Está en la página 1de 10

1.

Calidad del almidón (factorial con bloque)


El modelo lineal para las observaciones de este experimento es el
siguiente:
Y ij = μ+Gi +Nj +Ck+GNij +GCik +NCjk +GNC ijk+bl+Pil+SPjil εijklm
Donde:
i= 1..2
J=1..4
K=1..2
l=1..3
n=48

Modelos lineales generales y mixtos

Especificación del modelo en R

mlm.modelo.002_IAA_REML<-
lme(IAA~1+Bloque+Genotipo+Nitrogeno+Coccion+Genotipo:Nitrogeno+Genotipo:C
occion+Nitrogeno:Coccion+Genotipo:Nitrogeno:Coccion
,random=list(Bloque=pdIdent(~1)
,Genotipo=pdIdent(~1)
,Nitrogeno=pdIdent(~1))
,method="REML"
,control=lmeControl(niterEM=150
,msMaxIter=200)
,na.action=na.omit
,data=mlm.modeloR.data02
,keep.data=FALSE)

1. Resultados para el modelo: mlm.modelo.002_IAA_REML

Variable dependiente: IAA

Medidas de ajuste del modelo

N AIC BIC logLik Sigma R2_0 R2_1 R2_2 R2_3


48 123,07 153,90 -39,54 0,63 0,75 0,75 0,75 0,75
AIC y BIC menores implica mejor

Pruebas de hipótesis secuenciales

numDF denDF F-value p-value


(Intercept) 1 16 160,99 <0,0001
Bloque 2 0 4,8E-03
Genotipo 1 2 13,62 0,0662
Nitrogeno 3 12 0,73 0,5532
Coccion 1 16 30,92 <0,0001
Genotipo:Nitrogeno 3 12 0,83 0,5021
Genotipo:Coccion 1 16 35,40 <0,0001
Nitrogeno:Coccion 3 16 1,63 0,2215
Genotipo:Nitrogeno:Coccion.. 3 16 0,44 0,7296

Parámetros de los efectos aleatorios

Modelo de covarianzas de los efectos aleatorios: pdIdent


Formula: ~1|Bloque

Desvíos estándares relativos al residual y correlaciones

(const)
(const) 0,67

Modelo de covarianzas de los efectos aleatorios: pdIdent


Formula: ~1|Genotipo Dentro Bloque

Desvíos estándares relativos al residual y correlaciones

(const)
(const) 2,9E-05

Modelo de covarianzas de los efectos aleatorios: pdIdent


Formula: ~1|Nitrogeno Dentro Genotipo Dentro Bloque

Desvíos estándares relativos al residual y correlaciones

(const)
(const) 3,2E-08

La interpretación de las pruebas de hipótesis arroja que sólo la


interacción Genotipo:Cocción es considerablemente significativa. Las
comparaciones múltiples para cada una de las medias de tratamientos
correspondientes a dicha interacción se presentan a continuación. En
estas pruebas se observó que sólo el almidón cocido del genotipo
UDEC10 muestra un IAA mayor que el resto de combinaciones de Genotipo
y Cocción.

IAA - Medias ajustadas y errores estándares para Genotipo*Cocción


LSD Fisher (Alfa=0,05)
Procedimiento de corrección de p-valores: No

Genotipo Cocción Medias E.E.


UDEC10 Cocido 4,64 0,51 A
Faro Crudo 2,97 0,51 B
Faro Cocido 2,90 0,51 B
UDEC10 Crudo 2,56 0,51 B
Medias con una letra común no son significativamente diferentes (p > 0,05)
Gráfico de barras IAA - Medias ajustadas y errores estándares para
Genotipo*Cocción

Modelos lineales generales y mixtos

Especificación del modelo en R

mlm.modelo.003_IAA_REML<-
lme(IAA~1+Bloque+Genotipo+Nitrogeno+Coccion+Genotipo:Nitrogeno+Genotipo:C
occion+Nitrogeno:Coccion+Genotipo:Nitrogeno:Coccion
,random=list(Bloque=pdIdent(~1)
,Bloque=pdIdent(~Bloque-1)
,Bloque=pdIdent(~Genotipo-1)
,Bloque=pdIdent(~Genotipo:Nitrogeno-1))
,method="REML"
,control=lmeControl(niterEM=150
,msMaxIter=200)
,na.action=na.omit
,data=mlm.modeloR.data03
,keep.data=FALSE)

