Las parcelas divididas se originan en tornos agrícolas. Un diseño de parcelas divididas se caracteriza por tener factores completos y factores de subparcelas dentro de las parcelas completas, aquellos factores difíciles de cambiar y que también son difíciles de aleatorizar se les llaman factor de parcela completa y se mantienen constantes durante varias corridas experimentales, y los factores fáciles de cambiar se denominan factor de subparcela y varían en estas corridas. Un diseño de parcelas divididas se caracteriza por tener factores completos y factores de subparcelas dentro de las parcelas completas. El número de parcelas completas corresponde al número de veces que restablece los factores de la parcela completa, mientras que el número total de experimentos (N) es igual al número de subparcelas. Se necesita que los factores estén correlacionados entre sí y determinar un orden de ejecución en el experimento.Una ventaja de este diseño, es que los parámetros del modelo medio se pueden estimar por separado entre los términos de error de la parcela completa y de la subparcela.
Según la literatura la unidad experimental o unidad de replicación es “la entidad más pequeña que se asigna independientemente de todas las demás unidades a un tratamiento particular”. La unidad de observación o unidad de muestreo se define como “la entidad física sobre la que se mide un resultado de interés en un experimento”. Si una variable es la entidad que se asigna de forma independiente al tratamiento y se mide en función de los resultados, entonces, esa variable puede servir como unidad experimental y unidad de observación. En pocas palabras, no se pueden combinar todos los niveles de un factor con los niveles del otro ya que no se pueden determinar todos los posibles tratamientos que aparecen al cruzar los factores (diseño anidado). Las unidades experimentales se definen en términos de asignaciones de tratamiento independientes, mientras que las unidades de observación se definen en términos de medidas de resultado. Por lo cual, las observaciones no necesariamente representan réplicas, pero las unidades de observación pueden estar dentro de una unidad experimental (submuestras o pseudoréplicas).
Los conceptos principales para diseñar un experimento exitoso se basan en cuatro pilares: replicación, aleatorización, bloqueo y unidades experimentales que difieren en número, tamaña, escala, forma.
Replicación: práctica de aplicar cada tratamiento a unidades experimentales múltiples y mutuamente independientes. Proporciona un mecanismo para estimar el error experimental, aumenta la precisión del experimento, aumenta el alcance de la inferencia del experimento, la unidad experimental, es la unidad que forma el primer nivel de replicación, Las observaciones repetidas deben ocurrir a una escala espacial y temporal que coincida con la aplicación de los tratamientos.
Aleatorización: la aleatorización es importante porque permite asignar los tratamientos a unidades experimentales de manera que cada unidad tenga la misma probabilidad de recibir cada tratamiento. La aleatoriedad se aplica a la realización de experimentos en dos niveles. Por eso, se debe mirar cuidadosamente la población y elegir una muestra aleatoria o representativa que representa la población. La selección de una muestra aleatoria es importante para garantizar que la interferencia coincida con la hipótesis.
La aleatorización proporciona dos claves en los diseños experimentales: 1. Estimación no sesgada de las medias del tratamiento y los errores experimentales. 2. Precaución contra una perturbación que pueda surgir o no. En el campo científico (biología) hay muchas fuentes de variación desconocida o inesperadas que surgen durante la realización de un experimento. Sin embargo, la aleatorización ayuda a que esas fuentes desconocidas no introduzcan sesgos o eliminación de pruebas de hipótesis durante el curso del experimento. Las aleatorizaciones de parcelas dividas son flexibles y aplicables a diseños de tratamiento factorial con dos o más factores. El factor de parcela completa, aquel que es difícil de cambiar, requiere unidades experimentales más grandes que los factores de subparcela, que son aquellos que son fáciles de cambiar.
Bloqueo: grupo de unidades experimentales homogéneas (un bloque completo contiene todos los tratamientos), se usa para Crear grupos de unidades experimentales que sean más homogéneos de lo que ocurriría con un muestreo aleatorio de toda la población de unidades experimentales (Precisión).
Los diseños simples como el diseño de bloques completos aleatorizados (RCBD), tienen una restricción, y es que el tamaño del bloque es igual al número de tratamientos son los menos eficientes, esto se debe al efecto que se magnifica a medida que aumenta el número de tratamientos (>20) o cuando la variabilidad espacial se vuelve más impredecible.
