinaciones Lineales. Para determinar los
coeficientes, consideremos el siguiente ejemplo. Para probar si hay diferencias entre
pasturas con precipitacin acumulada de 100 mm la hiptesis nula puede escribirse
como:

0 0 1 2 0 1 2 1
: 100 10000 100 10000 100 H + + = + + + +
Esta hiptesis es equivalente a
0 1
: 100 0 H + = , que es una combinacin lineal de
los parmetros del modelo. Los coeficientes para valores de precipitacin de 100 mm,
300 mm y 500 mm se muestran en la ventana correspondiente en la Figura 140.

Sembradas
Semi -natural es
0 50 100 150 200 250 300 350 400 450 500 550 600
Precipitaciones acumuladas
0
20
40
60
80
100
120
140
160
180
200
P
r
o
d
u
c
t
i
v
i
d
a
d

p
r
i
m
a
r
i
a
Sembradas
Semi -natural es
Modelos Lineales Mixtos en InfoStat

211

Figura 140: Ventana Exploracin de modelos estimados con la solapa Combinaciones lineales
desplegada. Archivo productividad primaria.IDB2.

Pruebas de hiptesis para combinaciones lineales

Comb. l i neal Est i maci n E. E. gl F p- val or
Comb. 1 - 5. 48 4. 25 1 1. 66 0. 2008
Comb. 2 - 48. 44 12. 45 1 15. 14 0. 0002
Comb. 3 - 91. 40 21. 59 1 17. 92 0. 0001
Tot al sd sd

Los resultados indican que no hay diferencias significativas entre pasturas cuando la
precipitacin es de 100 mm (p=0.2008), mientras que cuando la precipitacin es de 300
mm o de 500 mm la pastura sembrada tiene mayor productividad primaria (p=0.0002 y
p=0.0001 respectivamente).

Modelos Lineales Mixtos en InfoStat

212
Bloques incompletos y diseos relacionados
Diseos Alfa ltices
Los datos de este ejemplo provienen de un ensayo de 18 variedades de cebada realizado
en Escocia (Patterson et l., 1989). Debido a la cantidad de tratamientos fue imposible
reunir bloques con 18 unidades experimentales homogneas, por los que estos eran
incompletos. Una repeticin completa de este experimento consiste de tres bloques
incompletos con cuatro unidades experimentales cada y dos bloques incompletos con
tres unidades experimentales cada uno, y se cont con un total de cuatro repeticiones
(Figura 141).

1
11
1
3
1
8
1
10
2
13
2
17
2
16
2
5
3
14
3
18
3
4
4
6
4
1
4
7
4
12
5
9
5
2
5
15
I
1
15
1
4
1
11
1
17
2
5
2
12
2
10
3
9
3
1
3
13
4
2
4
14
4
7
4
8
5
16
5
6
5
3
5
18
II
1
12
1
15
1
3
2
4
2
16
2
7
3
8
3
4
3
12
3
13
4
18
4
8
4
5
4
9
5
10
5
17
5
14
5
1
III
1
10
1
2
1
16
2
9
2
17
2
7
2
3
3
8
3
4
3
12
3
13
4
15
4
6
4
5
4
14
5
11
5
1
5
18
IV

Figura 141: Diagrama del diseo de experimento para el ensayo de 18 variedades de cebada conducido
como un alfa ltice. Los nmero romanos a la derecha indican las repeticiones, los nmero arabicos
en la parte superior de la celda indican los bloques incompletos (de tamaos 4 y 3) y en la parte
inferior las variedades.
Comenzaremos analizando este experimento considerando solamente las repeticiones
como un gran bloque (completo). Ya que hay cuatro repeticiones se puede estimar un
trmino de error para realizar las comparaciones de variedades. Los datos se encuntran
en el archivo Alfa ltice.IDB2.
En la ventana de seleccin de variables de Modelos generales y mixtos declaramos
Rendimiento como variable, Variedad, Bloque incompleto y Repeticion como criterios
de clasificacin. Luego de aceptar, en la solapa de Efectos fijos se declara Variedad
(Figura 142), y en la solapa Efectos aleatorios se declara Repeticion (Figura 143).
Modelos Lineales Mixtos en InfoStat

213
Como todas las variedades estn en cada repeticin, esta forma de declarar el modelo
corrige los sesgos por repeticiones, aunque ignora el efecto (y por ende los sesgos)
debidos a los bloques incompletos.

Figura 142: Ventana de Modelos lineales generales y mixtos con la solapa Efectos fijos identificando a
las variedades para los datos del archivo Alfa ltice.IDB2.
Modelos Lineales Mixtos en InfoStat

214

Figura 143: Ventana de Modelos lineales generales y mixtos con la solapa Efectos aleatorios
identificando a las repeticiones para los datos del archivo Alfa ltice.IDB2.
La siguiente salida presenta los resultados para este modelo.

Modelos lineales generales y mixtos

Especificacin del modelo en R
modelo.017_Rendimiento_REML<-lme(Rendimiento~1+Variedad
,random=list(Repeticion=pdIdent(~1))
,method="REML"
,control=lmeControl(msMaxIter=200)
,na.action=na.omit
,data=R.data17
,keep.data=FALSE)

Resultados para el modelo: modelo.017_Rendimiento_REML

Variable dependiente: Rendimiento

Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1
72 65. 2834 105. 0631 - 12. 6417 0. 2237 0. 3714 0. 7015
AIC y BIC menores implica mejor
Modelos Lineales Mixtos en InfoStat

215
Pruebas de hiptesis marginales (SC tipo III)

numDF denDF F- val ue p- val ue
( I nt er cept ) 1 51 1977. 3627 <0. 0001
Var i edad 17 51 3. 7389 0. 0001

Efectos fijos
Val ue St d. Er r or DF t - val ue p- val ue
( I nt er cept ) 5. 3250 0. 1579 51 33. 7330 <0. 0001
Var i edad10 - 0. 6750 0. 1582 51 - 4. 2673 0. 0001
Var i edad11 - 0. 2000 0. 1582 51 - 1. 2644 0. 2118
Var i edad12 - 0. 4750 0. 1582 51 - 3. 0029 0. 0041
Var i edad13 - 0. 3250 0. 1582 51 - 2. 0546 0. 0451
Var i edad14 0. 0000 0. 1582 51 0. 0000 >0. 9999
Var i edad15 - 0. 0500 0. 1582 51 - 0. 3161 0. 7532
Var i edad16 - 0. 2250 0. 1582 51 - 1. 4224 0. 1610
Var i edad17 0. 1750 0. 1582 51 1. 1063 0. 2738
Var i edad18 - 0. 4750 0. 1582 51 - 3. 0029 0. 0041
Var i edad2 - 0. 4250 0. 1582 51 - 2. 6868 0. 0097
Var i edad3 - 0. 0750 0. 1582 51 - 0. 4741 0. 6374
Var i edad4 - 0. 0500 0. 1582 51 - 0. 3161 0. 7532
Var i edad5 - 0. 3750 0. 1582 51 - 2. 3707 0. 0216
Var i edad6 - 0. 3250 0. 1582 51 - 2. 0546 0. 0451
Var i edad7 - 0. 2000 0. 1582 51 - 1. 2644 0. 2118
Var i edad8 - 0. 4000 0. 1582 51 - 2. 5288 0. 0146
Var i edad9 - 0. 1250 0. 1582 51 - 0. 7902 0. 4330

Parmetros de los efectos aleatorios

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

Desvos estndares y correlaciones

( const )
( const ) 0. 2228

Medias ajustadas y errores estndares para Variedad
LSD Fisher (Alfa=0.05)
Procedimiento de correccin de p-valores: No

Var i edad Medi as E. E.
17 5. 5000 0. 1579 A
14 5. 3250 0. 1579 A B
1 5. 3250 0. 1579 A B
15 5. 2750 0. 1579 A B C
4 5. 2750 0. 1579 A B C
3 5. 2500 0. 1579 A B C D
9 5. 2000 0. 1579 A B C D E
11 5. 1250 0. 1579 B C D E F
7 5. 1250 0. 1579 B C D E F
16 5. 1000 0. 1579 B C D E F
6 5. 0000 0. 1579 C D E F
13 5. 0000 0. 1579 C D E F
5 4. 9500 0. 1579 D E F G
8 4. 9250 0. 1579 E F G
2 4. 9000 0. 1579 E F G
18 4. 8500 0. 1579 F G
12 4. 8500 0. 1579 F G
10 4. 6500 0. 1579 G
Medias con una letra comn no son significativamente diferentes(p<= 0.05)



Como se puede observar la comparacin de medias se realiza usando un nico error
estndar (el error estndar de los efectos estimados de tratamiento, 0.1582, representa el
Modelos Lineales Mixtos en InfoStat

216
error estndar entre cada tratamiento y el tratamiento de referencia). Ahora realizaremos
un nuevo anlisis incorporando el efecto de los Bloques incompletos. Para esto dejamos
la solapa de Efectos fijos como en la Figura 142 (solo Variedad) y en la solapa Efectos
aleatorios declaramos a Repeticion y Bloque incompleto como se muestra en la Figura
144.

