Prácticas del Tema 4: Análisis de la Varianza
Acciones Usuales de Gestión de Datos
Personalizar el directorio de trabajo
Fichero > Cambiar directorio de trabajo…
Cargar fichero de datos desde ficheros con extensión *.RData (*.rda, *.Rda, *.RDA)
Datos > Cargar conjunto de datos…
Importar ficheros de datos
desde archivos con extensión: *.txt, *.dat, *.csv
Datos > Importar datos > desde archivo de texto, portapapeles o URL…
desde archivos de Excel *.xlsx
Datos > Importar datos > desde archivo un archivo de Excel...
Guardar fichero de datos en archivos con extensión *.RData
Datos > Conjunto de datos activo > Guardar el conjunto de datos activos...
Convertir variable cuantitativa en variable cualitativa (factor)
Datos > Modificar variables del conjunto de datos activo > Convertir variable numérica en factor…
Seleccionar una variable o más, niveles del factor (asignar nombres o números) y nombre de la(s) nueva(s) variable(s).
Agrupar variable cuantitativa en intervalos:
Datos > Modificar variables del conjunto de datos activo > Recodificar variables…
Indicar nuevo nombre o prefijo para variables múltiples recodificadas, convertir o no cada nueva variable en factor, e introducir directrices de
recodificación.
Datos > Modificar variables del conjunto de datos activo > Segmentar variable numérica…
Seleccionar una variable cuantitativa, nombrar la nueva variable, y especificar el número de intervalos y el método de segmentación (en
intervalos equidistantes, de igual frecuencia, o partición óptima).
Calcular nueva variable cuantitativa:
Datos > Modificar variables del conjunto de datos activo > Crear una nueva variable…
Clicar dos veces sobre las variables cuantitativas de la lista involucradas en la nueva variable, nombrar la nueva variable y añadir la
expresión para calcular la nueva variable cuantitativa.
Cargar paquetes:
Herramientas>Cargar paquete(s)…
Página 1 de 15 [email protected]
[email protected]
Acciones usuales en Análisis de la Varianza
Condición de Normalidad:
Estadísticos > Test de normalidad…
.> Variable (elegir una), seleccionar una variable cuantitativa de la lista
> Test por grupos, seleccionar factor de la lista
Condición de Homocedasticidad:
Estadísticos > Varianza > Test de Bartlett…/Test de Levene…
> Factores (elegir uno o más), seleccionar variable(s) cualitativa(s) de la lista.
> Variable explicada (elegir una), seleccionar una variable cuantitativa de la lista
ANOVA de una vía:
Estadísticos > Medias > ANOVA de un factor…
Pestaña “Datos”: - Grupos (elegir uno), seleccionar variable cualitativa de la lista.
- Variable explicada (elegir una), seleccionar variable cuantitativa de la lista.
Pestaña “Opciones”: - Comparaciones dos a dos de las medias, para realizar los contrastes post-hoc.
- Nivel de confianza, por defecto 0.95.
- Welch F-Test sin suponer igualdad de varianzas, en caso de heterogeneidad
ANOVA de dos vías:
Estadísticos > Medias > ANOVA de múltiples factores…
> Factores (elegir uno o más), seleccionar variable(s) cualitativa(s) de la lista.
> Variable explicada (elegir una), seleccionar una variable cuantitativa de la lista
ANOVA de dos vías sin interacción:
Estadísticos > Ajuste de modelos > Modelo lineal…
> Indicar la fórmula del modelo:
Variable explicada ~ Factores (elegir uno o más), seleccionar variable(s) cualitativa(s) de la lista.
Página 2 de 15 [email protected]
[email protected]
EJERCICIO DE PRÁCTICAS CON DATOS REALES
(ANÁLISIS DE LA VARIANZA)
Datos: álamos. Un grupo de investigadores de la Universidad Estatal de Pennsylvania han identificado un clon de
álamo que produce árboles fuertes y de rápido crecimiento. Los clones son células genéticamente idénticas obtenidas
del mismo individuo. En una fase experimental de este estudio, plantaron el Clon de álamo 252 en dos sitios diferentes
(Sitio): uno en un terreno rico y húmedo cerca de una ensenada y el otro en un terreno seco y arenoso en una colina.
