Instalar paquetes y sus dependencias ——————

Crear un vector de paquetes

pacotes <- c("agricolae", "performance", "ggplot2",
             "outliers","car", "readxl","tidyverse", 
             "RColorBrewer","nortest", "stats", 
             "agridat", "performance")

Script para instalar y cargar librerias y dependencias

if(sum(as.numeric(!pacotes %in% installed.packages())) != 0){
  instalador <- pacotes[!pacotes %in% installed.packages()]
  for(i in 1:length(instalador)) {
    install.packages(instalador, dependencies = T)
    break()}
  sapply(pacotes, require, character = T) 
} else {
  sapply(pacotes, require, character = T) 
}

## Loading required package: agricolae

## Loading required package: performance

## Loading required package: ggplot2

## Loading required package: outliers

## Loading required package: car

## Loading required package: carData

## Loading required package: readxl

## Loading required package: tidyverse

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.3     ✔ readr     2.1.4
## ✔ forcats   1.0.0     ✔ stringr   1.5.0
## ✔ lubridate 1.9.3     ✔ tibble    3.2.1
## ✔ purrr     1.0.2     ✔ tidyr     1.3.0
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ✖ dplyr::recode() masks car::recode()
## ✖ purrr::some()   masks car::some()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
## Loading required package: RColorBrewer
## 
## Loading required package: nortest
## 
## Loading required package: agridat

## Warning: package 'agridat' was built under R version 4.3.2

##    agricolae  performance      ggplot2     outliers          car       readxl 
##         TRUE         TRUE         TRUE         TRUE         TRUE         TRUE 
##    tidyverse RColorBrewer      nortest        stats      agridat  performance 
##         TRUE         TRUE         TRUE         TRUE         TRUE         TRUE

Datos

df <- read_excel("C:/Users/PC/Desktop/Ing Agronomica/semestre 9/Software R/Clase 5/ANOVA DCA y DBCA con 2 Factores/ANOVA DCA y DBCA con 2 Factores/APLICACION DRON.xlsx")
str(df)

## tibble [32 × 4] (S3: tbl_df/tbl/data.frame)
##  $ Aplicación: chr [1:32] "Dron" "Dron" "Dron" "Dron" ...
##  $ DosisN    : chr [1:32] "Control" "Ridomil_2cc" "Ridomil_4cc" "Ridomil_6cc" ...
##  $ Rep       : num [1:32] 1 1 1 1 2 2 2 2 3 3 ...
##  $ Lulos     : num [1:32] 8.2 14.3 18.2 21.6 9.3 10.3 18.2 22.1 5.2 12.5 ...

df

## # A tibble: 32 × 4
##    Aplicación DosisN        Rep Lulos
##    <chr>      <chr>       <dbl> <dbl>
##  1 Dron       Control         1   8.2
##  2 Dron       Ridomil_2cc     1  14.3
##  3 Dron       Ridomil_4cc     1  18.2
##  4 Dron       Ridomil_6cc     1  21.6
##  5 Dron       Control         2   9.3
##  6 Dron       Ridomil_2cc     2  10.3
##  7 Dron       Ridomil_4cc     2  18.2
##  8 Dron       Ridomil_6cc     2  22.1
##  9 Dron       Control         3   5.2
## 10 Dron       Ridomil_2cc     3  12.5
## # ℹ 22 more rows

Verificar Valores atípicos

df%>%
  select_if(is.numeric)%>%
  outlier()

##   Rep Lulos 
##   4.0   4.8

ANOVA bifactorial para un DCA ———-

Realizar el análisis de varianza (ANOVA)

modelo_anova <- aov(Lulos ~ DosisN + Aplicación + DosisN:Aplicación, 
                    data = df)
summary(modelo_anova)