Figura 144: Ventana de Modelos lineales generales y mixtos con la solapa Efectos aleatorios
identificando los efectos de repeticin y bloque incompleto dentro de repeticin para los datos del
archivo Alfa ltice.IDB2.
A continuacin se presenta la salida correspondiente a este modelo.
Modelos lineales generales y mixtos

Especificacin del modelo en R
modelo.018_Rendimiento_REML<-lme(Rendimiento~1+Variedad
,random=list(Repeticion=pdIdent(~1)
,Bloque.incompleto=pdIdent(~1))
,method="REML"
,control=lmeControl(msMaxIter=200)
,na.action=na.omit
Modelos Lineales Mixtos en InfoStat

217
,data=R.data18
,keep.data=FALSE)

Resultados para el modelo: modelo.018_Rendimiento_REML

Variable dependiente: Rendimiento


Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1 R2_2
72 52. 3497 94. 1184 - 5. 1749 0. 1532 0. 3431 0. 6595 0. 8961
AIC y BIC menores implica mejor


Pruebas de hiptesis marginales (SC tipo III)

numDF denDF F- val ue p- val ue
( I nt er cept ) 1 35 2154. 5072 <0. 0001
Var i edad 17 35 6. 5359 <0. 0001


Efectos fijos
Val ue St d. Er r or DF t - val ue p- val ue
( I nt er cept ) 5. 3617 0. 1381 35 38. 8237 <0. 0001
Var i edad10 - 0. 7408 0. 1217 35 - 6. 0875 <0. 0001
Var i edad11 - 0. 1617 0. 1196 35 - 1. 3518 0. 1851
Var i edad12 - 0. 4320 0. 1217 35 - 3. 5499 0. 0011
Var i edad13 - 0. 3867 0. 1196 35 - 3. 2327 0. 0027
Var i edad14 - 0. 1252 0. 1209 35 - 1. 0362 0. 3072
Var i edad15 - 0. 0681 0. 1254 35 - 0. 5434 0. 5903
Var i edad16 - 0. 2194 0. 1254 35 - 1. 7500 0. 0889
Var i edad17 0. 1129 0. 1201 35 0. 9399 0. 3537
Var i edad18 - 0. 5234 0. 1203 35 - 4. 3502 0. 0001
Var i edad2 - 0. 4471 0. 1251 35 - 3. 5731 0. 0011
Var i edad3 - 0. 0913 0. 1244 35 - 0. 7338 0. 4680
Var i edad4 - 0. 1055 0. 1251 35 - 0. 8439 0. 4045
Var i edad5 - 0. 4646 0. 1243 35 - 3. 7381 0. 0007
Var i edad6 - 0. 3397 0. 1201 35 - 2. 8289 0. 0077
Var i edad7 - 0. 1896 0. 1210 35 - 1. 5668 0. 1261
Var i edad8 - 0. 5895 0. 1238 35 - 4. 7632 <0. 0001
Var i edad9 - 0. 2701 0. 1204 35 - 2. 2438 0. 0313

Parmetros de los efectos aleatorios

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

Desvos estndares y correlaciones

( const )
( const ) 0. 2011


Modelo de covarianzas de los efectos aleatorios: pdIdent
Formula: ~1|Bloque.incompleto Dentro Repeticion

Desvos estndares y correlaciones

( const )
( const ) 0. 1757
Modelos Lineales Mixtos en InfoStat

218
Medias ajustadas y errores estndares para Variedad
LSD Fisher (Alfa=0.05)
Procedimiento de correccin de p-valores: No

Var i edad Medi as E. E.
17 5. 4746 0. 1372 A
1 5. 3617 0. 1381 A B
15 5. 2936 0. 1381 A B C
3 5. 2704 0. 1377 A B C
4 5. 2562 0. 1381 A B C D
14 5. 2365 0. 1377 A B C D
11 5. 2000 0. 1377 B C D E
7 5. 1722 0. 1377 B C D E F
16 5. 1423 0. 1381 B C D E F G
9 5. 0916 0. 1381 C D E F G
6 5. 0220 0. 1372 D E F G H
13 4. 9750 0. 1377 E F G H I
12 4. 9297 0. 1381 F G H I
2 4. 9146 0. 1381 G H I
5 4. 8971 0. 1377 G H I
18 4. 8383 0. 1381 H I J
8 4. 7722 0. 1372 I J
10 4. 6210 0. 1381 J
Medias con una letra comn no son significativamente diferentes(p<= 0.05)



En la salida anterior se puede apreciar que los errores estndar de las diferencias (igual
al error estndar de los efectos de variedad) siguen siendo similares para cada variedad
aunque no iguales, ya que a pesar de que todas las variedades tienen el mismo nmero
de repeticiones, n=4, los bloques incompletos son de distinto tamao (tres o cuatro
unidades experimentales). Sin embargo, estos errores estndar son ms pequeos que en
el modelo anterior, debido a que ahora se ha descontado la varianza de los bloques
dentro de cada repeticin. A su vez, las medias de este ltimo anlisis estn corregidas
por el efecto de bloque (medias ajustadas) por lo que este anlisis es mejor ya que las
medias estimadas son insesgadas (condicionalmente a los bloques observados). Se
puede notar que el ranking de medias ha cambiado, en el anlisis con solo efectos de
repeticiones (como si fuera un DBCA) las tres medias ordenadas en forma decreciente
fueron las de variedad 17, 14 y 1, mientras que en el anlisis considerando tambin
bloques incompletos (DBI) fueron la 17, 1 y 15.
El error estndar de la diferencia de dos medias en el primer anlisis fue de 0.158 y el
del segundo fue de 0.122 en promedio (para calcular el promedio de los errores estndar
de las diferencias, el procedimiento usual es elevar al cuadrado cada error estndar,
promediar estos valores y luego tomar la raz cuadrada de este promedio). La eficiencia
de este modelo con respecto al anterior se puede calcular como:
Modelos Lineales Mixtos en InfoStat

219

2 2
2
0.158
1.68
0.122
DifDBCA
DifDBI
Eficiencia


= = =



Es decir, el modelo que considera los bloques incompletos dentro de las repeticiones es
un 68% ms eficiente que el modelo que considera solo las repeticiones como en un
DBCA.
A continuacin se presenta la sntesis de las medidas de ajuste de los dos modelos,
donde los criterios AIC y BIC sugieren que el BIC es el mejor modelo.
Modelo incluyendo bloques incompletos
N AI C BI C l ogLi k Si gma R2_0 R2_1 R2_2
72 52. 3497 94. 1184 - 5. 1749 0. 1532 0. 3431 0. 6595 0. 8961
AIC y BIC menores implica mejor

Modelo sin incluir bloques incompletos
N AI C BI C l ogLi k Si gma R2_0 R2_1
72 65. 2834 105. 0631 - 12. 6417 0. 2237 0. 3714 0. 7015
AIC y BIC menores implica mejor

Modelos Lineales Mixtos en InfoStat

220
Diseo fila-columna latinizado
Los datos de este ejemplo provienen de un ensayo para evaluar 30 variedades de
algodn. Cada una de las variedades se repiti 5 veces (William 1986). En la Figura 145
se presenta el esquema del diseo. Como puede observarse, cada una de las variedades
esta solo una vez en cada columna (columnas latinizadas). A su vez, se han formado
grupos de seis filas cada uno, y cada uno de estos grupos contiene las 30 variedades
(representan una repeticin completa). Estas son las dos restricciones a la aleatorizacin
que se deben considerar en este diseo. A su vez, las filas dentro de cada una de las
repeticiones representan bloques incompletos. Los datos se encuentran en el archivo
Latice fila columna.IBB2.
Para realizar el anlisis, en la ventana de seleccin de variables de Modelos lineales
generales y mixtos seleccionamos Rendimiento como variable, Variedad, Repeticion,
Fila y Columna como criterios de clasificacin. Luego, en la solapa Efectos fijos slo
declaramos Variedad (Figura 146) y en la solapa Efectos aleatorios declaramos el resto
de los efectos como en la Figura 147 .