Midieron el diámetro en centímetros, la altura en metros y el peso de la madera en seco en kilogramos de una muestra
de árboles de tres años de edad. Con el objetivo de maximizar el rendimiento del desarrollo de los árboles, incluyeron
otro factor con los cuatro tipos de tratamientos utilizados (Tratamientos), los cuales están determinados por el uso o
no de fertilizante (Fertlzt) y de irrigación (Irrigación). El archivo contiene los datos observados del peso ponderado
(Peso) junto con los niveles que estos factores.
Ejercicio 1.
1. Abrir R, y desde la R-consola cargar R Commander.
Paquetes > Cargar paquete… > library(Rcmdr)
2. Personalizar el entorno de trabajo.
Fichero > Cambiar directorio de trabajo > setwd("E:/Practica4")
3. Cargar fichero de datos alamos.RData.
Datos > Cargar conjunto de datos load("E:/Prácticas4/alamos.RData")
4. Guardar las instrucciones como Practica4.R.
Fichero>Guardar las instrucciones como… > save("E:/Prácticas4/Practica4.R")
5. Convertir las variables Sitio, Irrigación, y Fertlzt en factores:
Datos > Modificar variables del conjunto de datos activo > Convertir variable numérica en factor…*Utilizar números
alamos <- within(alamos, {
Fertlzt <- as.factor(Fertlzt)
Irrigación <- as.factor(Irrigación)
Sitio <- as.factor(Sitio)
})
Ejercicio 2. A partir de los datos experimentales del archivo alamos, resolver las siguientes cuestiones:
1. Analizar el efecto de los tratamientos aplicados:
Estadísticos > Medias > ANOVA de un factor …
> AnovaModel.1 <- aov(Peso ~ Tratamientos, data=alamos); summary(AnovaModel.1) .
a. ¿Se ve afectado el desarrollo de los álamos por el nivel de tratamiento que se aplica? Enunciar las hipótesis del
contraste, indicar los resultados principales, decisión, conclusiones e interpretaciones.
b. ¿Qué tratamiento provoca las diferencias? > library(multcomp);summary(glht(AnovaModel.1, linfct = mcp(Tratamientos = "Tukey")))
> old.oma <- par(oma=c(0, 5, 0, 0)); plot(confint(glht(AnovaModel.1, linfct = mcp(Tratamientos = "Tukey")), level=0.95)); par(old.oma)
c. ¿Son válidas las conclusiones de los apartados anteriores? Justificar la respuesta.
Estadísticos > Resúmenes > Test de normalidad…
> normalityTest(Peso ~ Tratamientos, test="shapiro.test", data=alamos)
Estadísticos > Varianzas > Test de Bartlett…
> bartlett.test(Peso ~ Tratamientos, data=alamos)
Estadísticos > Varianzas > Test de Levene…
> leveneTest(Peso ~ Tratamientos, data=alamos, center="median")
Página 3 de 15 [email protected]
[email protected]
d. Almacenar los residuos y las medias estimadas. Comprobar la normalidad y homogeneidad de varianzas a través de
los residuos y las medias estimadas. ¿Se obtienen las mismas conclusiones que en el apartado anterior?
> alamos$residuos = residuals(AnovaModel.1)
> alamos$medias = fitted(AnovaModel.1); alamos$mediasF = as.factor(round(alamos$medias,5))
Estadísticos > Resúmenes > Test de normalidad…
> normalityTest(residuos ~ mediasF, test="shapiro.test", data=alamos)
Estadísticos > Varianzas > Test de Bartlett…
> bartlett.test(residuos ~ mediasF, data=alamos)
Estadísticos > Varianzas > Test de Levene…
> leveneTest(residuos ~ mediasF, data=alamos, center="median")
2. Analizar los efectos de ambos factores, el tipo de tratamiento (Tratamientos) y el sitio (Sitio) donde se realiza el
estudio.
Estadísticos > Ajuste de modelos > Modelo lineal…
> LinearModel.1 <- lm(Peso ~ Sitio + Tratamientos, data=alamos); > summary(LinearModel.1)
a. ¿Influye alguno de estos factores? Enunciar las hipótesis del contraste, indicar los resultados principales, decisión,
conclusiones e interpretaciones.
Modelos > Test de hipótesis > Tabla ANOVA…
> Anova(LinearModel.1, type="II")
b. Comprobar si se mantienen las condiciones para su validez.
