Gráfico de Serie de Tiempo para Temperatura_CO2

##Time Series Plot by Temp-CO2 Treatment

gd = summarySE(LeafLength, measurevar="LeafL", groupvars=c("Temp_C02","Time","Genotype")) #base de datos con promedios.


g1=ggplot(gd,aes(x=Time,y=LeafL,color=Temp_C02, group =Temp_C02))+ geom_line(data=gd)+geom_point(data=gd, size = 2)+ facet_grid(~Genotype)+theme_bw()+
  labs(title = "Leaf Length",
       x = "Time in days",
       y = "Length in cm")
g1

En la gráfica se puede observar el eje x = tiempo (días); el eje y = área foliar (promedio), dividido en 2 paneles para la variedad en los 2 genotipos (crecimiento promedio). Se puede observar que para el genotipo PA107 el promedio del crecimiento del área foliar en función al tiempo no varia demasiado para los 6 combinaciones (temperatura y CO2) después de aproximadamente los 15 días, ya que todos se mantienen en el rango de 25 a 30 cm.

Sin embargo para el genotipo SCA6 se observa que si existe variedad en cuando al promedio del crecimiento del área foliar en función al tiempo. Donde al igual que el genotipo PA107 se logra ver que cambian después de los 15 días; en este caso se ve que la combinación 36_27_and_700 es la que tienen un promedio de crecimiento más bajo debajo de los 20 cm a diferencia de la combinación 31_22_and_700 que tiene los promedios de crecimiento más altos superando los 30 cm.

Anova de Medidas Repetidas

LeafLength$Time=as.factor(LeafLength$Time)
LeafLength$Temp=as.factor(LeafLength$Temp)
LeafLength$CO2=as.factor(LeafLength$CO2)

anova=aov(LeafL~Temp*CO2*Genotype+Time+Error(id/Genotype/Time),data=LeafLength)

summary(anova)
## 
## Error: id
##           Df Sum Sq Mean Sq F value   Pr(>F)    
## Temp       2   6614    3307  17.188 1.06e-05 ***
## CO2        1    214     214   1.113     0.30    
## Temp:CO2   2    396     198   1.028     0.37    
## Residuals 30   5772     192                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Error: id:Genotype
##                   Df Sum Sq Mean Sq F value  Pr(>F)   
## Genotype           1    871     871   2.016 0.16598   
## Temp:Genotype      2   7270    3635   8.409 0.00126 **
## CO2:Genotype       1     46      46   0.108 0.74522   
## Temp:CO2:Genotype  2   2673    1337   3.092 0.06013 . 
## Residuals         30  12968     432                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Error: id:Genotype:Time
##             Df Sum Sq Mean Sq F value Pr(>F)    
## Time        18  17707   983.7   140.2 <2e-16 ***
## Residuals 1278   8964     7.0                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

En el anova se puede observar que no existe diferencias significativas en el factor CO2 y la interacción CO2 con Temp, a diferencia del factor Temp quien si presenta diferencias significativas, al igual que la interacción Temp con Genotype. Por otro lado se observa una diferencia en el efecto de las medidas repetidas (tiempo) pero no se observan diferencias entre los genotipos.

Gráfica Postanova - C02

bxp = ggboxplot(
  LeafLength, x = "Time", y = "LeafL",
  color = "CO2", palette = "jco"
)


pwc = LeafLength %>%
  group_by(Time) %>%
  pairwise_t_test(
    LeafL ~ CO2, paired = TRUE,
    p.adjust.method = "bonferroni"
  )


pwc = pwc %>% add_xy_position(x = "Time") 
bxp + 
  stat_pvalue_manual(pwc, tip.length = 0, hide.ns = TRUE) +
  labs(
    subtitle = paste("Anova, ","F(1)", " = ", "1.113, ", "p", " = ", "0.30"),
    caption = get_pwc_label(pwc)
  )

En esta gráfica se puede observar claramente que no hay diferencias entre los niveles de CO2 ya que se presenta una posición estable del área foliar con el paso del tiempo exceptuando el cambio que se da en los 15 días.

Gráfica Postanova - Temp

bxp = ggboxplot(
  LeafLength, x = "Time", y = "LeafL",
  color = "Temp", palette = "jco"
)

pwc = LeafLength %>%
  group_by(Time) %>%
  pairwise_t_test(
    LeafL ~ Temp, paired = TRUE,
    p.adjust.method = "bonferroni"
  )


pwc = pwc %>% add_xy_position(x = "Time") 
bxp + 
  stat_pvalue_manual(pwc, tip.length = 0, hide.ns = TRUE) +
  labs(
    subtitle = paste("Anova, ","F(2)", " = ", "17.188 , ", "p", " = ", "<0.0001 "),
    caption = get_pwc_label(pwc)
  )

A diferencia de la gráfica anterior en esta gráfica se observa diferencias significativas especialmente en los primero 15 días, ya que después de estos los niveles se mantienen pero siguen siendo significativos.

Gráfica Postanova Temp-Genotipo

bxp = ggboxplot(
  LeafLength, x = "Time", y = "LeafL",
  title= "Leaf Length",
  xlab ="time (days)", ylab= "Length (cm)",
  color = "Temp", palette = "lancet",
  facet.by = "Genotype"
)

pwc = LeafLength %>%
  group_by(Time, Genotype) %>%
  pairwise_t_test(
    LeafL ~ Temp, paired = TRUE,
    p.adjust.method = "bonferroni"
  )


pwc = pwc %>% add_xy_position(x = "Time") 
bxp + 
  stat_pvalue_manual(pwc, tip.length = 0, hide.ns = TRUE) +
  labs(
    subtitle = paste("Anova, ","F(2)", " = ", "8.409 , ", "p", " = ", "0.00126"),
    caption = get_pwc_label(pwc)
  )

En esta gráfica se observa a modo de comparación como solo se presentan diferencias significativas en la temperatura del genotipo SCA6 ha diferencia del genotipo PA107 donde no hay diferencias significativas. Por esto se cree que la interacción es significativa.