Modelos Lineales Mixtos en InfoStat

221
Repeticin Fila Columna 1 Columna 2 Columna 3 Columna 4 Columna 5


I


1 21 20 25 14 1
2 10 3 29 28 13
3 11 24 26 5 15
4 16 7 22 19 17
5 30 2 27 9 6
6 4 8 18 23 12


II
7 2 17 14 15 23
8 27 18 24 29 25
9 6 21 10 12 7
10 13 9 20 26 16
11 8 19 3 30 5
12 28 1 11 4 22


III
13 9 29 15 1 8
14 18 14 5 22 10
15 7 27 23 20 11
16 26 25 17 6 3
17 12 30 16 24 28
18 19 4 13 21 2


IV
19 1 26 2 7 18
20 15 16 21 3 27
21 29 12 19 11 14
22 23 5 28 25 9
23 20 10 30 17 4
24 22 13 6 8 24


V
25 5 6 4 16 29
26 24 23 1 10 19
27 25 15 7 13 30
28 17 11 9 18 21
29 14 28 8 27 26
30 3 22 12 2 20

Figura 145: Diagrama del diseo de experimento para el ensayo de 30 variedades de algodn
conducidos como un diseo fila columna latinizado con cinco repeticiones. Todas las variedades estn
una vez en cada columna y cada repeticin, y las filas representan bloques incompletos.
Modelos Lineales Mixtos en InfoStat

222

Figura 146: Ventana de Modelos lineales generales y mixtos con la solapa Efectos fijos para los datos
del archivo Ltice fila columna.IDB2.

Modelos Lineales Mixtos en InfoStat

223

Figura 147: Ventana de Modelos lineales generales y mixtos con la solapa Efectos aleatorios para los
datos del archivo Ltice fila columna.IDB2.
A continuacin se presenta la salida correspondiente a estas especificaciones.


Modelos lineales generales y mixtos



Especificacin del modelo en R

modelo.006_Rendimiento_REML<-lme(Rendimiento~1+Variedad
,random=list(.U.=pdBlocked(list(pdIdent(~Repeticion-1)
,pdIdent(~Columna-1)))
,Repeticion=pdIdent(~Fila-1))
,method="REML"
,control=lmeControl(msMaxIter=200)
,na.action=na.omit
,data=R.data06
,keep.data=FALSE)

Resultados para el modelo: modelo.006_Rendimiento_REML

Modelos Lineales Mixtos en InfoStat

224
Variable dependiente: Rendimiento


Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0 R2_1 R2_2
150 1673. 82 1768. 59 - 802. 91 140. 59 0. 32 0. 63 0. 70
AIC y BIC menores implica mejor



Pruebas de hiptesis marginales (SC tipo III)

numDF denDF F- val ue p- val ue
( I nt er cept ) 1 116 1285. 12 <0. 0001
Var i edad 29 116 3. 25 <0. 0001


Pruebas de hiptesis secuenciales

numDF denDF F- val ue p- val ue
( I nt er cept ) 1 116 1285. 12 <0. 0001
Var i edad 29 116 3. 25 <0. 0001

Parmetros de los efectos aleatorios

Modelo de covarianzas de los efectos aleatorios: pdBlocked
Formula: ~Repeticion + Columna - 1

Desvos estndares y correlaciones

D. S.
Repet i ci on1 58. 01
Repet i ci on2 58. 01
Repet i ci on3 58. 01
Repet i ci on4 58. 01
Repet i ci on5 58. 01
Col umna1 111. 22
Col umna2 111. 22
Col umna3 111. 22
Col umna4 111. 22
Col umna5 111. 22


Modelo de covarianzas de los efectos aleatorios: pdIdent
Formula: ~Fila - 1|Repeticion

Desvos estndares y correlaciones

D. S.
1 50. 57
10 50. 57
11 50. 57
12 50. 57
13 50. 57
14 50. 57
15 50. 57
16 50. 57
17 50. 57
18 50. 57
19 50. 57
Modelos Lineales Mixtos en InfoStat

225
2 50. 57
20 50. 57
21 50. 57
22 50. 57
23 50. 57
24 50. 57
25 50. 57
26 50. 57
27 50. 57
28 50. 57
29 50. 57
3 50. 57
30 50. 57
4 50. 57
5 50. 57
6 50. 57
7 50. 57
8 50. 57
9 50. 57



Medias ajustadas y errores estndares para Variedad
LSD Fisher (Alfa=0.05)
Procedimiento de correccin de p-valores: No

Var i edad Medi as E. E.
27 2276. 39 86. 43 A
13 2268. 83 86. 43 A B
15 2224. 86 86. 43 A B C
6 2219. 33 86. 43 A B C
25 2217. 33 86. 43 A B C
8 2210. 25 86. 43 A B C D
10 2200. 76 86. 43 A B C D E
28 2163. 75 86. 43 A B C D E F
26 2161. 84 86. 43 A B C D E F
29 2161. 63 86. 43 A B C D E F
30 2125. 28 86. 43 A B C D E F G
20 2114. 41 86. 43 A B C D E F G
5 2103. 10 86. 43 A B C D E F G H
18 2094. 48 86. 43 A B C D E F G H I
19 2090. 57 86. 43 B C D E F G H I
7 2079. 11 86. 43 C D E F G H I
23 2071. 82 86. 43 C D E F G H I
9 2044. 57 86. 43 C D E F G H I
22 2042. 96 86. 43 C D E F G H I
11 2029. 67 86. 43 D E F G H I
14 2026. 78 86. 43 E F G H I
24 1993. 92 86. 43 F G H I
4 1992. 30 86. 43 F G H I
2 1977. 78 86. 43 G H I J
3 1947. 92 86. 43 G H I J
16 1944. 82 86. 43 G H I J
17 1944. 00 86. 43 G H I J
1 1929. 15 86. 43 H I J
12 1916. 32 86. 43 I J
21 1802. 28 86. 43 J
Medias con una letra comn no son significativamente diferentes(p<= 0.05)


Modelos Lineales Mixtos en InfoStat

226
Un anlisis de los residuos de este modelo muestra que no hay evidencias que sugieran
violaciones a los supuestos de homoscedasticidad ni de distribucin normal (Figura
148), por lo que podemos recomendar variedades en funcin de su rendimiento de
acuerdo a la prueba LSD de Fisher calculada en el anlisis. Las variedades 27, 15, 13, 6,
25, 8, 10, 28, 26, 29, 30, 20, 5 y 18 son las de mayor rendimiento que no difieren
estadsticamente entre s.

Figura 148: Grafico de dispersin de residuos estandarizados versus predichos y grfico Q-Q-plot con
los residuos del modelo estimado para los datos del archivo Ltice fila columna.IDB2.