> alamos$residuos1 = residuals(LinearModel.1)
> alamos$medias1 = fitted(LinearModel.1)
> alamos$mediasF1 = as.factor(round(alamos$medias1,5))
Estadísticos > Resúmenes > Test de normalidad…
> normalityTest(residuos1 ~ mediasF1, test="shapiro.test", data=alamos)
Estadísticos > Varianzas > Test de Bartlett…
> bartlett.test(residuos1 ~ mediasF1, data=alamos)
Estadísticos > Varianzas > Test de Levene…
> leveneTest(residuos1 ~ mediasF1, data=alamos, center="median")
c. Analizar si el efecto de la interacción entre los dos sitios donde se realiza el estudio de los álamos, y el tipo de
tratamiento influye de forma significativa en el desarrollo de los árboles.
Estadísticos > Medias > ANOVA de múltiples factores…
> AnovaModel.2 <- lm(Peso ~ Tratamientos*Sitio, data=alamos, contrasts=list(Tratamientos ="contr.Sum", sitio ="contr.Sum"))
d. ¿Son válidas las conclusiones del efecto de la interacción sobre el peso de los árboles? Justificar la respuesta utilizando
los residuos y los efectos estimados de la interacción.
> alamos$residuos2 = residuals(AnovaModel.2)
> alamos$medias2 = fitted(AnovaModel.2)
> alamos$mediasF2 = as.factor(round(alamos$medias2,5))
Estadísticos > Resúmenes > Test de normalidad…
> normalityTest(residuos2 ~ mediasF2, test="shapiro.test", data=alamos)
Estadísticos > Varianzas > Test de Bartlett…
bartlett.test(residuos2 ~ mediasF2, data=alamos)
Estadísticos > Varianzas > Test de Levene…
> leveneTest(residuos2 ~ mediasF2, data=alamos, center="median")
Página 4 de 15 [email protected]
[email protected]
e. Suponiendo que los resultados son válidos, en el caso de que algún término de modelo con interacción provoque
diferencias significativas en el desarrollo de los árboles, analizar qué afecta en dicho desarrollo.
> library(multcomp);summary(glht(AnovaModel.2, linfct = mcp(Tratamientos = "Tukey")))
> old.oma <- par(oma=c(0, 5, 0, 0)); plot(confint(glht(AnovaModel.2, linfct = mcp(Tratamientos = "Tukey")), level=0.95)); par(old.oma)
f. Suponiendo que se cumplen las condiciones iniciales, en caso de haber efectos significativos de algún término del
modelo con interacción, obtener e interpretar la gráfica de efectos del modelo
Modelos > Graficas > Gráfica de los efectos…
> plot(allEffects(AnovaModel.2))
Ejercicio 3. Antes de finalizar la sesión de trabajo con R Commander:
1. Guardar las instrucciones como Practica4.R.
Fichero>Guardar las instrucciones como…
2. Guardar el fichero R Markdown como Practica4.Rmd.
Fichero>Guardar el fichero R Markdown como…
3. Guardar los resultados como Practica4.txt.
Fichero>Guardar los resultados como…
Página 5 de 15 [email protected]
[email protected]
Resolución de los ejercicios propuestos en la práctica
A partir de los datos experimentales del archivo alamos, resolver las siguientes cuestiones:
1. Analizar el efecto de los tratamientos aplicados:
Df Sum Sq Mean Sq F value Pr(>F)
Tratamientos 3 51.20 17.067 12.86 0.00000113 ***
Residuals 64 84.93 1.327
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
3 observations deleted due to missingness
a. ¿Se ve afectado el desarrollo de los álamos por el nivel de tratamiento que se aplica? Enunciar las hipótesis del
contraste, indicar los resultados principales, decisión, conclusiones e interpretaciones.
b. ¿Qué tratamiento provoca las diferencias?
c. ¿Son válidas las conclusiones de los apartados anteriores? Justificar la respuesta.
> normalityTest(Peso ~ Tratamientos, test="shapiro.test", data=alamos)
--------
Tratamientos = Nada
Shapiro-Wilk normality test
data: Peso
W = 0.96701, p-value = 0.7643
--------
Tratamientos = Riego
Shapiro-Wilk normality test
data: Peso
W = 0.96033, p-value = 0.608
--------
Tratamientos = Abono
Shapiro-Wilk normality test
data: Peso
W = 0.95929, p-value = 0.588
--------
Tratamientos = Riego+Abono
Shapiro-Wilk normality test
data: Peso
W = 0.974, p-value = 0.9123
--------
Página 6 de 15 [email protected]
[email protected]
p-values adjusted by the Holm method:
unadjusted adjusted
Nada 0.76429 1
Riego 0.60802 1
Abono 0.58800 1
Riego+Abono 0.91226 1
> bartlett.test(Peso ~ Tratamientos, data=alamos)
Bartlett test of homogeneity of variances
data: Peso by Tratamientos
Bartlett's K-squared = 4.522, df = 3, p-value = 0.2103
> leveneTest(Peso ~ Tratamientos, alamos, center="median")
Levene's Test for Homogeneity of Variance (center = "median")
Df F value Pr(>F)
group 3 2.0188 0.1201
64
d. Almacenar los residuos y las medias estimadas. Comprobar la normalidad y homogeneidad de varianzas a través de
los residuos y las medias estimadas. ¿Se obtienen las mismas conclusiones que en el apartado anterior?
