Biología del gusano de alambre (Agriotes spp.) - Nasdap.ejgv ...

material y mÄ todos2.6.2.1. Modelos lineales. Estructura.En un modelo lineal, cada dato medido y ijk , de una variable continua y, se puededescomponer en una suma de términos del tipoy ijk = μ + a i + b j + c k + ε ;donde μ es la media muestral y ε es un término aleatorio de una distribución normal demedia cero y varianza igual al error experimental. Los demás términos del modelo puedentener diferentes estructuras: pueden tener un valor fijo para cada nivel de un factor, sinrelación alguna con los otros niveles del mismo factor (factores fijos), o pueden considerarsetérminos aleatorios de una distribución normal de media cero y varianza característica(factores aleatorios). Por ejemplo, en un ensayo de campo de diferentes métodos de controlen un diseño de bloques completos aleatorizados, el efecto de cada tratamiento se considerafijo (sería repetible para un producto determinado si se reprodujera el ensayo en otrascircunstancias). En cambio, el efecto del bloque se considera aleatorio, ya que no se podríareproducir en otro año u otro campo. Cuando el modelo contiene sólo este tipo de términos(junto con la media muestral y el término de error), hablamos de un análisis de varianza. Enotros casos, el valor de un término no viene dado de modo determinista o aleatorio, sino quees, a su vez, una función lineal de otra u otras variables continuas x 1 , x 2 , … Si sólo existeneste tipo de términos, hablaremos de una regresión lineal, donde y es la variable dependientey x 1 , x 2 , … son las variables independientes. Por último, si se combinan factores fijos ycovariables en un mismo modelo, habaremos de análisis de covarianza.2.6.2.2. Modelos lineales. Restricciones teóricas. Transformadas.Los modelos lineales son una poderosa herramienta de análisis estadístico, alrededorde la cual se han diseñado diferentes tipos de pruebas, como comparaciones de medias,planificadas (contrastes) o no. Pero, para poder aplicarlos se han de cumplir ciertosrequisitos, como son la independencia y normalidad de los errores y la isoscedasticidad(independencia del error respecto de la media; Sokal y Rohlf, 1995). La independencia de loserrores se suele procurar mediante la aleatorización del diseño experimental. La normalidadde los errores se puede comprobar aplicando la prueba de normalidad de la W de Shapiro yWilk (SAS, 1999) a los residuos (término ε del modelo lineal). Para la isoscedasticidad, se haaplicado una prueba estadística “ad hoc”, que consiste en una regresión lineal de los valoresabsolutos de los residuos sobre los valores predichos por el modelo, para cada dato. Parapasar la prueba, la regresión no debe resultar significativa (recta de regresión horizontal).Normalmente, los problemas de falta de normalidad y de isoscedasticidad se presentany se solucionan de manera conjunta. Se dan, típicamente, cuando el rango de la variablecubre más de un orden de magnitud. También se dan cuando estos modelos, basados en la8568