Modelos Lineales Mixtos en InfoStat

227
Diseo en ltice cuadrado equilibrado
En el ensayo de este ejemplo se probaron 25 variedades de trigo con seis repeticiones.
Dentro de cada cuadrado (repeticin) se desea controlar los efectos de fila y de columna
(bloques incompletos en ambos casos). Fue realizado en la Slate Hall Farm,
Cambridgeshire, UK, en 1976 (Gleason, 1997). El esquema del experimento se presenta
a continuacin (Figura 149). Los datos se encuentran en el archivo Ltice
cuadrado.IDB2. Para analizar estos datos, en el selector de variables de Modelos
lineales generales y mixtos ingresamos Rendimiento con variable, Repeticion, Fila,
Columna y Variedad en criterios de clasificacin (Figura 150). Luego de aceptar, en la
solapa Efectos fijos seleccionamos Variedad (Figura 151) y en la solapa de Efectos
aleatorios debemos incluir a la Repeticin y luego indicar en el modelo que dentro de
cada repeticin tenemos un efecto de filas y de columnas (Figura 152).
1 2 4 3 5 19 23 2 6 15 18 25 9 11 2
6 7 9 8 10 8 12 16 25 4 5 7 16 23 14
21 22 24 23 25 11 20 24 3 7 6 13 22 4 20
11 12 14 13 15 22 1 10 14 18 24 1 15 17 8
16 17 19 18 90 5 9 13 17 21 12 19 3 10 21
3 18 8 13 23 16 24 10 13 2 10 4 17 11 23
1 16 6 11 21 12 20 1 9 23 12 6 24 18 5
5 20 10 15 25 4 7 18 21 15 19 13 1 25 7
2 17 7 12 22 25 2 14 17 6 21 20 8 2 14
4 19 9 14 24 8 11 22 5 19 3 22 15 9 16
Figura 149: Diagrama del diseo de experimento para el ensayo de 25 variedades de trigo conducido
como un ltice cuadrado equilibrado. Los cuadros en negrilla representan cada una de las seis
repeticiones dentro de las cuales se desea controlar los efectos de fila y de columna.

Modelos Lineales Mixtos en InfoStat

228

Figura 150: Ventana de seleccin de variables para Modelos lineales generales y mixtos con los datos
del archivo Ltice cuadrado.IDB2.

Modelos Lineales Mixtos en InfoStat

229

Figura 151: Ventana de Modelos lineales generales y mixtos con la solapa Efectos fijos para los datos
del archivo Ltice cuadrado.IDB2.

Modelos Lineales Mixtos en InfoStat

230

Figura 152: Ventana de Modelos lineales generales y mixtos con la solapa Efectos aleatorios para los
datos del archivo Ltice cuadrado.IDB2.

Modelos lineales generales y mixtos



Especificacin del modelo en R

modelo.000_Rendimiento_REML<-lme(Rendimiento~1+Variedad
,random=list(Repeticion=pdIdent(~1)
,Repeticion=pdIdent(~Fila-1)
,Repeticion=pdIdent(~Columna-1))
,method="REML"
,control=lmeControl(msMaxIter=200)
,na.action=na.omit
,data=R.data00
,keep.data=FALSE)

Resultados para el modelo: modelo.000_Rendimiento_REML

Variable dependiente: Rendimiento


Medidas de ajuste del modelo
Modelos Lineales Mixtos en InfoStat

231

N AI C BI C l ogLi k Si gma R2_0 R2_1 R2_2 R2_3
150 1703. 31 1785. 33 - 822. 65 89. 79 0. 27 0. 38 0. 67 0. 92
AIC y BIC menores implica mejor



Pruebas de hiptesis marginales (SC tipo III)

numDF denDF F- val ue p- val ue
( I nt er cept ) 1 120 1216. 28 <0. 0001
Var i edad 24 120 8. 84 <0. 0001


Pruebas de hiptesis secuenciales

numDF denDF F- val ue p- val ue
( I nt er cept ) 1 120 1216. 28 <0. 0001
Var i edad 24 120 8. 84 <0. 0001

Parmetros de los efectos aleatorios

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

Desvos estndares relativos al residual y correlaciones

( const )
( const ) 0. 73


Modelo de covarianzas de los efectos aleatorios: pdIdent
Formula: ~Fila - 1|Repeticion

Desvos estndares relativos al residual y correlaciones

D. S.
1 1. 39
2 1. 39
3 1. 39
4 1. 39
5 1. 39


Modelo de covarianzas de los efectos aleatorios: pdIdent
Formula: ~Columna - 1|Repeticion

Desvos estndares relativos al residual y correlaciones

D. S.
1 1. 36
2 1. 36
3 1. 36
4 1. 36
5 1. 36



Medias ajustadas y errores estndares para Variedad
LSD Fisher (Alfa=0.05)
Procedimiento de correccin de p-valores: No
Modelos Lineales Mixtos en InfoStat

232

Var i edad Medi as E. E.
Var 19 1669. 55 60. 20 A
Var 22 1644. 38 60. 20 A B
Var 20 1639. 95 60. 20 A B
Var 25 1630. 63 60. 20 A B
Var 13 1619. 04 60. 20 A B C
Var 18 1592. 18 60. 20 A B C D
Var 02 1549. 01 60. 20 A B C D E
Var 24 1546. 47 60. 20 B C D E
Var 05 1533. 27 60. 20 B C D E F
Var 06 1527. 41 60. 20 B C D E F
Var 17 1498. 17 60. 20 C D E F G
Var 15 1498. 01 60. 20 C D E F G
Var 21 1493. 44 60. 20 D E F G
Var 12 1483. 79 60. 20 D E F G
Var 08 1457. 37 60. 20 E F G H
Var 04 1451. 86 60. 20 E F G H I
Var 03 1420. 93 60. 20 F G H I J
Var 07 1400. 73 60. 20 G H I J K
Var 16 1346. 15 60. 20 H I J K
Var 23 1329. 11 60. 20 I J K
Var 11 1327. 25 60. 20 J K
Var 14 1326. 65 60. 20 J K
Var 09 1298. 86 60. 20 J K L
Var 01 1283. 59 60. 20 K L
Var 10 1193. 22 60. 20 L
Medias con una letra comn no son significativamente diferentes(p<= 0.05)


Como se vio en el ejemplo de Correlacin Espacial (pg. 138) una forma alternativa de
modelar este tipo de ensayos es usar la posicin en el espacio de las parcelas (de igual
tamao y en arreglos rectangulares como hemos visto en todo estos diseos en ltices)
como covariables para ajustar una funcin de correlacin espacial. El archivo de datos
Ltice cuadrado.IDB2 contiene dos variables, Latitud y Longitud, que pueden ser
usadas con este fin. Para evaluara este modelo alternativo, se declaran las variables
como en la Figura 153. Luego, en la solapa Efectos aleatorios no se declara nada, y en
la solapa Correlaciones se ingresan las variables como en la Figura 154.
Modelos Lineales Mixtos en InfoStat

233

Figura 153: Ventana de seleccin de variables para Modelos lineales generales y mixtos con la
inclusin de covariables de posicin Latitud y Longitud para los datos del archivo Ltice
cuadrado.IDB2.

Modelos Lineales Mixtos en InfoStat

234

Figura 154: Ventana de Modelos lineales generales y mixtos con la solapa Correlacin desplegada con
la inclusin de covariables de posicin Latitud y Longitud para los datos del archivo Ltice
cuadrado.IDB2.