> normalityTest(residuos ~ mediasF, test="shapiro.test", data=alamos)
--------
mediasF = 1.67941
Shapiro-Wilk normality test
data: residuos
W = 0.96701, p-value = 0.7643
--------
mediasF = 2.06389
Shapiro-Wilk normality test
data: residuos
W = 0.96033, p-value = 0.608
--------
mediasF = 2.87167
Shapiro-Wilk normality test
data: residuos
W = 0.95929, p-value = 0.588
--------
mediasF = 4.02133
Shapiro-Wilk normality test
data: residuos
Página 7 de 15 [email protected]
[email protected]
W = 0.974, p-value = 0.9123
--------
p-values adjusted by the Holm method:
unadjusted adjusted
1.67941 0.76429 1
2.06389 0.60802 1
2.87167 0.58800 1
4.02133 0.91226 1
> bartlett.test(residuos ~ mediasF, data=alamos)
Bartlett test of homogeneity of variances
data: residuos by mediasF
Bartlett's K-squared = 4.522, df = 3, p-value = 0.2103
> leveneTest(residuos ~ mediasF, data=alamos, center="median")
Levene's Test for Homogeneity of Variance (center = "median")
Df F value Pr(>F)
group 3 2.0188 0.1201
64
2. Analizar los efectos de ambos factores, el tipo de tratamiento (Tratamiento) y el sitio (Sitio) donde se realiza el
estudio.
Call:
lm(formula = Peso ~ Sitio + Tratamientos, data = alamos)
Residuals:
Min 1Q Median 3Q Max
-2.05851 -0.82582 0.07722 0.71662 3.04781
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.4061 0.3104 4.530 0.000026850 ***
Sitio[T.2] 0.5163 0.2752 1.876 0.06527 .
Tratamientos[T.Riego] 0.3710 0.3822 0.971 0.33545
Tratamientos[T.Abono] 1.2361 0.3829 3.229 0.00198 **
Tratamientos[T.Riego+Abono] 2.3743 0.4006 5.926 0.000000142 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 1.13 on 63 degrees of freedom
(3 observations deleted due to missingness)
Multiple R-squared: 0.4091, Adjusted R-squared: 0.3716
F-statistic: 10.91 on 4 and 63 DF, p-value: 0.0000008803
a. ¿Influye alguno de estos factores? Enunciar las hipótesis del contraste, indicar los resultados principales, decisión,
conclusiones e interpretaciones.
Anova Table (Type II tests)
Response: Peso
Sum Sq Df F value Pr(>F)
Página 8 de 15 [email protected]
[email protected]
Sitio 4.494 1 3.5198 0.06527 .
Tratamientos 53.033 3 13.8462 0.0000004877 ***
Residuals 80.434 63
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
b. Comprobar si se mantienen las condiciones para su validez.