2. Resultados para el modelo: mlm.modelo.003_IAA_REML

Variable dependiente: IAA

Medidas de ajuste del modelo

N AIC BIC logLik Sigma R2_0 R2_1 R2_2 R2_3


R2_4
48 125,07 157,30 -39,54 0,63 0,75 0,75 0,75 0,75
0,75
AIC y BIC menores implica mejor
Pruebas de hipótesis secuenciales

numDF denDF F-value p-value


(Intercept) 1 30 44,35 <0,0001
Bloque 2 0 1,3E-03
Genotipo 1 30 13,62 0,0009
Nitrogeno 3 30 0,73 0,5417
Coccion 1 30 30,92 <0,0001
Genotipo:Nitrogeno 3 30 0,83 0,4873
Genotipo:Coccion 1 30 35,40 <0,0001
Nitrogeno:Coccion 3 30 1,63 0,2028
Genotipo:Nitrogeno:Coccion.. 3 30 0,44 0,7282

Parámetros de los efectos aleatorios

Modelo de covarianzas de los efectos aleatorios: pdIdent


Formula: ~1|Bloque

Desvíos estándares relativos al residual y correlaciones

(const)
(const) 0,67

Modelo de covarianzas de los efectos aleatorios: pdIdent


Formula: ~Bloque - 1|Bloque

Desvíos estándares relativos al residual y correlaciones

D.E.
1 1,15
2 1,15
3 1,15

Modelo de covarianzas de los efectos aleatorios: pdIdent


Formula: ~Genotipo - 1|Bloque

Desvíos estándares relativos al residual y correlaciones

D.E.
Faro 2,9E-05
UDEC10 2,9E-05

Modelo de covarianzas de los efectos aleatorios: pdIdent


Formula: ~Genotipo:Nitrogeno - 1|Bloque

Desvíos estándares relativos al residual y correlaciones


D.E.
Faro:0 3,2E-08
UDEC10:0 3,2E-08
Faro:150 3,2E-08
UDEC10:150 3,2E-08
Faro:225 3,2E-08
UDEC10:225 3,2E-08
Faro:75 3,2E-08
UDEC10:75 3,2E-08
Especificando los efectos aleatorios como se muestra en el segundo
modelo, los resultados son inmediatamenre similares, menos por el
cálculo de los grados de libertad del denominador y los valores de
probabilidad. Además, las estimaciones de varianza se presentan en
forma diferente

2.Cobertura forrajes (medidas repetidas)


El modelo lineal para las observaciones de este experimento es el
siguiente:

Yij=μ+Pi+Tj+Tk+PTij+PCik+TCjk+PTCijk+blm+pilm+SPijklm+Eijklm
Donde:
i= 1..15
J=1..5
K=1..5
m=1..3
n=75
A continuación se muestra el modo en que se especifica el modelo
anterior en InfoStat, su salida, interpretación y algunas acciones
complementarias para validar el modelo.

C:\Program Files (x86)\InfoStat\Datos\cobertura forrajes.IDB2 :


24/06/2019 - 2:24:58 p. m. - [Versión : 20/09/2018] - [R 3.5.1]

Modelos lineales generales y mixtos

Especificación del modelo en R

mlm.modelo.000_Cobertura_REML<-
lme(Cobertura~1+Tratam+Tiempo+Tratam:Tiempo
,random=list(Parcela=pdIdent(~1)
,Bloque=pdIdent(~1))
,method="REML"
,control=lmeControl(niterEM=150
,msMaxIter=200)
,na.action=na.omit
,data=mlm.modeloR.data00
,keep.data=FALSE)

1. Resultados para el modelo: mlm.modelo.000_Cobertura_REML

Variable dependiente: Cobertura

Medidas de ajuste del modelo

N AIC BIC logLik Sigma R2_0 R2_1 R2_2


75 470,24 523,78 -207,12 9,95 0,56 0,71 0,79
AIC y BIC menores implica mejor

Pruebas de hipótesis marginales (SC tipo III)

numDF denDF F-value p-value


(Intercept) 1 40 106,50 <0,0001
Tratam 4 10 3,76 0,0408
Tiempo 4 40 5,93 0,0008
Tratam:Tiempo 16 40 1,08 0,4081