Modelos lineales generales y mixtos



Especificacin del modelo en R

modelo.002_Rendimiento_REML<-gls(Rendimiento~1+Variedad
,correlation=corExp(form=~as.numeric(as.character(Longitud))+as.numeri
c(as.character(Latitud))
,metric="euclidean"
,nugget=FALSE)
,method="REML"
,na.action=na.omit
,data=R.data02)

Resultados para el modelo: modelo.002_Rendimiento_REML

Variable dependiente: Rendimiento
Modelos Lineales Mixtos en InfoStat

235


Medidas de ajuste del modelo

N AI C BI C l ogLi k Si gma R2_0
150 1692. 55 1768. 92 - 819. 28 212. 96 0. 27
AIC y BIC menores implica mejor



Pruebas de hiptesis marginales (SC tipo III)

numDF F- val ue p- val ue
( I nt er cept ) 1 399. 80 <0. 0001
Var i edad 24 7. 70 <0. 0001


Pruebas de hiptesis secuenciales

numDF F- val ue p- val ue
( I nt er cept ) 1 393. 70 <0. 0001
Var i edad 24 7. 70 <0. 0001

Estructura de correlacin

Modelo de correlacin: Exponential spatial correlation
Formula: ~ as.numeric(as.character(Longitud)) +
as.numeric(as.character(Latitud))
Metrica: euclidean

Parmetros del modelo

Par met r o Est i m
r ange 2. 45


Medias ajustadas y errores estndares para Variedad
LSD Fisher (Alfa=0.05)
Procedimiento de correccin de p-valores: No

Var i edad Medi as E. E.
Var 19 1664. 57 86. 82 A
Var 20 1659. 01 87. 25 A
Var 13 1626. 37 87. 32 A B
Var 22 1589. 59 87. 21 A B C
Var 06 1552. 97 86. 99 A B C D
Var 24 1550. 00 87. 19 A B C D
Var 25 1544. 63 87. 50 A B C D
Var 18 1537. 52 87. 20 A B C D E
Var 17 1535. 60 87. 60 A B C D E
Var 02 1531. 18 86. 48 A B C D E
Var 21 1510. 73 87. 08 B C D E F
Var 05 1477. 87 86. 64 C D E F
Var 08 1473. 21 87. 17 C D E F
Var 12 1456. 69 87. 40 C D E F G
Var 15 1422. 74 87. 02 D E F G H
Var 03 1407. 62 86. 78 E F G H
Var 04 1399. 11 86. 90 E F G H
Var 07 1389. 06 87. 46 F G H
Var 16 1332. 43 86. 72 G H I
Var 14 1327. 22 87. 19 G H I
Modelos Lineales Mixtos en InfoStat

236
Var 11 1326. 39 87. 04 G H I
Var 23 1306. 36 87. 02 H I
Var 09 1289. 71 86. 66 H I
Var 01 1231. 80 86. 54 I
Var 10 1201. 09 87. 28 I
Medias con una letra comn no son significativamente diferentes(p<= 0.05)


Para comparar esto modelos podemos usar los criterios AIC y BIC (debido a que en este
caso un modelo no es un caso particular del otro no podemos usar el cociente de
verosimilitud).
AI C BI C
DBI 1703. 31 1785. 33
Cor r el aci n Espaci al 1692. 55 1768. 92

A partir de estos resultados podemos inferir que el modelo de correlacin espacial ajusta
mejor. Sin embargo, si calculamos el promedio de los errores estndar para las
diferencias de medias de ambos modelos podemos ver que el modelo de correlacin
espacial da un valor de 69.118 mientras que el modelo que considera la estructura de
diseo da un valor de 62.019. As, si el objetivo es comparar medias de variedades,
considerar la estructura de diseo es ms adecuado.


Modelos Lineales Mixtos en InfoStat

237
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.
Cceres L., Macchiavelli R, Rojas Y. (2011). A Professional Development Model:
including coaching and problem-based learning. Abstracts, INTED2011
(International Technology, Education and Development Conference),
Valencia, Spain.
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. J ournal 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. J ABES 7(2), 129-142.
Di Rienzo J . 2007.Curso de Diseo de Experimentos 2007. Maestra en Estadstica
Aplicada UNC. http://vaca.agro.uncor.edu/~estad/cursosposgrado.htm
Modelos Lineales Mixtos en InfoStat

238
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.
Gleson A.C. 1997. Spatial Analysis. In R.A. Kempton, P.N. Fox (eds) Statistical
Methods for Plant Variety Evaluation. Chapman & Hall, London.
Hsu J .C. 1996. Multiple Comparisons: Theory and Methods. First edition. Chapman &
Hall, London.
Littell R., Milliken G., Stroup W., Wolfinger R., Schabenberger O. 2006. SAS for
Mixed Models. Second Ed., SAS Institute, Cary, NC.
Littell R., Pendergast J ., Natarajan R. 2002. Modelling Covariance Structure in the
Analysis of Repeated Measures Data. Statistics in Medicine 19:1793-1819.
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, State College, PA, pp: 13-22.
Milliken G.A., J ohnson D.E. 1992. Analysis of Messy Data, Vol. 1. Chapman and Hall:
Londres.
Moser E.B., Macchiavelli R. 2002. Model selection techniques for repeated measures
covariance structures. Proceedings of the XIV Conference on Applied
Statistics in Agriculture14: 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.
Ospina S. 2010. Linking plant strategies and ecosystem function: an assessment of the
contribution of biodiversity to Neotropical grassland productivity. Ph.D. Tesis.
School of the Environment, Natural Resources and Geography, Bangor
University, Gwynedd, United Kingdom, and Program Tropical Agricultural
Research and Higher Education Center (CATIE). Bangor, Reino Unido. 163 p.
Modelos Lineales Mixtos en InfoStat

239
Ospina S., Rusch G.M., Pezo D., Casanoves F., Sinclair F.L. 2012. More stable
productivity of semi natural grasslands than sown pastures in a seasonally dry
climate. Sent to PLoS ONE.
Papadakis J .S. 1937. Mthode statistique pour des experiences sur champ. Institut
dAmlioration des Plantes a Thessaloniki.
Patterson H.D.,Thompson R., Hunter E.R., Williams E.R. 1989. Analysis of non-
orthogonal data using REML. Scottish Agricultural Statistical Services
(unpublished notes from an internal course).
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.
Williams E.R. 1986. Row and column designs with contigous replicates. Australian
J ournal of Statistics 28 :149-154.
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.
Modelos Mixtos en InfoStat

240
ndice de cuadros
Cuadro 1. Componentes de varianza estimados para los datos del archivo Compvar.IDB2 ......................................... 38
Cuadro 2. Caractersticas y medidas de ajuste de los modelos evaluados para los datos del archivo
CapacidadRespiratoria.IDB2. ..................................................................................................................................... 115
Cuadro 3. Criterios de bondad de ajuste para los modelos ajustados con efectos de bloque fijo en los datos del archivo
ECRmani.IDB2 .......................................................................................................................................................... 154
Cuadro 4. Criterios de bondad de ajuste para los modelos ajustados sin efectos de bloque fijo en los datos del archivo
ECRmani.IDB2 .......................................................................................................................................................... 154

ndice de figuras
Figura 1: Solapas con las opciones para especificacin de un modelo lineal general y mixto. .......................................2
Figura 2: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Atriplex.IDB2. ............................3
Figura 3: Ventana desplegada con la solapa Efectos aleatorios para los datos del archivo Bloque.IDB2.......................6
Figura 4: Ventana desplegada con la solapa Comparaciones para los datos del archivo Bloque.IDB2. .........................8
Figura 5: Ventana desplegada con la solapa efectos aleatorios para un ejemplo hipottico en el que hay cuatro
factores de clasificacin: A, B, C, y D (A fijo; B, C y D aleatorios). En este caso B, C y D se incluyen como efectos
aleatorios anidados. ...................................................................................................................................................... 10
Figura 6: Ventana desplegada con la solapa efectos aleatorios para un ejemplo hipottico en el que hay cuatro
factores de clasificacin: A, B, C, y D (A fijo; B, C y D aleatorios). En este caso B, C y D se incluyen como efectos
aleatorios anidados (forma explcita). ........................................................................................................................... 10
Figura 7: desplegada con la solapa efectos aleatorios para un ejemplo hipottico en el que hay cuatro factores de
clasificacin: A, B, C, y D (A fijo; B, C y D aleatorios). En este caso D y C se incluyen como efectos aleatorios
cruzados. ....................................................................................................................................................................... 11
Figura 8: desplegada con la solapa efectos aleatorios para un ejemplo hipottico en el que hay cuatro factores de
clasificacin: A, B, C, y D (A fijo; B, C y D aleatorios). En este caso D y C se incluyen como efectos aleatorios
cruzados con interaccin. .............................................................................................................................................. 11
Figura 9: Ventana desplegada con la solapa efectos aleatorios para un ejemplo hipottico en el que hay cuatro
factores de clasificacin: A, B, C, y D (A fijo; B, C y D aleatorios). En este caso D y C se incluyen como efectos
aleatorios cruzados con interaccin y B esta anidado en C. .......................................................................................... 12
Figura 10: Ventana desplegada con la solapa efectos aleatorios para un ejemplo hipottico en el que hay cuatro
factores de clasificacin: A, B, C, y D (A fijo; B, C y D aleatorios). En este caso B y C se incluyen como efectos
aleatorios cruzados, ambos anidados dentro del factor fijo A. ...................................................................................... 12
Figura 11: desplegada con la solapa efectos aleatorios para un ejemplo hipottico en el que hay cuatro factores de
clasificacin: A, B, C, y D (A fijo; B, C y D aleatorios). En este caso C y D se incluyen como efectos aleatorios
cruzados, ambos anidados en el efecto aleatorio B. ...................................................................................................... 12
Modelos Mixtos en InfoStat