##                   Df Sum Sq Mean Sq F value   Pr(>F)    
## DosisN             3 1001.2   333.7 114.257 2.41e-14 ***
## Aplicación         1   11.3    11.3   3.862   0.0611 .  
## DosisN:Aplicación  3    2.3     0.8   0.267   0.8482    
## Residuals         24   70.1     2.9                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Verificar Normalidad mediante prueba de Shapiro

shapiro.test(residuals(modelo_anova))

## 
##  Shapiro-Wilk normality test
## 
## data:  residuals(modelo_anova)
## W = 0.98001, p-value = 0.8

Homogeneidad de varianzas ——————-

Calcular los residuos del modelo ANOVA

residuos <- residuals(modelo_anova)

Agrupar los residuos por los niveles de las interacciones

grupo <- paste(df$DosisN, df$Lulos, sep = "_")
grupos_residuos <- split(residuos, grupo)

Realizar la prueba de homogeneidad de varianzas con fligner.test

fligner.test(grupos_residuos)

## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  grupos_residuos
## Fligner-Killeen:med chi-squared = 23.137, df = 26, p-value = 0.6252

Gráfico

residuos_estandarizados <- rstandard(modelo_anova)

Obtener los valores ajustados (fitted values)

valores_ajustados <- fitted(modelo_anova)

Crear un gráfico de residuos estandarizados vs. valores ajustados

plot(valores_ajustados, residuos_estandarizados, pch = 11    , 
     col = "blue",
     xlab = "Valores Ajustados", ylab = "Residuos Estandarizados",
     main = "Gráfico de Residuos Est. vs. Valores Ajustados")

plot(valores_ajustados, residuos_estandarizados, pch = 11    , 
     col = "blue",
     xlab = "Valores Ajustados", ylab = "Residuos Estandarizados",
     main = "Gráfico de Residuos Est. vs. Valores Ajustados")
abline(h = 0, lty = 2, col = "red")

Otra forma de verificar los supuestos:

plot(modelo_anova)

check_model(modelo_anova)

Obtener lsmeans (medias ajustadas) para la interacción

EVALUAR LOS EFECTOS SIMPLES COMO “DosisN”

LSD.test(modelo_anova,c("DosisN"),
         console=TRUE)

## 
## Study: modelo_anova ~ c("DosisN")
## 
## LSD t Test for Lulos 
## 
## Mean Square Error:  2.921042 
## 
## DosisN,  means and individual ( 95 %) CI
## 
##              Lulos      std r        se       LCL       UCL  Min  Max    Q25
## Control      6.500 1.789653 8 0.6042601  5.252869  7.747131  4.8  9.3  5.200
## Ridomil_2cc 12.300 2.383275 8 0.6042601 11.052869 13.547131  8.3 16.1 11.200
## Ridomil_4cc 18.025 1.023649 8 0.6042601 16.777869 19.272131 16.2 19.2 17.425
## Ridomil_6cc 21.125 1.425031 8 0.6042601 19.877869 22.372131 18.7 23.1 20.375
##               Q50    Q75
## Control      5.50  8.225
## Ridomil_2cc 12.40 13.400
## Ridomil_4cc 18.20 18.675
## Ridomil_6cc 21.35 22.100
## 
## Alpha: 0.05 ; DF Error: 24
## Critical Value of t: 2.063899 
## 
## least Significant Difference: 1.76371 
## 
## Treatments with the same letter are not significantly different.
## 
##              Lulos groups
## Ridomil_6cc 21.125      a
## Ridomil_4cc 18.025      b
## Ridomil_2cc 12.300      c
## Control      6.500      d

EVALUAR LOS EFECTOS SIMPLES COMO Lulos

LSD.test(modelo_anova,c("Lulos"),
         console=TRUE)

