Documente Academic
Documente Profesional
Documente Cultură
En la investigacin agropecuaria se presentan situaciones donde es difcil utilizar los modelos lineales clsicos de anlisis de varianza, ya
que al realizar mediciones repetidas en el tiempo se incumplen los supuestos de independencia, igualdad de varianzas y linealidad. Este
trabajo tiene como objetivo resear los procedimientos estadsticos utilizados para analizar los diseos de medidas repetidas en tiempo y
determinar qu estrategias analtica resulta ms apropiada para cada fin. En este trabajo se describen tres tipos de anlisis que se han utilizado
tradicionalmente: el de varianza univariado (ANOVA), el multivariado (MANOVA) y el ms reciente, el enfoque de modelos mixtos. En la
actualidad se ha acordado que este ltimo es el ms adecuado y verstil, ya que brinda la posibilidad de examinar datos con estructuras de
dependencia, desbalance y falta de normalidad. Adems, da solucin a la limitacin del anlisis de varianza multivariado con respecto al
nmero de individuos y variables. Se describe tambin el modelo de efectos aleatorios, otro integrante del amplio espectro de los modelos
mixtos que se utiliza en numerosas investigaciones en la esfera agropecuaria. Este enfoque se fortalece por el uso de criterios de seleccin
de modelos, gracias a que la estimacin de parmetros se basa en mtodos de mxima verosimilitud o de mxima verosimilitud restringida.
Se describen los criterios de Akaike (AIC) y Bayesiano (BIC), que permiten la seleccin ptima de modelos mixtos competidores.
Palabras clave: medidas repetidas, anlisis univariado, anlisis multivariado, modelos mixtos, criterios de informacin.
INTRODUCCIN
Uno de los mtodos de investigacin ms utilizados
es medir las variables de respuesta de inters en las
mismas unidades experimentales en diferentes puntos
del tiempo. Este diseo de "medidas repetidas", con
su anlisis correspondiente, se encuentra entre los ms
utilizados actualmente en la investigacin mdica,
social y psicolgica. Si este tipo de anlisis se aplica
adecuadamente, acenta la validez de las conclusiones
estadsticas, ya que posee mayor precisin en la
estimacin de los parmetros del modelo de anlisis,
mejora la potencia de prueba y reduce el tamao de la
muestra (Fernndez y Vallejo 1996).
Existen contextos donde no es posible utilizar
modelos lineales clsicos para el anlisis de varianza,
ya que al realizar mediciones repetidas en el tiempo en
las mismas unidades experimentales se incumplen los
supuestos de independencia, normalidad, igualdad de
et al. 2003).
Entre el anlisis univariado y multivariado, solo
el multivariado garantiza que el error de Tipo I no se
encuentre por encima del nominal.
El anlisis multivariado de medidas repetidas es una
metodologa que se ha utilizado tradicionalmente en el
estudio de datos de medidas repetidas, provenientes de
experimentos desarrollados en la esfera agropecuaria. Un
ejemplo de su aplicacin es la produccin de metano en
el rumen, a partir de la fermentacin de los carbohidratos
por una poblacin microbiana mixta integrada por
metangenos, donde participan adems otros grupos de
bacterias y protozoos. Tambin se ha usado en estudios
con bucerros machos (Bubalus bubalis) de la raza
Bufalipso, canulados en rumen, para evaluar el efecto
de diferentes niveles de suplementacin en el consumo
y degradabilidad ruminal in situ de la MS del forraje
de pasto estrella (Cynodon nlemfuensis) (Galindo et al.
2009 y Lpez et al. 2009)
La teora estadstica describe tres tipos de modelos
matemticos: el de efectos fijos, el aleatorio y el
mixto.
i =i donde:
es la media general de la variable respuesta, por lo
que el modelo puede ser escrito como sigue:
E(yij)= + i,
Una justificacin formal de por qu se denomina "de
efectos fijos" est en los efectos de tratamiento i , que
en este modelo se suponen constantes. Si eij representa
el valor de la desviacin o diferencia entre yij y su valor
esperado, trmino denominado error en yij, el modelo
completo de efectos fijos se puede expresar como la suma
de su valor esperado y un error (aleatorio) (Balzarini et
al. 2005):
yij = i + eij o equivalentemente yij = + i + eij.
Esta ltima expresin (o "parametrizacin") del
modelo de anlisis de varianza de una va se denomina
modelo de efectos (Littell et al. 2006).
MODELOS MIXTOS
Los modelos estadsticos mixtos se usan con mayor
frecuencia en las ciencias mdicas y con menor aplicacin
en investigaciones de la esfera agropecuaria, por lo que
sera til su aplicacin por las ventajas que presentan.