Pruebas de hipótesis secuenciales

numDF denDF F-value p-value


(Intercept) 1 40 106,50 <0,0001
Tratam 4 10 3,76 0,0408
Tiempo 4 40 5,93 0,0008
Tratam:Tiempo 16 40 1,08 0,4081

Parámetros de los efectos aleatorios

Modelo de covarianzas de los efectos aleatorios: pdIdent


Formula: ~1|Parcela

Desvíos estándares relativos al residual y correlaciones

(const)
(const) 0,60

Modelo de covarianzas de los efectos aleatorios: pdIdent


Formula: ~1|Bloque Dentro Parcela

Desvíos estándares relativos al residual y correlaciones

(const)
(const) 0,60

Modelos lineales generales y mixtos

Especificación del modelo en R

mlm.modelo.004_Cobertura_REML<-
lme(Cobertura~1+Tratam+Tiempo+Tratam:Tiempo
,random=list(Bloque=pdIdent(~1))
,correlation=corAR1(form=~as.integer(as.numeric(Tiempo))|Bloque/Parcela)
,method="REML"
,control=lmeControl(niterEM=150
,msMaxIter=200)
,na.action=na.omit
,data=mlm.modeloR.data04
,keep.data=FALSE)

2.Resultados para el modelo: mlm.modelo.004_Cobertura_REML

Variable dependiente: Cobertura

Medidas de ajuste del modelo

N AIC BIC logLik Sigma R2_0 R2_1


75 460,93 514,47 -202,47 12,36 0,56 0,62
AIC y BIC menores implica mejor

Pruebas de hipótesis marginales (SC tipo III)

numDF denDF F-value p-value


(Intercept) 1 48 62,44 <0,0001
Tratam 4 48 4,29 0,0048
Tiempo 4 48 4,95 0,0020
Tratam:Tiempo 16 48 0,92 0,5483

Pruebas de hipótesis secuenciales

numDF denDF F-value p-value


(Intercept) 1 48 57,09 <0,0001
Tratam 4 48 4,26 0,0050
Tiempo 4 48 4,95 0,0020
Tratam:Tiempo 16 48 0,92 0,5483

Parámetros de los efectos aleatorios

Modelo de covarianzas de los efectos aleatorios: pdIdent


Formula: ~1|Bloque

Desvíos estándares relativos al residual y correlaciones

(const)
(const) 0,31

Estructura de correlación

Modelo de correlación: AR(1)


Formula: ~ as.integer(as.numeric(Tiempo)) | Bloque/Parcela

Parámetros del modelo

Parámetro Estim
Phi 0,59

Comparación de modelos

Model df AIC BIC logLik


mlm.modelo.000_Cobertura_R.. 1 28 470,24 523,78 -207,12
mlm.modelo.004_Cobertura_R.. 2 28 460,93 514,47 -202,47

 modelo: mlm.modelo.004_Cobertura_REML
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 4 (AIC: 460,93 BIC:514,47), por lo tanto, elegimos la
covarianza Autorregresivo de orden 1, debido a que este modelo tiene
en cuenta el orden en que fueron tomadas las observaciones, la
variable que indica esto es tiempo.

 COMPARACIONES:
Cobertura - Medias ajustadas y errores estándares para Tratam
LSD Fisher (Alfa=0,05)
Procedimiento de corrección de p-valores: No

Tratam Medias E.E.


5 39,60 5,59 A
1 31,27 5,59 A B
4 24,96 5,59 B C
3 17,33 5,59 B C
2 13,19 5,59 C
Medias con una letra común no son significativamente diferentes (p > 0,05)

A partir de esta comparación de medias ajustadas para tratamiento, se puede concluir


que los tratamientos 5, 1 y 4 son los que generan mayor cobertura y no se diferencian
entre sí significativamente

Cobertura - Medias ajustadas y errores estándares para Tiempo


LSD Fisher (Alfa=0,05)
Procedimiento de corrección de p-valores: No

Tiempo Medias E.E.


3 30,29 3,89 A
4 28,53 3,89 A
5 28,27 3,89 A
2 24,53 3,89 A
1 14,73 3,89 B
Medias con una letra común no son significativamente diferentes (p > 0,05)

Por último, en promedio para los cuatro tratamientos, entre los


tiempos 1 y 2 se ve un cambio significativo, pero en tiempos
siguientes, la cobertura promedio no cambia de manera significativa.