Para iniciar se instalará el paquete de importación “data.table”. En este ejemplo resulta útil para importar un archivo en formato “txt”. En caso se cuente con el paquete ya instalado, omitir este paso.

install.packages("data.table")

Invocar ahora la biblioteca data.table

library(data.table)

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

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

Para visualizar el contenido de los primeros seis registros del archivo “DBAc” ejecute lo siguiente:

print(head(DBAc))

Definición del modelo y análisis de la varianza

Se crea un objeto tipo factor TRBc con la columna Nema (tratamientos)

TRBc<- factor(DBAc$Nema)

Se crea un objeto tipo factor BLOQc con la columna Bloque

BLOQc<-factor(DBAc$Bloque)

Se crea un vector de datos NVc con la columna NV (variable de respuesta)

NVc<-as.vector(DBAc$NV)

Luego el vector NVc se convierte a un vector NVc1 de tipo numérico

NVc1<-as.numeric(NVc)

Diagrama de cajas de dispersión (Box plot)

boxplot(split(NVc1,TRBc),xlab="Nematicidas", ylab="Número de nematodos vivos")

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

cont<-aov(NVc1~ TRBc+BLOQc)
anova(cont)

Se invoca para su uso el paquete “agricolae”

library(agricolae)

Coeficiente de variación

cv.model(cont)

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(cont$res)

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

library(car)
qqPlot(cont)

Gráfico de predichos contra residuos estandarizados

para evaluar los supuestos de homogeneidad de varianzas e independencias

Función genérica que extrae los valores predichos

fitc <- fitted(cont)
res_stc <- rstandard(cont)

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

plot(fitc,res_stc,xlab="Valores predichos", ylab="Residuos estandarizados",abline(h=0))

Prueba de homocedasticidad (homogeneidad de las varianzas)

Prueba de Bartlett

bartlett.test(NVc1 ~ TRBc)

Prueba de Levene

leveneTest(NVc1 ~ TRBc, center = "median")

Construcción de la matriz de contrastes

Los contrastes y coeficientes deben ser definidos por el investigador

contraste <- rbind(c(-5,1,1,1,1,1),c(0,1,1,1,-4,1),c(0,-1,1,-1,0,1),c(0,-1,0,1,0,0),c(0,0,-1,0,0,1))
filas<-c("Test vs Otros","Carb vs Oxamyl","Oxf vs Oxs","Oxf1.5f vs Ox2f","Oxf1.5s vs Ox2s")
columnas<-c("Test","Ox1.5f","Ox1.5s","Ox2f","Carb","Ox2s")  
dimnames(contraste)<-list(filas,columnas)
dimnames(contraste)
contraste

Prueba de significancia de contrastes

Para realizar la prueba de significancia de contrastes, es necesario adicionar el paquete multcomp Para instalarlo ejecute:

install.packages('multcomp')

Se invoca para su uso el paquete “multcomp”

library(multcomp)
compara <-glht(cont, linfct = mcp(TRBc= contraste))
summary(compara)

Para borrar todos los objetos del Script, ejecute:

rm(list=ls())

Regresar a la página principal de Scripts