## 
## Study: modelo_anova ~ c("Lulos")
## 
## LSD t Test for Lulos 
## 
## Mean Square Error:  2.921042 
## 
## Lulos,  means and individual ( 95 %) CI
## 
##      Lulos std r        se       LCL       UCL  Min  Max  Q25  Q50  Q75
## 4.8    4.8  NA 1 1.7091055  1.272580  8.327420  4.8  4.8  4.8  4.8  4.8
## 5.2    5.2   0 3 0.9867525  3.163443  7.236557  5.2  5.2  5.2  5.2  5.2
## 5.8    5.8  NA 1 1.7091055  2.272580  9.327420  5.8  5.8  5.8  5.8  5.8
## 8.2    8.2  NA 1 1.7091055  4.672580 11.727420  8.2  8.2  8.2  8.2  8.2
## 8.3    8.3   0 2 1.2085201  5.805737 10.794263  8.3  8.3  8.3  8.3  8.3
## 9.3    9.3  NA 1 1.7091055  5.772580 12.827420  9.3  9.3  9.3  9.3  9.3
## 10.3  10.3  NA 1 1.7091055  6.772580 13.827420 10.3 10.3 10.3 10.3 10.3
## 11.5  11.5  NA 1 1.7091055  7.972580 15.027420 11.5 11.5 11.5 11.5 11.5
## 12.3  12.3  NA 1 1.7091055  8.772580 15.827420 12.3 12.3 12.3 12.3 12.3
## 12.5  12.5  NA 1 1.7091055  8.972580 16.027420 12.5 12.5 12.5 12.5 12.5
## 13.1  13.1  NA 1 1.7091055  9.572580 16.627420 13.1 13.1 13.1 13.1 13.1
## 14.3  14.3  NA 1 1.7091055 10.772580 17.827420 14.3 14.3 14.3 14.3 14.3
## 16.1  16.1  NA 1 1.7091055 12.572580 19.627420 16.1 16.1 16.1 16.1 16.1
## 16.2  16.2  NA 1 1.7091055 12.672580 19.727420 16.2 16.2 16.2 16.2 16.2
## 17.2  17.2  NA 1 1.7091055 13.672580 20.727420 17.2 17.2 17.2 17.2 17.2
## 17.5  17.5  NA 1 1.7091055 13.972580 21.027420 17.5 17.5 17.5 17.5 17.5
## 18.2  18.2   0 2 1.2085201 15.705737 20.694263 18.2 18.2 18.2 18.2 18.2
## 18.5  18.5  NA 1 1.7091055 14.972580 22.027420 18.5 18.5 18.5 18.5 18.5
## 18.7  18.7  NA 1 1.7091055 15.172580 22.227420 18.7 18.7 18.7 18.7 18.7
## 19.2  19.2   0 2 1.2085201 16.705737 21.694263 19.2 19.2 19.2 19.2 19.2
## 19.7  19.7  NA 1 1.7091055 16.172580 23.227420 19.7 19.7 19.7 19.7 19.7
## 20.6  20.6  NA 1 1.7091055 17.072580 24.127420 20.6 20.6 20.6 20.6 20.6
## 21.1  21.1  NA 1 1.7091055 17.572580 24.627420 21.1 21.1 21.1 21.1 21.1
## 21.6  21.6  NA 1 1.7091055 18.072580 25.127420 21.6 21.6 21.6 21.6 21.6
## 22.1  22.1   0 2 1.2085201 19.605737 24.594263 22.1 22.1 22.1 22.1 22.1
## 23.1  23.1  NA 1 1.7091055 19.572580 26.627420 23.1 23.1 23.1 23.1 23.1
## 
## Alpha: 0.05 ; DF Error: 24
## Critical Value of t: 2.063899 
## 
## Groups according to probability of means differences and alpha level( 0.05 )
## 
## Treatments with the same letter are not significantly different.
## 
##      Lulos groups
## 23.1  23.1      a
## 22.1  22.1      a
## 21.6  21.6     ab
## 21.1  21.1    abc
## 20.6  20.6   abcd
## 19.7  19.7   abcd
## 19.2  19.2   abcd
## 18.7  18.7  abcde
## 18.5  18.5  abcde
## 18.2  18.2   bcde
## 17.5  17.5  bcdef
## 17.2  17.2 bcdefg
## 16.2  16.2 cdefgh
## 16.1  16.1  defgh
## 14.3  14.3  efghi
## 13.1  13.1  fghij
## 12.5  12.5  ghijk
## 12.3  12.3  ghijk
## 11.5  11.5   hijk
## 10.3  10.3   ijkl
## 9.3    9.3    jkl
## 8.3    8.3    klm
## 8.2    8.2    klm
## 5.8    5.8     lm
## 5.2    5.2      m
## 4.8    4.8      m