241
Figura 12: Ventana de dilogo para importar datos desde las libreras de R. ............................................................... 14
Figura 13: Encabezamiento de la tabla de datos del archivo Ovary. ............................................................................. 14
Figura 14: Relacin entre el nmero de folculos (follicles) y el tiempo (Time). ......................................................... 15
Figura 15: Ventana desplegada con la solapa Efectos fijos para los datos del archivo Ovary. ..................................... 16
Figura 16: Ventana desplegada con la solapa Efectos aleatorios para los datos del archivo Ovary. ............................. 17
Figura 17: Ventana desplegada con la solapa Correlacin para los datos del archivo Ovary. ...................................... 18
Figura 18: 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). ........................................................................... 22
Figura 19: Valores suavizados (polinmico de tercer grado) para el nmero de folculos (lineas slidas) para cada
yegua (Archivo Ovary). ................................................................................................................................................ 22
Figura 20: Especificacin de la parte fija del modelo (3) ............................................................................................. 23
Figura 21: Especificacin de la parte aleatoria del modelo (3). .................................................................................... 23
Figura 22: Valores predichos para el nmero de folculos para cada yegua generados por la incluisin de efectos
aleatorios sobre los parmetros del modelo de regresin. Matriz de covarianzas de los efectos aleatorios: pdSymm. . 24
Figura 23: Especificacin de la parte aleatoria del modelo (3) pero permitiendo que stos varien en varianza y estn
correlacionados. ............................................................................................................................................................ 24
Figura 24: Valores predichos para el nmero de folculos para cada yegua generados por la incluisin de efectos
aleatorios sobre los parmetros del modelo de regresin. Matriz de covarianzas de los efectos aleatorios: pdSymm. . 25
Figura 25: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Ovary. ......................... 26
Figura 26: Ventana comparacin de modelos generales y mixtos con la solapa Diagnstico desplegada (archivo
Atriplex.IDB2). ............................................................................................................................................................. 29
Figura 27: Ventana comparacin de modelos generales y mixtos con la solapa Combinaciones lineales desplegada
(archivo Atriplex.IDB2). .............................................................................................................................................. 30
Figura 28: Funcin de autocorrelacin de los residuos del modelo presentado en la Ecuacin (2) excluyendo la
modelacin de la autocorrelacin serial. ....................................................................................................................... 31
Figura 29: Funcin de autocorrelacin de los residuos del modelo presentado en la Ecuacin (2) incluyendo la
modelacin de la autocorrelacin serial. ....................................................................................................................... 32
Figura 30: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del archivo
Compvar.IDB2. ............................................................................................................................................................ 35
Figura 31: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Compvar.IDB2 para la
especificacin del Modelo 1. ........................................................................................................................................ 36
Figura 32: Ventana Anlisis-exploracin de modelos estimados con la solapa Diagnstico desplegada para el Modelo
1 con los datos del archivo Compvar.IDB2. ................................................................................................................. 39
Figura 33: Grficos de diagnstico obtenidos para la variable largo y el modelo 1 para los datos del archivo
Compvar.IDB2. ............................................................................................................................................................ 39
Modelos Mixtos en InfoStat

242
Figura 34: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Compvar.IDB2 para la
especificacin de varianzas heterogneas para poblaciones. ........................................................................................ 40
Figura 35: 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. ....................................................................... 45
Figura 36: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Compvar.IDB2 para la
especificacin del Modelo 2. ........................................................................................................................................ 46
Figura 37: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Compvar.IDB2 para la
especificacin del Modelo 2. ........................................................................................................................................ 46
Figura 38: Ventana con la solapa Comparaciones desplegada para los datos del archivo Compvar.IDB2 para la
especificacin del Modelo 2. ........................................................................................................................................ 47
Figura 39: Ventana Anlisis-exploracin de modelos estimados con la solapa Diagnstico desplegada para el Modelo
2 con los datos del archivo Compvar.IDB2. ................................................................................................................. 51
Figura 40: Grficos de diagnstico obtenidos para la variable largo y el Modelo 2 para los datos del archivo
Compvar.IDB2 ............................................................................................................................................................. 52
Figura 41: 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. ...................................... 55
Figura 42: Ventana Modelos lineales generales y mixtos con la solapa Efectos aleatorios desplegada para los datos
del archivo Producciones.IDB2 con los efectos aleatorios Linea y Operario cruzados y su interaccin. ..................... 57
Figura 43: Esquema del diseo en parcelas divididas para el ejemplo de los datos en el archivo Trigo.IDB2 (gris
oscuro=parcelas bajo riego, gris claro=parcelas en secano).......................................................................................... 62
Figura 44: Encabezamiento de la tabla de datos del archivo Trigo.IDB2. .................................................................... 63
Figura 45: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del archivo
Trigo.IDB2. .................................................................................................................................................................. 63
Figura 46: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Trigo.IDB2.............................. 64
Figura 47: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Trigo.IDB2 con bloque y
agua como criterios de estratificacin. .......................................................................................................................... 65
Figura 48: Ventana Comparacin de modelos generales y mixtos con la solapa Diagnstico desplegada para los datos
del archivo Trigo.IDB2. ................................................................................................................................................ 67
Figura 49: Herramientas grficas para diagnstico obtenidas para los datos del archivo Trigo.IDB2. ......................... 68
Figura 50: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Trigo.IDB2 con
seleccin de funcin varIdent con variedad como criterio de agrupamiento. ............................................................... 69
Figura 51: Ventana con la solapa Comparaciones desplegada para los datos del archivo Trigo.IDB2 y seleccin de la
subsolapa Medias. ......................................................................................................................................................... 70
Figura 52: Encabezamiento de la tabla de datos del archivo Cobertura de gotas.IDB2. ............................................... 72
Figura 53: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del archivo
Cobertura de gotas.IDB2. ............................................................................................................................................. 73
Figura 54: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Cobertura de gotas.IDB2......... 73
Modelos Mixtos en InfoStat