> normalityTest(Peso ~ interaction(Sitio,Tratamientos), test="shapiro.test", data=alamos)
--------
interaction(Sitio, Tratamientos) = 1.Nada
Shapiro-Wilk normality test
data: Peso
W = 0.98548, p-value = 0.9848
--------
interaction(Sitio, Tratamientos) = 2.Nada
Shapiro-Wilk normality test
data: Peso
W = 0.94555, p-value = 0.6414
--------
interaction(Sitio, Tratamientos) = 1.Riego
Shapiro-Wilk normality test
data: Peso
W = 0.92603, p-value = 0.4807
--------
interaction(Sitio, Tratamientos) = 2.Riego
Shapiro-Wilk normality test
data: Peso
W = 0.97657, p-value = 0.9442
--------
interaction(Sitio, Tratamientos) = 1.Abono
Shapiro-Wilk normality test
data: Peso
W = 0.91865, p-value = 0.3458
--------
interaction(Sitio, Tratamientos) = 2.Abono
Shapiro-Wilk normality test
data: Peso
Página 9 de 15 [email protected]
[email protected]
W = 0.821, p-value = 0.0478
--------
interaction(Sitio, Tratamientos) = 1.Riego+Abono
Shapiro-Wilk normality test
data: Peso
W = 0.91286, p-value = 0.3746
--------
interaction(Sitio, Tratamientos) = 2.Riego+Abono
Shapiro-Wilk normality test
data: Peso
W = 0.96284, p-value = 0.8427
--------
p-values adjusted by the Holm method:
unadjusted adjusted
1.Nada 0.984814 1.00000
2.Nada 0.641414 1.00000
1.Riego 0.480659 1.00000
2.Riego 0.944220 1.00000
1.Abono 0.345844 1.00000
2.Abono 0.047804 0.38243
1.Riego+Abono 0.374648 1.00000
2.Riego+Abono 0.842720 1.00000
> normalityTest(residuos1 ~ mediasF1, test="shapiro.test", data=alamos)
--------
mediasF1 = 1.40607
Shapiro-Wilk normality test
data: residuos1
W = 0.98548, p-value = 0.9848
--------
mediasF1 = 1.77705
Shapiro-Wilk normality test
data: residuos1
W = 0.92603, p-value = 0.4807
--------
mediasF1 = 1.92238
Shapiro-Wilk normality test
data: residuos1
W = 0.94555, p-value = 0.6414
Página 10 de 15 [email protected]
[email protected]
--------
mediasF1 = 2.29336
Shapiro-Wilk normality test
data: residuos1
W = 0.97657, p-value = 0.9442
--------
mediasF1 = 2.64219
Shapiro-Wilk normality test
data: residuos1
W = 0.91865, p-value = 0.3458
--------
mediasF1 = 3.15851
Shapiro-Wilk normality test
data: residuos1
W = 0.821, p-value = 0.0478
--------
mediasF1 = 3.78039
Shapiro-Wilk normality test
data: residuos1
W = 0.91286, p-value = 0.3746
--------
mediasF1 = 4.2967
Shapiro-Wilk normality test
data: residuos1
W = 0.96284, p-value = 0.8427
--------
p-values adjusted by the Holm method:
unadjusted adjusted
1.40607 0.984814 1.00000
1.77705 0.480659 1.00000
1.92238 0.641414 1.00000
2.29336 0.944220 1.00000
2.64219 0.345844 1.00000
3.15851 0.047804 0.38243
3.78039 0.374648 1.00000
4.2967 0.842720 1.00000
> bartlett.test(Peso ~ interaction(Sitio,Tratamientos), data=alamos)
Bartlett test of homogeneity of variances
Página 11 de 15
[email protected] [email protected] data: Peso by interaction(Sitio, Tratamientos)
Bartlett's K-squared = 5.1595, df = 7, p-value = 0.6405
> bartlett.test(residuos1 ~ mediasF1, data=alamos)
Bartlett test of homogeneity of variances
data: residuos1 by mediasF1
Bartlett's K-squared = 5.1595, df = 7, p-value = 0.6405
> leveneTest(Peso ~ interaction(Sitio,Tratamientos), data=alamos, center="median")
Levene's Test for Homogeneity of Variance (center = "median")
Df F value Pr(>F)
group 7 0.5547 0.7894
60
> leveneTest(residuos1 ~ mediasF1, data=alamos, center="median")
Levene's Test for Homogeneity of Variance (center = "median")
Df F value Pr(>F)
group 7 0.5547 0.7894
60
c. Analizar si el efecto de la interacción entre los dos sitios donde se realiza el estudio de los álamos, y el tipo de
tratamiento influye de forma significativa en el desarrollo de los árboles.
Call:
lm(formula = Peso ~ Tratamientos * Sitio, data = alamos, contrasts = list(Tratamientos =
"contr.Sum",
Sitio = "contr.Sum"))
Residuals:
Min 1Q Median 3Q Max
-2.1212 -0.8006 0.2518 0.6962 3.0980
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.672686 0.139362 19.178 < 2e-16 ***
Tratamientos[S.Nada] -1.008658 0.240578 -4.193 0.0000921 ***
Tratamientos[S.Riego] -0.607686 0.236787 -2.566 0.0128 *
Tratamientos[S.Abono] 0.233939 0.236787 0.988 0.3271
Sitio[S.1] -0.268123 0.139362 -1.924 0.0591 .
