MODELOS MIXTOS PARA ANALIZAR EXPERIMENTOS AGROPECUARIOS DE TRES FACTORES CON UN PROGRAMA ESTADÍSTICO
Resumen
El PROC GLM de SAS® es el procedimiento más utilizado en el análisis de varianza en la investigación agropecuaria, pero fue diseñado para modelos fijos. El objetivo fue capacitar a los usuarios de SAS® en el uso de modelos mixtos en el análisis de experimentos agropecuarios de tres factores. Se tomaron datos de la literatura y se analizaron por el PROC GLM (modelo fijo y mixto) y PROC MIXED. Tres factores y sus interacciones fueron: Leguminosa (V), Fósforo (P) y Control de Malezas (W). El diseño fue de Bloques Completos al Azar (BCA de tres bloques, BLK) y la variable de respuesta fue rendimiento de semilla (kg/parcela). Se presentan las rutinas de PROC GLM para modelos fijos y mixtos y PROC MIXED. Bajo los modelos mixtos, V y P fueron efectos fijos y W aleatorio. Los grados de libertad fueron ajustados por Satterthwaite. Con PROC GLM modelo fijo, BLK, V*W y P*W fueron p<0,01 y con el modelo mixto solo BLK, pero los Valores-F fueron menores. Las varianzas de W y V*P*W fueron -0,59 y -0,22, respectivamente. Con PROC MIXED ninguna fuente de variación resultó p<0,05 (pruebas F y Z de Wald). La varianza de W fue cero y de V*W y P*W resultaron menores. Los errores estándares (EE) de V y V*P fueron mayores con PROC MIXED y de los efectos aleatorios fueron iguales en todos los procedimientos. Se concluye que el PROC MIXED proporciona adecuada prueba de hipótesis y EE de medias, por lo que se recomienda su utilización.
Descargas
Citas
Correa-Morales, J.C., y Salazar-Uribe, J.C. (2016). Introducción a los modelos mixtos. 1ª Edición. Centro Editorial. Escuela de Estadística. Facultad de Ciencias. Universidad Nacional de Colombia. Sede Medellín, Colombia.
Gaylor, D.W., y Hopper, F.N. (1969). Estimating the degrees of freedom for linear combinations of mean squares by Satterthwaite´s formula. Technometrics 11, 691-706.
Gil, J.L. (2001). Comparación de los procedimientos GLM y MIXED del SAS® para analizar parcelas divididas con bloques al azar. Zootecnia Tropical 19(1), 43-58.
Kling, J. (2004). Field plot techniques and experimental design in agriculture. Oregon State University. Corvallis, OR. USA.
Lair, N.M., y Ware, J.H. (1982). Random effects models for longitudinal data. Biometrics, 38, 963-974.
Littell, R.C., Milliken, G.A., Stroup, W.W., Wolfinger, R.D., y Schabenberger, O. (2006). SAS for mixed models. 2nd Edition. SAS Institute Inc. Cary, NC. USA.
Littell, R.C., Freund, R.J., y Spector, P.C. (1991). SAS system for linear models. 3rd Ed. SAS Institute, Cary, NC. USA.
Lowry, S. (1983). Rules for thumb for writing parameters estimated in the analysis of variance. Monography. In: Design of Experiment. Agriculture 802. University of Nebraska at Lincoln. NE. USA. 9p.
Salazar-Guerrero, A. sf. Estadística superior. Clave LII. Consultado 5 sept. 2020. www.cursos.aiu.edu/Estadistica%20Superior/PDF/Tema%202.pdf
Satterthwaite, F.E. (1946). An approximate distribution of estimates of variance components. Biometric Bulletin 2, 110-114.
Steel, R.G.D., Torrie, J.H. (1980). Principles and procedures of statistics. A biometrical approach. 2nd Edition. McGraw-Hill, Inc. New York. USA.
Yang, R-C. (2008). ¿Why is MIXED analysis underutilized? Canadian Journal of Plant Science 88, 563-567.
Yang, R-C. (2010). Towards understanding and use of mixed-model analysis of agricultural experiments. Canadian Journal of Plant Science 90, 605-627.
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional.