Para iniciar se instalará el paquete de importación “data.table”. En este caso resulta útil para importar un archivo en formato “txt”

install.packages("data.table")

Invocar ahora la biblioteca data.table

library(data.table)

Importe el archivo “DCA.txt” desde una ubicación en Internet y cree el objeto DCA de la siguiente manera:

DCA<- fread("https://archive.org/download/byrong_DCA/DCA.txt",header=T, sep="\t", dec=",")

Para visualizar el contenido de los primeros seis registros del archivo “DCA” ejecute:

print(head(DCA))

Definición del modelo y análisis de la varianza

Es necesario cargar en la memoria las variables del archivo DCA, para acceder directamente a cada una de ellas. Esto se logra mediante el uso del comando “attach”

attach(DCA)

Se crea un objeto tipo factor TR con la columna Trat. Un factor es una variable categórica con un número finito de valores o niveles

TR<- factor(Trat)

Se crea un vector de datos Y1 con la columna LR (variable de respuesta)

Y1<-as.vector(LR)

Luego el vector Y1 se convierte a un vector Y2 de tipo numérico

Y2<-as.numeric(Y1)

Solicitar un Diagrama de cajas de dispersión (Box plot)

plot(Y2~TR, xlab="Sustratos", ylab="Longitud de  raiz")

Análisis de varianza usando la función (aov) Analysis of Variance

resultado<-aov(Y2~TR)
anova(resultado)

El Lenguaje R funciona mediante la adición de paquetes elaborados por diferentes usuarios. Cada paquete puede realizar operaciones o cálculos específicos. Para el caso de las Ciencias Agronómicas, la Universidad Nacional Agraria La Molina de Perú a través de Felipe de Mendiburu ha creado el paquete agricolae. Para instarlo ejecute lo siguiente:

install.packages('agricolae')

Se invoca para su uso el paquete “agricolae”

library(agricolae)

Para obtener la cita de la biblioteca agricolae, ejecute:

citation("agricolae")

Solicitar el Coeficiente de variación

cv.model(resultado)

Análisis de varianza usando la función modelo lineal (lm) Linear model

mod <- lm(Y2~TR)
anova(mod , test="F")

Evaluación de los Supuestos del modelo estadístico matemático

Prueba de normalidad mediante el estadístico de Shapiro-Wilk

Hipótesis

Ho: Los residuos siguen la distribución normal

Ha: Los residuos no siguen la distribución normal

Prueba de normalidad de Shapiro-wilk para los residuos

shapiro.test(mod$res)

Para construir el gráfico QQ plot y verificar la normalidad, es necesario adicionar el paquete car Para instalarlo ejecute:

install.packages('car')

Se invoca para su uso el paquete “car”

library(car)

Solicitar el gráfico de QQ plot

qqPlot(resultado)

Gráfico de predichos contra residuos estandarizados

Para evaluar los supuestos de homogeneidad de varianzas e independencia de los residuos, obtenga los valores predichos y los residuos de la siguiente manera:

Valores predichos

fit <- fitted(resultado)

Residuos del modelo

res <- residuals(resultado)

Residuos estandarizados

res_standard <- rstandard(resultado)

Residuos estudiantizados

res_student <- rstudent(resultado)

Gráfico de predichos contra residuos estandarizados para verificar la homogeneidad de varianzas e independencia de los residuos

plot(fit,res_standard,xlab="Valores predichos", ylab="Residuos estandarizados",abline(h=0))

Prueba de homocedasticidad (homogeneidad de las varianzas)

Prueba de Bartlett

bartlett.test(Y2~TR)

Prueba de Levene

leveneTest(Y2~TR, center = "median")

Pruebas de comparación múltiple de medias

Método de la diferencia mínima significativa, Least Significant Difference (LSD)

outLSD <-LSD.test(resultado, "TR",console=TRUE)

Prueba de Tukey

outHSD<-HSD.test(resultado, "TR",console=TRUE)

Prueba de Student-Newman-Keuls (SNK)

SNK.test(resultado, "TR",console=TRUE)

Prueba de Scheffé

scheffe.test(resultado, "TR",console=TRUE)

Prueba de Duncan

duncan.test(resultado, "TR",console=TRUE)

Prueba de Bonferroni

LSD.test(resultado, "TR", p.adj= "bon",console=TRUE)

Prueba de Scott-Knott

Para realizar la prueba de Scott-Knott es necesario adicionar el paquete ScottKnott

install.packages('ScottKnott')

Se invoca para su uso el paquete “ScottKnott”

library(ScottKnott)

Se realiza la prueba con un nivel de significancia de 5%, utilizando la información del modelo generado con la función aov

sk <- SK(resultado, which= "TR",  dispersion="se", sig.level=0.05)
summary(sk)

Para desvincular de la memoria las variables archivo DCA, ejecute:

detach(DCA)

Para borrar todos los objetos del Script, ejecute:

rm(list=ls())

Regresar a la página principal de Scripts