Tratamientos[S.Nada]:Sitio[S.1] 0.006595 0.240578 0.027 0.9782
Tratamientos[S.Riego]:Sitio[S.1] 0.278123 0.236787 1.175 0.2448
Tratamientos[S.Abono]:Sitio[S.1] -0.046502 0.236787 -0.196 0.8450
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 1.141 on 60 degrees of freedom
(3 observations deleted due to missingness)
Multiple R-squared: 0.4257, Adjusted R-squared: 0.3587
F-statistic: 6.353 on 7 and 60 DF, p-value: 0.0000134
d. ¿Son válidas las conclusiones del efecto de la interacción sobre el peso de los árboles? Justificar la respuesta utilizando
los residuos y los efectos estimados de la interacción.
Página 12 de 15 [email protected]
[email protected]
> normalityTest(residuos2 ~ mediasF2, test="shapiro.test", data=alamos)
--------
mediasF2 = 1.4025
Shapiro-Wilk normality test
data: residuos2
W = 0.98548, p-value = 0.9848
--------
mediasF2 = 1.92556
Shapiro-Wilk normality test
data: residuos2
W = 0.94555, p-value = 0.6414
--------
mediasF2 = 2.055
Shapiro-Wilk normality test
data: residuos2
W = 0.97657, p-value = 0.9442
--------
mediasF2 = 2.075
Shapiro-Wilk normality test
data: residuos2
W = 0.92603, p-value = 0.4807
--------
mediasF2 = 2.592
Shapiro-Wilk normality test
data: residuos2
W = 0.91865, p-value = 0.3458
--------
mediasF2 = 3.22125
Shapiro-Wilk normality test
data: residuos2
W = 0.821, p-value = 0.0478
--------
mediasF2 = 3.54875
Shapiro-Wilk normality test
data: residuos2
W = 0.91286, p-value = 0.3746
Página 13 de 15 [email protected]
[email protected]
--------
mediasF2 = 4.56143
Shapiro-Wilk normality test
data: residuos2
W = 0.96284, p-value = 0.8427
--------
p-values adjusted by the Holm method:
unadjusted adjusted
1.4025 0.984814 1.00000
1.92556 0.641414 1.00000
2.055 0.944220 1.00000
2.075 0.480659 1.00000
2.592 0.345844 1.00000
3.22125 0.047804 0.38243
3.54875 0.374648 1.00000
4.56143 0.842720 1.00000
> bartlett.test(residuos2 ~ mediasF2, data=alamos)
Bartlett test of homogeneity of variances
data: residuos2 by mediasF2
Bartlett's K-squared = 5.1595, df = 7, p-value = 0.6405
> leveneTest(residuos2 ~ mediasF2, data=alamos, center="median")
Levene's Test for Homogeneity of Variance (center = "median")
Df F value Pr(>F)
group 7 0.5547 0.7894
60
e. Suponiendo que los resultados son válidos, en el caso de que algún término de modelo con interacción provoque
diferencias significativas en el desarrollo de los árboles, analizar qué afecta en dicho desarrollo.
Simultaneous Tests for General Linear Hypotheses
Multiple Comparisons of Means: Tukey Contrasts
Fit: lm(formula = Peso ~ Tratamientos * Sitio, data = alamos, contrasts =
list(Tratamientos = "contr.Sum",
Sitio = "contr.Sum"))
Linear Hypotheses:
Estimate Std. Error t value Pr(>|t|)
Riego - Nada == 0 0.4010 0.3876 1.035 0.7298
Abono - Nada == 0 1.2426 0.3876 3.206 0.0111 *
Riego+Abono - Nada == 0 2.3911 0.4052 5.901 <0.001 ***
Abono - Riego == 0 0.8416 0.3829 2.198 0.1356
Riego+Abono - Riego == 0 1.9901 0.4007 4.967 <0.001 ***
Riego+Abono - Abono == 0 1.1485 0.4007 2.866 0.0285 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Adjusted p values reported -- single-step method)
Página 14 de 15 [email protected]
[email protected]
95% family-wise confidence level
Riego - Nada ( )
Abono - Nada ( )
Riego+Abono - Nada ( )
Abono - Riego ( )
Riego+Abono - Riego ( )
Riego+Abono - Abono ( )
0 1 2 3
Linear Function
f. Suponiendo que se cumplen las condiciones iniciales, en caso de haber efectos significativos de algún término del
modelo con interacción, obtener e interpretar la gráfica de efectos del modelo.
Página 15 de 15 [email protected]
[email protected]
