Comparaciones Múltiples con easyano para DBCA

A continuación se presenta una explicación detallada sobre las pruebas de comparaciones múltiples, sus fundamentos teóricos, fórmulas e interpretaciones en el contexto de la ingeniería agrícola, incluyendo el análisis de los resultados que mencionas.

📊 Fundamentos Teóricos de las Comparaciones Múltiples

Después de realizar un ANOVA y encontrar diferencias significativas entre los tratamientos, surge la necesidad de identificar qué tratamientos son diferentes entre sí. Las pruebas de comparaciones múltiples (o post-hoc) resuelven este problema, pero su uso conlleva un riesgo: la inflación del error de Tipo I (rechazar una hipótesis nula que en realidad es verdadera).

Si realizamos muchas comparaciones por pares, la probabilidad de cometer al menos un error de Tipo I aumenta considerablemente. Por ejemplo, con 3 tratamientos hay 3 comparaciones; con 5 tratamientos, hay 10. Para controlar esta tasa de error, se han desarrollado diferentes procedimientos que ajustan el nivel de significancia de cada comparación individual.

  • Tasa de Error por Comparación (αPC): Es la probabilidad de cometer un error de Tipo I en una única comparación.
  • Tasa de Error por Experimento (αPE): Es la probabilidad de cometer al menos un error de Tipo I en todo el conjunto de comparaciones. La relación es: αPE ≈ 1 - (1 - αPC)^C, donde C es el número de comparaciones.

El objetivo de las pruebas post-hoc es mantener la αPE en un nivel aceptable (usualmente 0.05) mientras se realizan múltiples comparaciones.

📋 Pruebas de Comparaciones Múltiples: Fórmulas y Usos

A continuación, se detallan las pruebas más comunes, incluyendo las que aparecen en tus resultados.

1. Prueba de Tukey (HSD - Honestamente Significativa)

  • Teoría y Uso: Es una de las pruebas más utilizadas y robustas. Controla la tasa de error por experimento (αPE) para todas las comparaciones por pares posibles. Es ideal cuando el número de tratamientos es moderado y se desea una comparación exhaustiva. Utiliza la distribución del rango estudentizado.
  • Fórmula: La diferencia mínima significativa se calcula como: \[ HSD = q_{\alpha, k, N-k} \sqrt{\frac{CM_{Error}}{n}} \] Donde:
    • \(q\): Valor crítico de la tabla de Tukey (rango estudentizado).
    • \(\alpha\): Nivel de significancia (ej. 0.05).
    • \(k\): Número de tratamientos.
    • \(N-k\): Grados de libertad del error.
    • \(CM_{Error}\): Cuadrado Medio del Error del ANOVA.
    • \(n\): Número de repeticiones por tratamiento.
    • Decisión: Si la diferencia absoluta entre dos medias es mayor que el valor HSD, se concluye que son significativamente diferentes.

2. Prueba de Duncan (DMRT - Rango Múltiple de Duncan)

  • Teoría y Uso: Es una prueba de rango múltiple secuencial. Es menos conservadora que Tukey (es decir, es más probable encontrar diferencias), pero a costa de un mayor riesgo de error de Tipo I. Se usa comúnmente en ensayos exploratorios donde el objetivo es identificar posibles diferencias, aunque con mayor cautela en su interpretación.
  • Fórmula: Utiliza un valor de “rango” que varía según la distancia (p) entre las medias ordenadas. La diferencia mínima se calcula como: \[ DMS = r_{\alpha}(p, gl_{error}) \sqrt{\frac{CM_{Error}}{n}} \] Donde \(r_{\alpha}(p, gl_{error})\) es el valor de la tabla de Duncan, que depende del número de medias abarcadas en la comparación (p).

3. Prueba de Student-Newman-Keuls (SNK)

  • Teoría y Uso: También es una prueba de rango múltiple secuencial. Es un punto intermedio entre Tukey y Duncan en cuanto a conservadurismo. Al igual que Duncan, su poder de detección aumenta para comparaciones entre medias adyacentes, pero es más estricta para diferencias entre grupos extremos.
  • Fórmula: Similar a Duncan, pero el valor crítico se obtiene de la tabla del rango estudentizado de Tukey, variando según el número de pasos (p): \[ K_p = q_{\alpha}(p, gl_{error}) \sqrt{\frac{CM_{Error}}{n}} \] Donde \(q_{\alpha}(p, gl_{error})\) es el valor del rango estudentizado.