EVALUAR LOS EFECTOS COMPUESTOS PORQUE DIERON DIF. SIGNIF.EN LA INTERACCIÓN

resultados_lsd<-LSD.test(modelo_anova,c("DosisN","Aplicación"),
                         console=T)

## 
## Study: modelo_anova ~ c("DosisN", "Aplicación")
## 
## LSD t Test for Lulos 
## 
## Mean Square Error:  2.921042 
## 
## DosisN:Aplicación,  means and individual ( 95 %) CI
## 
##                           Lulos       std r        se      LCL      UCL  Min
## Control:BombaEspalda      5.875 1.6276261 4 0.8545528  4.11129  7.63871  4.8
## Control:Dron              7.125 1.9448650 4 0.8545528  5.36129  8.88871  5.2
## Ridomil_2cc:BombaEspalda 11.300 2.1039645 4 0.8545528  9.53629 13.06371  8.3
## Ridomil_2cc:Dron         13.300 2.4819347 4 0.8545528 11.53629 15.06371 10.3
## Ridomil_4cc:BombaEspalda 17.775 1.3375973 4 0.8545528 16.01129 19.53871 16.2
## Ridomil_4cc:Dron         18.275 0.6994045 4 0.8545528 16.51129 20.03871 17.5
## Ridomil_6cc:BombaEspalda 20.625 1.4268263 4 0.8545528 18.86129 22.38871 18.7
## Ridomil_6cc:Dron         21.625 1.4268263 4 0.8545528 19.86129 23.38871 19.7
##                           Max    Q25   Q50    Q75
## Control:BombaEspalda      8.3  5.100  5.20  5.975
## Control:Dron              9.3  5.650  7.00  8.475
## Ridomil_2cc:BombaEspalda 13.1 10.700 11.90 12.500
## Ridomil_2cc:Dron         16.1 11.950 13.40 14.750
## Ridomil_4cc:BombaEspalda 19.2 16.950 17.85 18.675
## Ridomil_4cc:Dron         19.2 18.025 18.20 18.450
## Ridomil_6cc:BombaEspalda 22.1 20.125 20.85 21.350
## Ridomil_6cc:Dron         23.1 21.125 21.85 22.350
## 
## Alpha: 0.05 ; DF Error: 24
## Critical Value of t: 2.063899 
## 
## least Significant Difference: 2.494263 
## 
## Treatments with the same letter are not significantly different.
## 
##                           Lulos groups
## Ridomil_6cc:Dron         21.625      a
## Ridomil_6cc:BombaEspalda 20.625     ab
## Ridomil_4cc:Dron         18.275     bc
## Ridomil_4cc:BombaEspalda 17.775      c
## Ridomil_2cc:Dron         13.300      d
## Ridomil_2cc:BombaEspalda 11.300      d
## Control:Dron              7.125      e
## Control:BombaEspalda      5.875      e

Crear un data frame con los resultados de la prueba LSD

resultados_lsd_df <- data.frame(
  DosisN_Aplicación = rownames(resultados_lsd$groups),
  Lulos = resultados_lsd$groups$Lulos,
  groups = resultados_lsd$groups$groups
)

Separar la columna DosisN_Aplicación en DosisN y Aplicación

resultados_lsd_df <- separate(resultados_lsd_df, 
                              DosisN_Aplicación, into = c("DosisN", "Aplicación"), 
                              sep = ":")

resultados_lsd_df$DosisN<-
  factor(resultados_lsd_df$DosisN, 
         levels = c("Ridomil_6cc",
                    "Ridomil_4cc", "Ridomil_2cc", "Control"))
resultados_lsd_df

