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 “Brocoli” desde una ubicación en Internet y cree el objeto “Fact” de la siguiente manera:

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

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

print(head(Fact))

Definición del modelo y análisis de la varianza

Se crea un objeto tipo factor FA con la columna Híbrido

FA<- factor(Fact$Hib)

Se crea un objeto tipo factor FB con la columna Distancia

FB<- factor(Fact$Dist)

Se crea un objeto tipo factor BLF con la columna Bloque

BLF<-factor(Fact$Bloque)

Se crea un vector de datos Ren con la columna Rendimiento

Ren<-as.vector(Fact$Rend)

Luego el vector Ren se convierte a un vector Ren1 de tipo numérico

Ren1<-as.numeric(Ren)

Diagrama de Interacción Para visualizar la interacción entre los efectos de dos factores (híbridos y distancias)

interaction.plot( FB,FA,Ren1, fixed=T, xlab="Distanciamiento", ylab="Rendimiento",col = "blue")

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

fac.aov <- anova(aov(Ren1 ~ BLF + FA*FB))

Para visualizar el contenido del anova “fac.aov” ejecute:

print(fac.aov)

Otra forma de realizar el Análisis de varianza

modf<-aov(Ren1 ~ BLF + FA+FB+FA:FB)
summary(modf)

Se invoca para su uso el paquete “agricolae”

library(agricolae)

Coeficiente de variación

cv.model(modf)

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(modf$res)

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

library(car)
qqPlot(modf)

Gráfico de predichos contra residuos estandarizados

para evaluar los supuestos de homogeneidad de varianzas e independencias

Valores predicho

fitf <- fitted(modf)

Residuos estandarizados

res_stf <- rstandard(modf)

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

plot(fitf,res_stf,xlab="Valores predichos", ylab="Residuos estandarizados",abline(h=0))

Pruebas de comparación múltiple de medias

Prueba de Tukey

Para el factor A (Híbridos)

outHSDFA<-HSD.test(modf, "FA",console=TRUE)

Para el factor B (Distanciamientos)

outHSDFB<-HSD.test(modf, "FB",console=TRUE)

Para la interacción

outf<-HSD.test(modf,c("FA","FB"),main="Ren1 ~ BLF + FA+FB+FA:FB",console=TRUE)

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

Para el factor A (Híbridos)

outLSD <-LSD.test(modf,c("FA"),main="Ren1 ~ BLF + FA+FB+FA:FB",console=TRUE)

Para el factor B (Distanciamientos)

outLSD <-LSD.test(modf,c("FB"),main="Ren1 ~ BLF + FA+FB+FA:FB",console=TRUE)

Para la interacción

outLSD <-LSD.test(modf,c("FB","FA"),main="Ren1 ~ BLF + FA+FB+FA:FB",console=TRUE)

Prueba de Student-Newman-Keuls (SNK)

Para el factor A (Híbridos)

SNK.test(modf,c("FA"),main="Ren1 ~ BLF + FA+FB+FA:FB",console=TRUE)

Para el factor B (Distanciamientos)

SNK.test(modf,c("FB"),main="Ren1 ~ BLF + FA+FB+FA:FB",console=TRUE)

Para interacción

SNK.test(modf,c("FA","FB"),main="Ren1 ~ BLF + FA+FB+FA:FB",console=TRUE)

Prueba de Scheffé

Para el factor A (Híbridos)

scheffe.test(modf,c("FA"),main="Ren1 ~ BLF + FA+FB+FA:FB",console=TRUE)

Para el factor B (Distanciamientos)

scheffe.test(modf,c("FB"),main="Ren1 ~ BLF + FA+FB+FA:FB",console=TRUE)

Para la interacción

scheffe.test(modf,c("FA","FB"),main="Ren1 ~ BLF + FA+FB+FA:FB",console=TRUE)

Prueba de Duncan

Para el factor A (Híbridos)

duncan.test(modf,c("FA"),main="Ren1 ~ BLF + FA+FB+FA:FB",console=TRUE)

Para el factor B (Distanciamientos)

duncan.test(modf,c("FB"),main="Ren1 ~ BLF + FA+FB+FA:FB",console=TRUE)

Para la interacción

duncan.test(modf,c("FA","FB"),main="Ren1 ~ BLF + FA+FB+FA:FB",console=TRUE)

Prueba de Bonferroni

Para el factor A (Híbridos)

LSD.test(modf,c("FA"),main="Ren1 ~ BLF + FA+FB+FA:FB", p.adj= "bon",console=TRUE)

Para el factor B (Distanciamientos)

LSD.test(modf,c("FB"),main="Ren1 ~ BLF + FA+FB+FA:FB", p.adj= "bon",console=TRUE)

Para la interacción

LSD.test(modf,c("FA","FB"),main="Ren1 ~ BLF + FA+FB+FA:FB", p.adj= "bon",console=TRUE)

Prueba de Scott-Knott

Para realizar la prueba de Scott-Knott 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 Para el factor A (Híbridos)

ska <- SK(modf, which="FA",  dispersion="se", sig.level=0.05)
summary(ska)

Para el factor B (Distanciamientos)

skb <- SK(modf, which="FB",  dispersion="se", sig.level=0.05)
summary(skb)

Para borrar todos los objetos del Script, ejecute:

rm(list=ls())

Regresar a la página principal de Scripts