Independencia_Errores_y_Compraciones_DBCA

1. Independencia: Explicación formal

En un Diseño en Bloques Completos al Azar (DBCA), el modelo lineal usual es:

\[ Y_{ij}=\mu+\tau_i+\beta_j+\varepsilon_{ij} \]

donde:

• \(Y_{ij}\): respuesta observada en el tratamiento \(i\) dentro del bloque \(j\).
• \(\mu\): media general.
• \(\tau_i\): efecto del tratamiento \(i\).
• \(\beta_j\): efecto del bloque \(j\).
• \(\varepsilon_{ij}\): error aleatorio asociado a la parcela o unidad experimental \((i,j)\).

La independencia de los errores significa que:

\[ \varepsilon_{ij} \perp \varepsilon_{kl} \]

para todo par de unidades experimentales distintas, es decir, \((i,j)\neq(k,l)\).

Formalmente, esto implica que:

\[ \text{Cov}(\varepsilon_{ij},\varepsilon_{kl})=0 \]

y, si se asume normalidad,

\[ \varepsilon_{ij}\sim N(0,\sigma^2) \]

de manera independiente e idénticamente distribuida, abreviado como:

\[ \varepsilon_{ij}\sim \text{iid } N(0,\sigma^2) \]

Matricialmente, esto equivale a:

\[ \text{Cov}(\boldsymbol{\varepsilon})=\sigma^2 I \]

donde \(I\) es la matriz identidad. Es decir, la matriz de covarianzas de los errores es diagonal: no hay covarianza entre errores de parcelas distintas.

Un punto clave: en el DBCA no se exige que las observaciones originales sean independientes entre sí, porque las parcelas de un mismo bloque pueden parecerse debido al efecto del bloque. Lo que debe ser independiente es el error o residual después de descontar el efecto de la media, los tratamientos y los bloques.

Si los bloques se consideran aleatorios, también se asume normalmente que los efectos de bloque son independientes entre sí y respecto a los errores.

---

2. Independencia: Explicación sencilla en Ingeniería Agrícola

Imagina un ensayo de campo para comparar cuatro dosis de riego en un cultivo. El DBCA agrupa parcelas parecidas en bloques, por ejemplo, según pendiente, tipo de suelo o profundidad de suelo. Dentro de cada bloque se sortean los tratamientos.

Después de quitar el efecto del tratamiento y del bloque, queda un “ruido” llamado error: diferencias por humedad, nutrientes, plagas, compactación, sombra, manejo, etc.

Que los errores sean independientes significa que el error de una parcela no debe estar copiado ni arrastrado por el error de otra parcela. Si una parcela tiene un poco más de agua por filtración, eso no debería hacer que la parcela vecina también tenga más agua. Si ocurre eso, los errores son dependientes.

Una analogía: es como preguntar la opinión a varias personas. Si son personas distintas y responden por separado, sus respuestas pueden considerarse independientes. Pero si son gemelos que piensan igual y uno influye en el otro, crees tener más información de la que realmente tienes. En campo pasa algo parecido cuando las parcelas vecinas comparten agua, nutrientes, plagas o microclima.

¿Por qué importa en Ingeniería Agrícola?

Porque si los errores no son independientes:

• El ANOVA puede dar pruebas F inválidas.
• Los valores \(p\) pueden ser falsos.
• Las comparaciones de medias, como Tukey o Duncan, pueden llevar a conclusiones equivocadas.
• Se puede sobreestimar o subestimar el efecto real del riego, fertilizante, variedad o maquinaria.
• Se toman decisiones agronómicas con base en resultados poco confiables.

¿Cómo se busca cumplir la independencia?

• Aleatorizando bien los tratamientos dentro de cada bloque.
• Usando bloques homogéneos.
• Dejando bordes o calles de amortiguamiento.
• Evitando que las parcelas compartan agua, fertilizante o plagas.
• Manejando todas las parcelas de forma uniforme.
• Usando modelos mixtos, correlación espacial o medidas repetidas si hay dependencia por vecindad o por tiempo.

En resumen: la independencia de errores en el DBCA significa que el residual de cada parcela es una señal aleatoria separada; no hay correlación entre residuales de parcelas distintas. Es un supuesto clave para que las conclusiones estadísticas y agronómicas sean válidas.

3. Independencia: Formulación de la matriz de covarianzas

Matemáticamente, para cualquier par de unidades experimentales distintas \((i, j) (k, l)\), la independencia implica que la covarianza entre sus errores es nula:

\[({ij}, {kl}) = 0\]

Bajo el supuesto de normalidad, los errores se definen como variables independientes e idénticamente distribuidas:

\[_{ij} N(0, ^2)\]

En representación matricial, la estructura se formula como:

\[() = ^2 \]

donde: * \(\) representa el vector de errores residuales. * \(^2\) es la varianza común del error. * \(\) es la matriz identidad.

Esta formulación resulta en una matriz diagonal: los elementos fuera de la diagonal principal son cero (sin covarianza entre parcelas distintas) y los elementos sobre la diagonal corresponden a la varianza constante \(^2\).

---

2. Independencia: Ejemplo práctico en ingeniería agrícola

Imagina un ensayo en campo diseñado para comparar cuatro dosis de riego en un cultivo:

1. Diseño de bloques: Se agrupan las parcelas parecidas en bloques según características del terreno como la pendiente, el tipo de suelo o su profundidad.
2. Definición del error: Tras remover los efectos explicados por el riego y por el bloque, el residuo o “ruido” (\(_{ij}\)) se debe a pequeñas variaciones no controladas de humedad, nutrientes, plagas o compresión del suelo.
3. Independencia en la práctica:
   • Errores independientes: Una parcela que acumula un exceso puntual de humedad no altera las condiciones de la parcela vecina.
   • Errores dependientes: Si existe escorrentía o filtración de agua entre parcelas contiguas, el error de una parcela condiciona al de la otra. Es equivalente a encuestar a dos personas en las que una influye directamente en la opinión de la otra, aparentando mayor cantidad de información de la que realmente existe.

---

3. Independencia: Consecuencias de la dependencia de errores

Cuando el error de una parcela está condicionado por el de otra, los supuestos del modelo se violan y afectan la inferencia estadística:

• Pruebas \(F\) y valores \(p\) inválidos: El Análisis de Varianza (ANOVA) pierde validez, arrojando falsos positivos o sesgos en los niveles de significancia.
• Comparaciones de medias erróneas: Pruebas de rangos múltiples como Tukey o Duncan llevan a conclusiones equivocadas.
• Distorsión del efecto del tratamiento: Se sobreestima o subestima el impacto real del riego, fertilizante o variedad evaluada.
• Malas decisiones técnicas: Se toman decisiones agronómicas basadas en resultados no confiables.

4: 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).

---

5. 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.