243
Figura 55: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Cobertura de gotas.IDB2
con Parcela como criterio de estratificacin. ................................................................................................................ 74
Figura 56: Diagrama de cajas para los residuos estandarizados de Pearson para los niveles del factor Cara. Archivo
Cobertura de gotas.IDB2. ............................................................................................................................................. 75
Figura 57: Ventana con la solapa Heteroscedasticidad desplegada para los datos del archivo Cobertura de gotas.IDB2
con Cara como criterio de agrupamiento. ..................................................................................................................... 76
Figura 58: Diagramas de puntos para estudiar la interaccin entre Coad y Altura (a) y entre Cara y Altura (b). ......... 79
Figura 59: Esquema del diseo en parcelas subdivididas para el ejemplo de los datos en el archivo Calidad del
almidn.IDB2. .............................................................................................................................................................. 80
Figura 60: Encabezamiento de la tabla de datos del archivo Calidad del Almidn.IDB2. ............................................ 81
Figura 61: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del archivo Calidad
del Almidn.IDB2. ....................................................................................................................................................... 81
Figura 62: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Calidad del Almidn.IDB2. .... 82
Figura 63: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo Calidad del Almidn.IDB2.
...................................................................................................................................................................................... 83
Figura 64: 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. .......................................................................................... 85
Figura 65: Relacin entre cobertura y tiempo para cinco tratamientos del archivo Cobertura forrajes.IDB2. ............. 89
Figura 66: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del ejemplo
Cobertura forrajes.IDB2. .............................................................................................................................................. 91
Figura 67: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Cobertura forrajes.IDB2. ........ 92
Figura 68: Ventana con la solapa Efectos Aleatorios desplegada para los datos del archivo Cobertura forrajes.IDB2 y
seleccin de efectos aleatorios de Bloque. .................................................................................................................... 93
Figura 69: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura forrajes.IDB2 y
seleccin de Errores independientes (Modelo 1). ......................................................................................................... 94
Figura 70: Ventana con la solapa Efectos Aleatorios desplegada para los datos del archivo Cobertura forrajes.IDB2 y
seleccin de efectos aleatorios de Bloque y Parcela dentro de bloques. ....................................................................... 95
Figura 71: 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. ........................................................... 96
Figura 72: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura forrajes.IDB2 y
seleccin de Simetra compuesta para datos agrupados por parcela. ........................................................................... 97
Figura 73: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura forrajes.IDB2 y
seleccin de modelo Autorregresivo de orden 1 para datos agrupados por Bloque y Parcela y orden de las
observaciones indicado por la variable Tiempo. ........................................................................................................... 99
Figura 74: Ventana con la solapa Correlacin desplegada para los datos del archivo Cobertura forrajes.IDB2 y
seleccin de modelo Sin estructura para datos agrupados por parcela y orden de las observaciones indicado por la
variable Tiempo (Modelo 11). .................................................................................................................................... 101
Modelos Mixtos en InfoStat

244
Figura 75: Ventana del Calculador de probabilidades y cuantiles de InfoStat. ........................................................... 105
Figura 76: Ventana con la solapa Comparaciones desplegada para los datos del archivo Cobertura forrajes.IDB2 y
seleccin de la subsolapa Contrastes. ......................................................................................................................... 106
Figura 77: Ventana de selector de variables con los datos del archivo CapacidadRespiratoria.IDB2. ....................... 109
Figura 78: Ventana con la solapa Efectos fijos desplegada con los datos del archivo CapacidadRespiratoria.IDB2. 110
Figura 79: Ventana con la solapa Correlacin desplegada, opcin Simetra compuesta, con los datos del archivo
CapacidadRespiratoria.IDB2. ..................................................................................................................................... 111
Figura 80: Ventana con la solapa Correlacin desplegada, opcin Autorregresivo de orden 1, con los datos del
archivo CapacidadRespiratoria.IDB2. ........................................................................................................................ 112
Figura 81: Ventana con la solapa Heteroscedasticidad desplegada con los datos del archivo
CapacidadRespiratoria.IDB2. ..................................................................................................................................... 113
Figura 82: Ventana con la solapa Efectos aleatorios desplegada con los datos del archivo
CapacidadRespiratoria.IDB2. ..................................................................................................................................... 114
Figura 83: Ventana con la solapa Correlacin desplegada, opcin Sin estructura, con los datos del archivo
CapacidadRespiratoria.IDB2. ..................................................................................................................................... 115
Figura 84: Ventana de selector de variables para los datos del archivo MedCapRes.IDB2. ....................................... 119
Figura 85: Ventana de selector de variables con solapa Particiones activada para los datos del archivo
MedCapRes.IDB2....................................................................................................................................................... 120
Figura 86: Grfico de puntos para estudiar la interaccin entre tratamientos y hora con los datos del archivo
CapacidadRespiratoria.IDB2. ..................................................................................................................................... 121
Figura 87: Ventana con la solapa Comparaciones, subsolapa Contrastes con los datos del archivo
CapacidadRespiratoria.IDB2. ..................................................................................................................................... 122
Figura 88: Grfico de puntos para el logaritmo del peso seco remanente en funcin del tiempo, para los cuatro
tratamientos (Especie-Bolsa). Archivo Descomposicin.IDB2. ................................................................................. 125
Figura 89: 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. .............................. 126
Figura 90: Grfico de puntos para el logaritmo del peso seco remanente en funcin del tiempo, para los cuatro
tratamientos (Especie-Bolsa). Archivo Descomposicin.IDB2. ................................................................................. 127
Figura 91: 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. ................................................................................................................................. 128
Figura 92: 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. .................................................. 128
Figura 93: 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
Modelos Mixtos en InfoStat

245
dados por la especie de origen del material vegetal y el tramado de la bolsa que lo almacena. Archivo
Descomposicin.IDB2. ............................................................................................................................................... 129
Figura 94: 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. ............................................................................................................ 130
Figura 95: 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. ............................................................................................................ 130
Figura 96: 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. ............................................................................................ 131
Figura 97: 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. ............................................................................................................ 132
Figura 98: 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. ............................................................................................ 132
Figura 99: 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. .... 133
Figura 100: Curvas de tasas de descomposicin segn especie y tramado de la bolsa de almacenamiento. ............... 137
Figura 101: Ventana con la solapa Efectos fijos desplegada para los datos del archivo ECRman.IDB2 y el Modelo
BF. .............................................................................................................................................................................. 142
Figura 102: Ventana con la solapa Efectos fijos desplegada para los datos del archivo ECRman.IDB2 y el Modelo
BA. ............................................................................................................................................................................. 142
Figura 103: Ventana con la solapa Efectos aleatorios desplegada para los datos del archivo ECRman.IDB2 y el
Modelo BA. ................................................................................................................................................................ 143
Figura 104: Ventana con la solapa Heteroscedasticidad usando local como criterio de agrupamiento para los datos del
archivo ECRman.IDB2 y los Modelos BFH y BAH. ................................................................................................ 144
Figura 105: 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. ..................................................................................................................................................................... 145
Figura 106: Diagrama de puntos para estudiar la interaccin entre localidades y genotipos para la variable
Rendimiento. .............................................................................................................................................................. 159
Modelos Mixtos en InfoStat