4. Prueba t (LSD - Mínima Diferencia Significativa)

  • Teoría y Uso: Es el método más simple, propuesto por Fisher. Consiste en realizar pruebas t para cada par de medias. Su principal desventaja es que no controla la tasa de error por experimento, por lo que su uso se recomienda solo cuando el número de tratamientos es pequeño (ej. 3 o 4) o cuando las comparaciones son planificadas (contrastes).
  • Fórmula: Para muestras de igual tamaño (n): \[ LSD = t_{\alpha/2, gl_{error}} \sqrt{\frac{2 \cdot CM_{Error}}{n}} \] Donde \(t_{\alpha/2, gl_{error}}\) es el valor crítico de la distribución t de Student con los grados de libertad del error.

🌱 Interpretación de los Resultados en el Ejemplo

Los resultados que se muestran son de la función ea1 de R, que realiza múltiples pruebas simultáneamente. Vamos a interpretarlos:

     pair contrast p(tukey) p(snk) p(duncan)   p(t)
1 T3 - T2        2   0.1432 0.0705    0.0705 0.0705
2 T3 - T1        4   0.0175 0.0175    0.0088 0.0081
3 T2 - T1        2   0.1432 0.0705    0.0705 0.0705
  • Comparación T3 vs. T1 (contraste = 4):
    • Todas las pruebas (Tukey, SNK, Duncan, t) arrojan un valor p < 0.05.
    • Conclusión: Existe una diferencia estadísticamente significativa en el rendimiento entre la variedad T3 y la variedad T1. T3 produce, en promedio, 4 unidades más que T1. Agronómicamente, esto sugiere que T3 es superior a T1 en las condiciones del ensayo.
  • Comparación T3 vs. T2 (contraste = 2) y T2 vs. T1 (contraste = 2):
    • Todas las pruebas arrojan un valor p > 0.05 (Tukey = 0.1432, SNK = 0.0705, Duncan = 0.0705, t = 0.0705).
    • Conclusión: No hay evidencia suficiente para afirmar que el rendimiento de T3 y T2, o el de T2 y T1, sean diferentes. Aunque T2 tiene una media numéricamente mayor que T1 (5 vs 3), la diferencia no es lo suficientemente grande como para ser declarada significativa con los datos actuales. Se necesitaría más evidencia (más repeticiones o menor variabilidad) para detectar una diferencia de esa magnitud.

Observación importante sobre las pruebas: Nota que los valores p para SNK, Duncan y t son idénticos en este caso particular. Esto puede ocurrir en diseños pequeños y balanceados, pero en general, las pruebas diferirán en su poder y conservadurismo. Tukey es la más conservadora (valor p más alto), mientras que Duncan y SNK son más liberales. La prueba t (LSD) , al no corregir por comparaciones múltiples, suele tener los valores p más bajos, pero con mayor riesgo de error.

💎 En Resumen

Las pruebas de comparaciones múltiples son herramientas esenciales en la ingeniería agrícola para tomar decisiones basadas en evidencia (selección de variedades, dosis de fertilizantes, etc.). La elección de la prueba depende del balance entre el control del error de Tipo I y el poder para detectar diferencias reales.

  • Usa Tukey para un control estricto del error cuando necesitas comparar todos los pares.
  • Usa Duncan o SNK para un análisis más exploratorio, entendiendo que el riesgo de falsos positivos es mayor.
  • Usa LSD (t) solo en situaciones controladas con pocos tratamientos.

En el ejemplo, la conclusión clara es que la Variedad T3 supera a la T1, mientras que la posición de la T2 es intermedia y no se diferencia estadísticamente de ninguna de las otras dos.

Concepto de contraste

En estadística experimental, un contraste es una combinación lineal de las medias de los tratamientos cuyos coeficientes suman cero. Sirve para formular y probar hipótesis específicas sobre los tratamientos, más allá de la hipótesis general del ANOVA (“al menos una media es diferente”).

Formalmente, si hay \(k\) tratamientos con medias \(\mu_1, \mu_2, \dots, \mu_k\), un contraste se define como:

\[ C = \sum_{i=1}^{k} c_i \mu_i \]

donde los coeficientes \(c_i\) cumplen la restricción:

\[ \sum_{i=1}^{k} c_i = 0 \]

El contraste estimado a partir de los datos es:

\[ \hat{C} = \sum_{i=1}^{k} c_i \bar{y}_i \]

y su varianza estimada (para un DBCA con \(n\) repeticiones por tratamiento) es:

\[ \widehat{Var}(\hat{C}) = CM_{Error} \sum_{i=1}^{k} \frac{c_i^2}{n_i} \]

Para comparaciones por pares, como las de tu tabla, el contraste es simplemente la diferencia entre dos medias:

\[ C = \mu_i - \mu_j \]

con coeficientes \(c_i = +1\), \(c_j = -1\), y el resto cero. El contraste estimado es:

\[ \hat{C} = \bar{y}_i - \bar{y}_j \]

y su error estándar, si hay igual número de repeticiones \(n\):

\[ SE(\hat{C}) = \sqrt{\frac{2 \, CM_{Error}}{n}} \]

La prueba de hipótesis para un contraste es:

\[ H_0: C = 0 \quad \text{vs.} \quad H_1: C \neq 0 \]

El estadístico de prueba es:

\[ t = \frac{\hat{C}}{SE(\hat{C})} \]

o equivalentemente \(F = t^2\). Los valores \(p\) que aparecen en la tabla evalúan esta hipótesis utilizando distintos procedimientos de comparaciones múltiples (Tukey, SNK, Duncan, t).