Estos modelos permiten modelar la respuesta de un
DISCUSIN
Las caractersticas particulares que presentan las
investigaciones con medidas repetidas en el mbito
agropecuario hacen difcil la utilizacin de los modelos
clsicos de anlisis de varianza porque los datos no
cumplen con los supuestos de base. En este trabajo
se han descrito los mtodos usados para efectuar
adecuadamente los anlisis de medidas repetidas. La
enumeracin de las propiedades de estos procedimientos
ha sugerido el uso de los modelos mixtos para la
modelacin de datos experimentales. Las ventajas de los
modelos mixtos son variadas: permiten analizar datos
con estructuras de dependencia y desbalances en los
datos. Adems, es posible analizar datos no normales
con medidas repetidas mediante los llamados modelos
mixtos generalizados (Littell et al. 2006). Por tanto, la
preocupacin acerca del cumplimiento de los supuestos
tradicionales de normalidad y varianzas iguales pasa a
un segundo plano.
Las ventajas del uso de los modelos mixtos que se
han descrito en esta resea para aplicarlos en el anlisis
de medidas repetidas se pueden ver en la prctica en
estudios experimentales en el mbito agropecuario.
CONCLUSIN
Para el anlisis de las medidas repetidas en la misma
unidad experimental en diferentes puntos en el tiempo
son necesarios procedimientos estadsticos adecuados,
diferentes a los tradicionales, de manera que se acente
la validez de la conclusin estadstica. Por ello, se
REFERENCIAS
Arnau, J. & Balluerka, N. 2004. Anlisis de datos longitudinales
y de curvas de crecimiento. Enfoque clsico y propuestas
actuales. Psicothema. 16:156
Balzarini, M., Casanoves, F., Di Rienzo, J.A., Gonzlez, L.A. &
Robledo, C.W. 2001. Infostat. Versin 1. Crdova. Argentina.
Pp. 156-159
Balzarini, M., Macchiavelli, R. & Casanoves, F. 2005. Aplicaciones
de modelos mixtos en agricultura y forestera. Curso
Internacional de Aplicaciones de Modelos Mixtos en Agricultura
y Forestera. CATIE. Turrialba, Costa Rica. p.189
Calegario, N., Maestri, R., Leal, C. & Daniels, R. 2005. Estimativa
do crescimento de povoamentos de Eucalyptus baseada na
teoria dos modelos no lineares em multinveis de efeito misto.
Cincia Florestal 15:285
Carrero, O., Jerez, M., Macchiavelli, R., Orlandoni, G. &
Stock, J. 2008. Ajuste de curvas de ndice de sitio mediante
modelos mixtos para plantaciones de Eucalyptus urophylla en
Venezuela. Interciencia 33:4
Cole, V.W.L. & Grizzle, J.E. 1966. Applications of multivariate
analysis of variance to repeated measures experiments.
Biometrics 41:505
Daz, C. & Batanero, C. 2008. Cmo puede el mtodo bayesiano
contribuir a la investigacin en Psicologa y Educacin? Ed.
Universidad de Granada. Paradigma 27:35
Fernndez, P. & Vallejo, G.1996. Diseo de medidas repetidas
con dependencia serial en el error bajo la violacin de la
asuncin de homogeneidad. Universidad de Oviedo. Anales
de Psicologa 12:87
Galn, J., Jimnez, E. & Cervantes, C. 2003. Estimacin por
mxima verosimilitud restringida de componentes de varianza
y covarianza de mltiples caractersticas bajo los diseos I y II
de Carolina del Norte. Rev. Fitotecnia Mexicana 26:53
Galindo, J., Gonzlez, N., Delgado, D., Sosa, A., Gonzlez, R.,
Torres, V., Aldana, A.I., Moreira, O., Sarduy, L., Noda, A.C.
& Cairo, J. 2009. Efecto del aceite de coco en la poblacin
de bacterias metanognicas y su relacin con otros grupos
microbianos del rumen en condiciones in vitro. Rev. Cubana
Cienc. Agrc. 43:135
Gonzlez, L.M. & Lpez, L. A. 2002. Medidas repetidas con datos
faltantes: estimacin de parmetros va anlisis de covarianza.
Rev. Colombiana de Estadstica 25:127
Len, E. 2004. Mtodos de estimacin de componentes de varianza
en poblaciones. Una resea histrica. Instituto de Investigaciones
Porcinas. Rev. Computarizada de Produccin Porcina 11:1
Littell, R.C., Henry, P.R. & Ammerman, C.B. 1998. Statistical
Analysis of Repeated Measures Data Using SAS Procedures. Dep.
Statistics Animal Sci. University of Florida, Gainesville. p. 42-46
Littell, R.C., Milliken, G.A., Stroup, W.W., Wolfinger, R.D., &
Schabenberger, O. 2006. SAS for Mixed Models. Second
Edition. Institute Inc., Cary, EE.UU. p. 814
Lpez, J.R., Elas, A., Delgado, D., Gonzlez, R., & Sarduy,
L. 2009. Efecto de la suplementacin con concentrado en
la degradabilidad ruminal in situ de forraje de pasto estrella
(Cynodon nlemfuensis) en bucerros (Bubalus bubalis). Rev.