Se instalará el paquete “data.table”, útil para importar un archivo en formato “txt” (En caso ya tenga instalado el paquete obviar este paso)

install.packages("data.table")

Invocar ahora la biblioteca “data.table”

library(data.table)

Importar el archivo “DBA1.txt” desde una ubicación en Internet y crear el objeto DBA

DBA <- fread("https://archive.org/download/byrong_DBA1/DBA1.txt",header=T, sep="\t", dec=",")

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

print(head(DBA))

Definición del modelo y análisis de la varianza

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

attach(DBA)

Se crea un objeto tipo factor TRB con la columna Material (tratamientos)

TRB<- factor(DBA$Material)

Se crea un objeto tipo factor BLOQ con la columna Bloque

BLOQ<-factor(DBA$Bloque)

Se crea un vector de datos ALT con la columna Altura (variable de respuesta)

ALT<-as.vector(DBA$Altura)

Luego el vector ALT se convierte a un vector ALT1 de tipo numérico

ALT1<-as.numeric(ALT)

Diagrama de cajas de dispersión (Box plot)

Para que aparezca un solo gráfico en la pantalla, ejecute

par(mfrow=c(1,1))

A manera de ejemplo se presenta el siguiente conjunto de Box plots

boxplot(split(ALT1,TRB),xlab="Clones de eucalipto", ylab="Altura en metros")

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

resaov<-aov(ALT1 ~ BLOQ + TRB)
anova(resaov)

Se invoca para su uso el paquete “agricolae”

library(agricolae)

Coeficiente de variación

cv.model(resaov)

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

euc.lm <- lm(ALT1 ~ BLOQ + TRB)
anova(euc.lm , test="F")

Evaluación de los Supuestos del modelo estadístico matemático

Prueba de normalidad Shapiro-Wilk

Hipótesis

Ho: Los residuos siguen la distribución normal

Ha: Los residuos no siguen la distribución normal

Prueba de normalidad Shapiro-wilk para los residuos

shapiro.test(euc.lm$res)

Para construir el gráfico QQ plot y verificar la normalidad, se invoca el paquete “car”

library(car)

Gráfico de QQ plot

qqPlot(resaov)

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

fitb <- fitted(resaov)

Residuos estandarizados

res_stb <- rstandard(resaov)

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

plot(fitb,res_stb,xlab="Valores predichos", ylab="Residuos estandarizados",abline(h=0))

Prueba de homocedasticidad (homogeneidad de las varianzas)

Prueba de Bartlett

bartlett.test(ALT1 ~ TRB)

Prueba de Levene

leveneTest(ALT1~TRB, center = "median")

Pruebas de comparación múltiple de medias

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

outLSD <-LSD.test(resaov, "TRB",console=TRUE)

Prueba de Tukey

outHSD<-HSD.test(resaov, "TRB",console=TRUE)

Prueba de Student-Newman-Keuls (SNK)

SNK.test(resaov, "TRB",console=TRUE)

Prueba de Scheffé

scheffe.test(resaov, "TRB",console=TRUE)

Prueba de Duncan

duncan.test(resaov, "TRB",console=TRUE)

Prueba de Bonferroni

LSD.test(resaov, "TRB", p.adj= "bon",console=TRUE)

Prueba de Scott-Knott

Para realizar la prueba de Scott-Knot, se invoca 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(resaov, which= "TRB",  dispersion="se", sig.level=0.05)
summary(sk)

Para desvincular de la memoria las variables archivo DBA, ejecute lo siguiente:

detach(DBA)

Para borrar todos los objetos del Script, ejecute lo siguiente:

rm(list=ls())

Regresar a la página principal de Scripts