246
Figura 107: 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. .............................................................................................................................................. 162
Figura 108: Diagramas de puntos de las medias de rendimiento para cada combinacin de Riego y Nitrgeno. Datos
archivo StripPlot.IDB2. .............................................................................................................................................. 163
Figura 109: Ventana con la solapa Efectos fijos desplegada para evaluar un modelo mixto con los datos del archivo
StripPlot.IDB2. ........................................................................................................................................................... 164
Figura 110: Ventana con la solapa Efectos aleatorios desplegada para evaluar un modelo mixto con los datos del
archivo StripPlot.IDB2. .............................................................................................................................................. 165
Figura 111: Ventana con la solapa Efectos aleatorios desplegada para evaluar un modelo mixto con los factores
Nitrgeno y Riego cruzados para los datos del archivo StripPlot.IDB2. .................................................................... 166
Figura 112: Ventana se selector de variable para Modelos lineales generales y mixtos los datos del archivo
Lombrices.IDB2. ........................................................................................................................................................ 170
Figura 113: Ventana con la solapa Efectos fijos desplegada para evaluar un modelo mixto con los datos del archivo
Lombrices.IDB2. ........................................................................................................................................................ 171
Figura 114: Ventana con la solapa Correlacin desplegada para evaluar un modelo mixto con correlacin espacial
exponencial en los datos del archivo Lombrices.IDB2. .............................................................................................. 172
Figura 115: Ventana con la solapa Correlacin desplegada para evaluar un modelo mixto con correlacin
autorregresiva de orden 1 en los datos del archivo Lombrices.IDB2. ......................................................................... 174
Figura 116: Herramientas grficas para diagnstico obtenidas para los datos del archivo Lombrices.IDB2. ............. 176
Figura 117: Ventana con la solapa Heteroscedasticidad desplegada para evaluar un modelo mixto con en los datos del
archivo Lombrices.IDB2. ........................................................................................................................................... 177
Figura 118: Diagramas de puntos para estudiar la interaccin entre tratamientos y profundidad y su efecto sobre la
biomasa. Datos archivo Lombrices.IDB2. .................................................................................................................. 179
Figura 119: Ventana con la solapa Comparaciones y la subsolapa Contrastes desplegada para evaluar un modelo
mixto con los datos del archivo Lombrices.IDB2. ...................................................................................................... 180
Figura 120: Ventana con la solapa Efectos fijos desplegada para los datos del archivo Testigos_apareados.IDB2. .. 183
Figura 121: Ventana con la solapa Correlacin desplegada para los datos del archivo Testigos_apareados.IDB2 y
seleccin de Correlacin espacial exponencial. .......................................................................................................... 185
Figura 122: Ventana con la solapa Correlacin desplegada para los datos del archivo Testigos_apareados.IDB2 y
seleccin de Correlacin espacial Gaussiana. ............................................................................................................. 186
Figura 123: Ventana con la solapa Correlacin desplegada para los datos del archivo Testigos_apareados.IDB2 y
seleccin de Correlacin espacial lineal. .................................................................................................................... 187
Figura 124: Ventana con la solapa Correlacin desplegada para los datos del archivo Testigos_apareados.IDB2 y
seleccin de Correlacin espacial rational quadratic. .............................................................................................. 188
Figura 125: Ventana con la solapa Correlacin desplegada para los datos del archivo Testigos_apareados.IDB2 y
seleccin de Correlacin espacial esfrica. ................................................................................................................. 189
Modelos Mixtos en InfoStat

247
Figura 126: Ventana de seleccin de variables para Modelos lineales generales y mixtos con datos del archivo
Testigos_apareados.IDB2. .......................................................................................................................................... 192
Figura 127: Relacin entre la Ganancia en aprendizaje y la Calificacion previa al entrenamiento suavizada para cada
uno de los maestros. Archivo Ganancia en aprendizaje.IDB2. ................................................................................... 194
Figura 128: Ventana de seleccin Modelos lineales generales y mixtos con la solapa Efectos fijos para los datos del
archivo Ganancia en aprendizaje.IDB2. ..................................................................................................................... 196
Figura 129: Ventana de seleccin Modelos lineales generales y mixtos con la solapa Efectos aleatorios para los datos
del archivo Ganancia en aprendizaje.IDB2. ................................................................................................................ 197
Figura 130: Ventana de seleccin de variables del mdulo Modelos lineales generales para los datos del archivo
Productividad primaria.IDB2...................................................................................................................................... 199
Figura 131: Ventana del mdulo Modelos lineales generales con la solapa Efectos fijos desplegada para los datos del
archivo Productividad primaria.IDB2. ........................................................................................................................ 200
Figura 132: Ventana del mdulo Modelos lineales generales con la solapa Efectos aleatorios desplegada para los
datos del archivo Productividad primaria.IDB2. ......................................................................................................... 200
Figura 133: Herramientas grficas para diagnstico obtenidas para los datos del archivo Productividad primaria.IDB2
con la variable PPacumcomo regresora y pastura como factor fijo. .......................................................................... 201
Figura 134: Herramientas grficas para diagnstico obtenidas para los datos del archivo Productividad primaria.IDB2
con la variable PPacumy POT_PPacumcomo regresoras y pastura como factor fijo. ............................................... 202
Figura 135: Ventana del mdulo Modelos lineales generales con la solapa Heteroscedasticidad desplegada para los
datos del archivo Productividad primaria.IDB2 y la seleccin de la funcin VarPower............................................. 203
Figura 136: Herramientas grficas para diagnstico obtenidas para los datos del archivo Productividad primaria.IDB2
con la variable PPacumy POT_PPacumcomo regresoras, pastura como factor fijo y una funcin VarPower para las
varianzas heterogneas. .............................................................................................................................................. 204
Figura 137: Ventana del mdulo Modelos lineales generales con la solapa Efectos fijos desplegada para los datos del
archivo Productividad primaria.IDB2 y la especificacin del modelo con interaccin............................................... 205
Figura 138: Ventana del mdulo Modelos lineales generales con la solapa Efectos aleatorios desplegada para los
datos del archivo Productividad primaria.IDB2 y la seleccin del efecto de potrero como aleatorio. ........................ 206
Figura 139: Diagrama de dispersin mostrando la relacin entre productividad primaria y precipitacin acumulada
para cada una de las pasturas. Archivo productividad primaria.IDB2. ....................................................................... 210
Figura 140: Ventana Exploracin de modelos estimados con la solapa Combinaciones lineales desplegada. Archivo
productividad primaria.IDB2. ..................................................................................................................................... 211
Figura 141: Diagrama del diseo de experimento para el ensayo de 18 variedades de cebada conducido como un alfa
ltice. Los nmero romanos a la derecha indican las repeticiones, los nmero arabicos en la parte superior de la celda
indican los bloques incompletos (de tamaos 4 y 3) y en la parte inferior las variedades. ......................................... 212
Figura 142: Ventana de Modelos lineales generales y mixtos con la solapa Efectos fijos identificando a las variedades
para los datos del archivo Alfa ltice.IDB2. ............................................................................................................... 213
Figura 143: Ventana de Modelos lineales generales y mixtos con la solapa Efectos aleatorios identificando a las
repeticiones para los datos del archivo Alfa ltice.IDB2. ........................................................................................... 214
Modelos Mixtos en InfoStat

248
Figura 144: Ventana de Modelos lineales generales y mixtos con la solapa Efectos aleatorios identificando los efectos
de repeticin y bloque incompleto dentro de repeticin para los datos del archivo Alfa ltice.IDB2. ........................ 216
Figura 145: Diagrama del diseo de experimento para el ensayo de 30 variedades de algodn conducidos como un
diseo fila columna latinizado con cinco repeticiones. Todas las variedades estn una vez en cada columna y cada
repeticin, y las filas representan bloques incompletos. ............................................................................................. 221
Figura 146: Ventana de Modelos lineales generales y mixtos con la solapa Efectos fijos para los datos del archivo
Ltice fila columna.IDB2. .......................................................................................................................................... 222
Figura 147: Ventana de Modelos lineales generales y mixtos con la solapa Efectos aleatorios para los datos del
archivo Ltice fila columna.IDB2............................................................................................................................... 223
Figura 148: Grafico de dispersin de residuos estandarizados versus predichos y grfico Q-Q-plot con los residuos
del modelo estimado para los datos del archivo Ltice fila columna.IDB2. ............................................................... 226
Figura 149: Diagrama del diseo de experimento para el ensayo de 25 variedades de trigo conducido como un ltice
cuadrado equilibrado. Los cuadros en negrilla representan cada una de las seis repeticiones dentro de las cuales se
desea controlar los efectos de fila y de columna. ........................................................................................................ 227
Figura 150: Ventana de seleccin de variables para Modelos lineales generales y mixtos con los datos del archivo
Ltice cuadrado.IDB2. ................................................................................................................................................ 228
Figura 151: Ventana de Modelos lineales generales y mixtos con la solapa Efectos fijos para los datos del archivo
Ltice cuadrado.IDB2. ................................................................................................................................................ 229
Figura 152: Ventana de Modelos lineales generales y mixtos con la solapa Efectos aleatorios para los datos del
archivo Ltice cuadrado.IDB2. ................................................................................................................................... 230
Figura 153: Ventana de seleccin de variables para Modelos lineales generales y mixtos con la inclusin de
covariables de posicin Latitud y Longitud para los datos del archivo Ltice cuadrado.IDB2. .................................. 233
Figura 154: Ventana de Modelos lineales generales y mixtos con la solapa Correlacin desplegada con la inclusin de
covariables de posicin Latitud y Longitud para los datos del archivo Ltice cuadrado.IDB2. .................................. 234