Unidad experimental: es la unidad más pequeña a la que se aplica un tratamiento. El concepto de tamaño óptimo de una parcela (unidad experimental) se basa en la Ley de Smith, que se deriva en la observación general de una relación asintótica negativa entre la varianza (por unidad o por parcela única) y el tamaño de la parcela. Para los investigadores, esta relación asintótica es difícil a la hora de modificar el tamaño de la parcela y predecir las consecuencias estadísticas de tal cambio. Por ejemplo: para parcelas pequeñas, se espera que el cambio tenga un efecto en la varianza media de la unidad, mientras que en parcelas grandes, los cambios tienen poco efecto en la varianza de la unidad media.
Finalmente el autor recomienda seguir estas pautas para generar un diseño exitoso:
a. Mención de la estructura factorial: la estructura factorial consiste en un diseño de bloques completos al azar, con arreglo en parcelas divididas. La parcela principal corresponde al sistema tutorado vertical (TV), horizontal (TH) y al testigo sin tutor (ST), además de las subparcelas con cinco genotipos de arvejas y las épocas de siembra. Los autores mencionan también las variables a medir tales como: días a floración, días a cosecha verde, peso de vainas, números de vainas por planta, rendimiento y porcentaje de vainas sanas. Ellos quieren determinar con esto la viabilidad económica de los tratamientos utilizando un análisis de presupuesto parcial.
Consideramos que utilizar este diseño de bloques completos al azar permitirá realizar un análisis de comparación preciso entre los tratamientos que se están estudiando ya que ayuda a disminuir los errores experimentales que puedan existir. Las variables que los autores intentan medir pueden incrementar la variación entre las observaciones de la variable respuesta. También, nos parece importante que se haya escogido la metodología de presupuesto parcial ya que permite medir la relación costo - beneficio de los tratamientos y tomar buenas decisiones agrícolas.
b. Razón de colocar cada factor en la parcela principal o en la subparcela: los autores inicialmente establecen un arreglo en parcelas divididas asignando en la parcela principal los sistemas de tutorado y, en las sub-parcelas, los genotipos de arveja. Como sabemos, el factor sub-parcela varía en las corridas y son “fáciles” de cambiar. También, es importante que los autores elijan bien el diseño para disminuir los gastos o costos relativos que puede influir en el cambio del factor sub-parcela en comparación con cambiar un factor de parcela completa. Una razón interesante de colocar cada factor en la parcela principal o en la subparcela adecuadamente (correlaciones entre sí) evitará caer en el error de crear un diseño completamente aleatorizado.
c. Revisión de supuestos para el análisis de varianza: como tal, los autores no hacen una comprobación exhaustiva de los supuestos en el análisis de varianza, no se observan pruebas que permitan saber la homogeneidad de la varianza, la normalidad o la bondad de ajuste. Ellos utilizan mucho la prueba de Tukey para ver que variables mostraron diferencias estadísticas en el ANOVA como análisis estadístico. Sin embargo, consideramos que hubiera sido importante utilizar otras pruebas para el análisis de varianza en cuanto a supuestos se refiere para tener un trabajo algo más completo.
d. Tabla del análisis de varianza: la tabla del análisis de varianza es algo incompleta, utilizaron los cuadros medios del ANOVA para características y componentes de rendimiento en la evaluación agronómica de cinco líneas de arveja arbustiva, bajo tres sistemas de tutorado, en tres épocas de siembra. No se observó en la tabla información estadística tales como la F calculada o los residuos de esa suma de cuadrados, es importante conocer la F calculada ya que nos permite saber si los bloques muestran efectos significativos y para concluir si los tratamientos difieren en sus medias. Como puntos positivos, observamos que esta tabla utiliza principalmente los grados de libertad, las variables mencionadas (días a floración, etc), coeficiente de determinación, coeficiente de variación y covarianza. En la tabla, ponen como fuente de variación las épocas, los tutorados, el número de plantas y los errores lo cual nos parece importante para el análisis.Por otro lado, hay otras tablas que ayudan a complementar la tabla de varianza, como lo es la tabla de promedio para la interacción época por línea para las variables medidas, ahí es donde utilizan ellos las pruebas de Tukey para indicar diferencias significativas.