##        DosisN   Aplicación  Lulos groups
## 1 Ridomil_6cc         Dron 21.625      a
## 2 Ridomil_6cc BombaEspalda 20.625     ab
## 3 Ridomil_4cc         Dron 18.275     bc
## 4 Ridomil_4cc BombaEspalda 17.775      c
## 5 Ridomil_2cc         Dron 13.300      d
## 6 Ridomil_2cc BombaEspalda 11.300      d
## 7     Control         Dron  7.125      e
## 8     Control BombaEspalda  5.875      e

Crear un gráfico de barras agrupadas

library(ggplot2)

ggplot(resultados_lsd_df, aes(x = DosisN, y = Lulos, fill = Aplicación, label = groups)) +
  geom_bar(position = "dodge", stat = "identity") +
  labs(title = "Comparación de Medias Significativas",
       x = "Dosis", y = "Lulos/Planta") +
  scale_fill_manual(values = c("Dron" = "blue", "BombaEspalda" = "green")) +
  theme_minimal() +
  theme(legend.position = "top")

Visualizar todas las paletas disponibles

display.brewer.all()

Crear un gráfico de barras agrupadas con paleta pastel

ggplot(resultados_lsd_df, aes(x = DosisN, y = Lulos, fill = Aplicación, label = groups)) +
  geom_bar(position = "dodge", stat = "identity") +
  labs(title = "Comparación de Medias Significativas",
       x = "Dosis N", y = "Lulos/planta") +
  scale_fill_brewer(palette = "Blues") +  
  theme_minimal() +
  theme(legend.position = "top")

Colocando los nombres

Crear un gráfico de barras agrupadas con paleta pastel

Aumentar el tamaño de letra

library(ggplot2)

ggplot(resultados_lsd_df, aes(x = DosisN, y = Lulos, fill = Aplicación, label = groups)) +
  geom_bar(position = "dodge", stat = "identity") +
  geom_text(position = position_dodge(width = 0.9),    
            vjust = -0.5,                              
            aes(group = Aplicación),                      
            size = 4) +                                
  labs(title = "Comparación de Medias Significativas",
       x = "Dosis N", y = "Lulos/planta") +
  scale_fill_brewer(palette = "Blues") +  
  theme_minimal() +
  theme(legend.position = "top")

Trabajo 2 DCA Y DBCA

Luis Fernando Rosero Males

2023-12-08

Instalar paquetes y sus dependencias ——————

Crear un vector de paquetes

Script para instalar y cargar librerias y dependencias

Datos

Verificar Valores atípicos

ANOVA bifactorial para un DCA ———-

Realizar el análisis de varianza (ANOVA)

Verificar Normalidad mediante prueba de Shapiro

Homogeneidad de varianzas ——————-

Calcular los residuos del modelo ANOVA

Agrupar los residuos por los niveles de las interacciones

Realizar la prueba de homogeneidad de varianzas con fligner.test

Gráfico

Obtener los valores ajustados (fitted values)

Crear un gráfico de residuos estandarizados vs. valores ajustados

Otra forma de verificar los supuestos:

Obtener lsmeans (medias ajustadas) para la interacción

EVALUAR LOS EFECTOS SIMPLES COMO “DosisN”

EVALUAR LOS EFECTOS SIMPLES COMO Lulos

EVALUAR LOS EFECTOS COMPUESTOS PORQUE DIERON DIF. SIGNIF.EN LA INTERACCIÓN

Crear un data frame con los resultados de la prueba LSD

Separar la columna DosisN_Aplicación en DosisN y Aplicación

Crear un gráfico de barras agrupadas

Visualizar todas las paletas disponibles

Crear un gráfico de barras agrupadas con paleta pastel

Colocando los nombres

Crear un gráfico de barras agrupadas con paleta pastel

Aumentar el tamaño de letra