Uso de los contrastes en Ingeniería Agrícola

Los contrastes permiten responder preguntas agronómicas concretas, por ejemplo:

  • ¿La variedad nueva supera al testigo?
  • ¿Existe una tendencia lineal en el rendimiento al aumentar la dosis de fertilizante?
  • ¿El promedio de dos variedades mejoradas es superior a una variedad tradicional?
  • ¿El efecto de un riego suplementario es diferente según el tipo de suelo?

En un DBCA, después de encontrar diferencias significativas entre tratamientos, los contrastes ayudan a identificar dónde están esas diferencias y a cuantificar su magnitud. No todos los contrastes son comparaciones por pares; también pueden ser contrastes ortogonales que particionan la suma de cuadrados de tratamientos en componentes independientes (por ejemplo, lineal, cuadrático, control vs. resto).

Explicación en la tabla de resultados

La tabla que obtuviste con easyanova es:

     pair contrast p(tukey) p(snk) p(duncan)   p(t)
1 T3 - T2        2   0.1432 0.0705    0.0705 0.0705
2 T3 - T1        4   0.0175 0.0175    0.0088 0.0081
3 T2 - T1        2   0.1432 0.0705    0.0705 0.0705

¿Qué representa la columna contrast?

La columna contrast contiene el valor estimado del contraste, es decir, la diferencia entre las medias de los dos tratamientos comparados. En este caso, las medias son:

\[ \bar{T}_1 = 3, \quad \bar{T}_2 = 5, \quad \bar{T}_3 = 7 \]

Por lo tanto:

  • T3 – T2 = \(7 - 5 = 2\)
  • T3 – T1 = \(7 - 3 = 4\)
  • T2 – T1 = \(5 - 3 = 2\)

Así, el “contraste” es la magnitud de la diferencia observada en kg/planta. El signo indica la dirección: positivo significa que el primer tratamiento tiene mayor rendimiento que el segundo.

¿Qué significan los valores p?

Los valores p de las columnas p(tukey), p(snk), p(duncan) y p(t) prueban la hipótesis nula de que el contraste poblacional es cero, es decir, que no hay diferencia entre las medias de esos dos tratamientos. Cada columna corresponde a un método distinto de ajuste por comparaciones múltiples.

  • T3 – T1 (contraste = 4):
    • Todos los valores p son menores que 0.05 (\(0.0175\), \(0.0175\), \(0.0088\), \(0.0081\)).
    • Conclusión: Se rechaza \(H_0\). Existe una diferencia estadísticamente significativa entre T3 y T1. T3 rinde en promedio 4 kg/planta más que T1.
  • T3 – T2 (contraste = 2):
    • Todos los valores p son mayores que 0.05 (\(0.1432\), \(0.0705\), \(0.0705\), \(0.0705\)).
    • Conclusión: No se rechaza \(H_0\). No hay evidencia suficiente para afirmar que T3 y T2 difieran en rendimiento, aunque la diferencia observada sea de 2 kg/planta.
  • T2 – T1 (contraste = 2):
    • Todos los valores p son mayores que 0.05.
    • Conclusión: No se rechaza \(H_0\). No hay evidencia suficiente para afirmar que T2 y T1 difieran en rendimiento.

Interpretación agronómica

El contraste de 4 kg/planta entre T3 y T1 es grande y consistente: todas las pruebas lo detectan como significativo. Esto sugiere que la variedad T3 es agronómicamente superior a T1 en las condiciones del ensayo.

Los contrastes de 2 kg/planta (T3 vs. T2 y T2 vs. T1) no alcanzan significancia estadística. Esto puede deberse a que la variabilidad residual (4 en la SCError) aún es alta en relación con esa diferencia, o a que el número de repeticiones (3 bloques) es pequeño. La variedad T2 queda en una posición intermedia: numéricamente supera a T1 y es superada por T3, pero no se diferencia estadísticamente de ninguna de las dos.

En resumen, la columna contrast cuantifica la diferencia entre medias; los valores p indican si esa diferencia es o no estadísticamente significativa. En tu caso, solo el contraste T3 – T1 es significativo, lo que lleva a recomendar T3 sobre T1, mientras que T2 no muestra una ventaja clara frente a las otras dos.