e. Uso de muchos análisis de varianzas en lugar de uno solo multivariante: consideramos que es mejor usar un análisis multivariante en lugar de muchos análisis de varianzas, ya que los datos deben trabajarse de forma conjunta (multivariada) y le permite al experimentador tomar decisiones adecuadas según la información disponible. Este tipo de análisis también ayuda a organizar la información inicial a manera de resumen disminuyendo su complejidad. Creemos, que realizar muchos análisis de varianza puede causar errores en la interpretación de los datos, además de que el proceso sería más complejo y tedioso. Pero, a veces no todo puede ser malo, ya que pues sería mejor el multivariante generalmente pero también toca ver el tipo de diseño que se va a trabajar, las variables y los factores, según el diseño, se puede decir que tipo de análisis es mejor, si un multivariante o muchos análisis de varianza.
f. Método de comparaciones medias después del ANOVA: el método de comparaciones de medias utilizados por los autores es la prueba de Tukey <0,05 para aquellas variables que mostraron diferencias estadísticas en el ANOVA. De hecho, esta prueba fue utilizada muchas veces durante el experimento para medir las diferencias significativas entre los sistemas, las variables (como peso de vaina verde) y el rendimiento. A pesar de que la prueba de Tukey no es la única pero sí la más aplica, se pudo haber utilizado otra prueba como la Scheffé que permite hacer comparaciones múltiples de las medias de grupos para realizar comparaciones y observar los resultados de cada prueba. Sin embargo, creemos que en el diseño se eligió la prueba de Tukey ya que sí se utiliza un número fijo de comparaciones, dando como resultado un intervalo de confianza más preciso.
g. Interacción de factores: los factores estudiados fueron: época, tutorado y genotipo. Los autores tuvieron en cuenta su significancia y sus interacciones. En el análisis de de los resultados tuvieron en cuenta las variables que no mostraron significancia estadística en las distintas interacciones. Por ejemplo: la variable días de floración no se vio afectada por los factores época, tutorado, línea y sus interacciones, por lo cual, esto quiere decir que la variable fue poco afectada por las variaciones bióticas y abióticas. Los autores hicieron varias interacciones utilizando la asociación época - línea aplicada para los días a cosecha verde, altura de planta, peso de vaina verde, porcentaje de vainas sanas y rendimiento mostrando las diferencias entre genotipos según las variables anteriormente mencionadas. En una tabla, resumieron las interacciones entre las variables y los genotipos mediante la resolución de promedios durante 3 épocas (marzo, abril y mayo). Como recomendación, hubiera sido interesante ver gráficas que presenten los resultados del experimento asociando un experimento factorial con la interacción.
h. La presencia de bloques: la presencia de bloques nos ayuda a explicar la variación en la variable de respuesta que no es causada por los factores. También nos ayuda a disminuir el sesgo y la varianza del error debido a factores perturbadores. Escoger bien el bloqueo les permite a los experimentadores reducir la variación entre las unidades experimentales dentro de los bloques, para ello se debe tener en cuenta la proximidad (entre parcelas) y las características físicas de los factores. En el experimento se utilizó el diseño de bloques completos al azar, el cual se caracteriza por tener un solo factor de bloque y su técnica estadística consiste en un ANOVA con dos criterios de clasificación. Por lo cual, todos los tratamientos tratados estarán dentro de este bloque. Hay que tener mucho cuidado a la hora de haya una adecuada interacción entre tratamientos y bloques. Una observación de la tabla de cuadrados medios del Anova es que no incluyeron el valor F calculado para los bloques.
i. Balanceo o desbalanceo: el diseño de bloques completamente al azar utilizado en el experimento se caracteriza por ser un diseño bien equilibrado, por lo cual, puede haber equilibrio en el efecto de una variable extraña o desconocida manteniendo constante la proporción de cada valor en el experimento. En el artículo, los autores siguieron el procedimiento adecuado a la hora de realizar el tipo de suma de cuadrados porque esto le permite realizar contrastes. La calidad del diseño está muy relacionado con el balance del mismo.
j. Definición de unidad experimental: recurriendo a la literatura, la unidad experimental se define en pocas palabras como el tamaño óptimo de una parcela o como la unidad más pequeña a la que se le aplica un tratamiento. En el artículo, la unidad experimental se constituye por cuatro surcos con ciertas medidas en una parcela.
k. Software utilizado y librería específica (en caso de R): en el artículo no se menciona el software utilizado. Es muy necesario que se mencione con qué programa los datos fueron trabajados. Un punto alto negativo del artículo fue no mencionar el programa, o si no utilizaron programas, haber dejado en claro que método utilizaron.