Estimación y evaluación computacional del coeficiente de competencia intraespecífica en bordes en contexto de modelos lineales

• Aquiles Darghan Department of Agronomy, Universidad Nacional de Colombia, Bogotá, Colombia. Postal code: 111321 http://orcid.org/0000-0001-5790-1684
• Carlos Rivera Department of Agronomy, Universidad Nacional de Colombia, Bogotá, Colombia. Postal code: 111321 http://orcid.org/0000-0002-3402-7725
• Nair González Department of Agronomy, Universidad Nacional de Colombia, Bogotá, Colombia. Postal code: 111321 http://orcid.org/0000-0002-2290-4217
• Jose Castellanos Department of Agronomy, Universidad Nacional de Colombia, Bogotá, Colombia. Postal code: 111321 http://orcid.org/0000-0003-3923-4886

Palabras clave: efecto borde, coeficiente de competición, reparametrización, Simulación Monte Carlo

Resumen

En los ensayos experimentales suele ser de interés prestar especial atención a la respuesta de las unidades experimentales en los bordes, ya que es bien sabido que el rendimiento de estas puede ser superior al del resto de unidades por tener menor competencia de unidades vecinas. En un experimento, donde se tienen tratamientos, es posible que las diferencias en la respuesta media de las variables medidas sean atribuibles al efecto de borde. Por lo tanto, es importante considerar el borde o no en el proceso de modelado. En este caso, utilizando el modelo de Kempton-Besag y la reparametrización del modelo, se estimó el coeficiente de competencia intraespecífica mediante estimación mínima cuadrática que en este caso se asoció con el efecto de borde. Su patrón de distribución se estudió mediante simulación Monte Carlo. De cada análisis de varianza con datos simulados se extrajo el valor del estadístico F y se representó su comportamiento distribucional para relacionarlo con la ausencia o presencia del efecto del borde como una forma de dependencia espacial, la cual se confirmó desde el punto de vista estadístico con el índice de Moran. El coeficiente asociado con el efecto de borde mostró una clara distribución normal en todos los escenarios de borde considerados. El signo del coeficiente y los intervalos de confianza generados permitieron discriminar la presencia/ausencia de efecto de borde. Además, se propuso un método para permitir al usuario mitigar la falta de claridad que puede resultar de la estimación puntual del coeficiente. Este procedimiento se puede utilizar en otros patrones de vecindad y otros modelos de diseño de importancia en la investigación agrícola. 

Citas

Arny, A.C. 1922. Border Effect and Ways of avoiding it. Journal of the American Society of Agronomy, 14(7), 266-278.
Besag, J. E. & Kempton, R. A. 1986. Statistical Analysis of field experiments using neighbouring plots. Biometrics, 42(2), 231-251.
Kuemmel, Bernd (2003). Theoretical investigation of the effects of field margin and hedges on crop yields. Agriculture, Ecosystems & Environment, 95(1), 387–392.
Connolly,T.,Currie, I.D.,Bradshaw,J.E.,McNicol,J.W. 1993. Inter-plot competition in yield trials of potatoes (Solanum tuberosum L.) with single-drill plots. Ann. Appl. Biol.,123(2),367-377.
Christensen, R. 2011. Plane Answers to Complex Questions. The Theory of Linear Models. Fourth edition. Springer, New York, Inc.
Gałęzewski,L., Piekarczyk,M., Jaskulska,I., Wasilewski,P. 2013. Border effects in the growth of chosen cultivated plant species. Acta Scientiarum Polonorum. Agricultura, 12(3), 3-12.
Gotway, C.A. Cressie,N.A.C. 1990. A Spatial Analysis of Variance Applied to Soil-Water Infiltration. Water Resources Research, Vol. 26(11), 2695-2703.
Keddy, P.A. 2001. Competition. Population and Community Biology Series. 2nd Edition. Springer Science+Business Media Dordrecht. USA.
Ord, J. K. 1975. Estimation methods for models of spatial interaction. Journal of the American Statistical Association 70, 120-126.
Ordóñez,R.A.,Castellano,M.J.,Hatfield,J.L.,Helmers,M.J.,Licht,M.A.,Liebman,M.,Dietzel,R.,Feria,R.M.,Ibbal,J.,Puntel,L.A.,Córdova,S.C.,Togliatti,K.,Wright,E.E.,Archontoulis,S.V. (2018). Maize and soybean root front velocity and maximum depth in Iowa, USA. Field Crops Research, 215,122–131.
Paolella,M.S. 2019. Linear Models and Time Series-Analysis. Regression, ANOVA, ARMA and GARCH. John Wiley & Sons. USA.
Phillips, X.A.,Kndel,Y.R.,Licht, M.A.,Mueller,D.S. 2020. Estimating Soybean Radiation Use Efficiency Using a UAV in Iowa.Agronomy, 10(12).
R Core Team (2021). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.
Romani,M.,Borghi,B.,Alberici,R.,Delogu,G.,Hesselbach,J.,Salamini,F.1993. Intergenotypic competition and border effect in bread wheat and barley. Euphytica 69(1-2):19-31
Ruwanza,S. 2018. The Edge Effect on Plant Diversity and Soil Properties in Abandoned Fields Targeted for Ecological Restoration. Sustainability, 11(1),140
Shukla, G. K. & Subrahmanyan, G. S. V. 1999. A Note on a test and Confidence Interval for Competition and Overlap Effects. Biometrics, 55(1), pp. 273-276.