Professional Documents
Culture Documents
Fernando Casanoves
Tesis
Córdoba, 2004
ANÁLISIS DE ENSAYOS COMPARATIVOS DE
RENDIMIENTO EN MEJORAMIENTO VEGETAL
EN EL MARCO DE LOS MODELOS LINEALES
MIXTOS
Fernando Casanoves
ii
Agradecimientos
A mi directora de tesis, Ing. Agr. (Ph D.) Mónica Balzarini por su permanente vocación
Al los doctores Jose Crossa y Elvio Biderbost, miembros del Comité de Tesis, por sus
Walter Robledo, María del Pilar Díaz, Cecilia Bruno y Alejandra Arroyo por
actividades profesionales .
incondicional.
INTA, por haber facilitado sus datos para ser utilizados en este derarrollo y en
particular al Ing. Agr. Jorge Baldessari por los espacios de discusión que generó.
Al la Ing. Agr. (Ph D) Laura Giorda y a la Dra. Susana Hang por sus aportes editoriales
al documento de tesis.
Al Tribunal Examinador de Tesis, Ing. Agr. (Ph D) Laura Giorda, Dra. Nelida Winzer y
Ing. Agr. (Dr.) Abelardo de la Vega por las correcciones y sugerencias realizadas
iii
A la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Córdoba y al
espacio de trabajo.
por subsidiar el trabajo de investigación en el que está inserto este proyecto de tesis.
iv
RESUMEN
Para responder al primer objetivo se evaluó la potencialidad del uso del mejor
predictor lineal insesgado (BLUP) para la elección de líneas experimentales. Como
medida del desempeño que un genotipo podría tener en futuros ECR se utilizaron
BLUPs de efectos aleatorios de genotipo estandarizados por su error de predicción,
basados en uno y dos años de ECR. Los resultados muestran que los BLUPs
estandarizados, aún obtenidos a partir de información de un año de ECR, tienen más
capacidad predictiva que las medias de genotipo. En relación al segundo objetivo, se
analizaron ECR multiambientales por año mediante modelos de efectos fijos sobre
tablas de datos completas y a través de los años mediante modelos mixtos aplicables a
tablas de datos incompletas (i.e. no todos los genotipos en todos los años). Los modelos
fueron ajustados con varianzas residuales homogéneas y heterogéneas a través de los
años. Los resultados permitieron identificar cultivares superiores y confirman la
existencia de un único mega-ambiente para la identificación de cultivares con mayor
v
potencial de rendimiento en la región manisera Argentina. Considerando la necesidad
de contemplar la correlación espacial entre parcelas y las diferencias en precisión de los
ensayos de un ECR multiambiental se evaluaron simultáneamente, sobre diversos ECR,
una decena de modelos estadísticos y se discutió la equivalencia que existe entre
algunos modelos mixtos espaciales en el contexto particular de los ECR
multiambientales. Los resultados sugieren que el modelo con estructura de error
estacionaria anisotrópica AR1AR1 y varianzas residuales heterogéneas constituye la
mejor alternativa de análisis para ECR multiambientales.
vi
ABSTRACT
This thesis is in the area of Applied Statistics and involves the evaluation of statistical
methodologies for the analysis of information in plant breeding programs. The modeling
of data from yield multi-environments variety trials (MET) is considered. Yield variety
trials are usually repeated in several environments (locations and/or years) due to the
genotype×environment interaction, and it is common to observe spatial variation
according to the location of the plot in the field, and different levels of precision among
trials conducted in different environments. The objective of this work is to propose
strategies for the analysis of multi-environment yield variety trials which permit: 1) to
choose, at early stages, the experimental genetic material to continue the evaluation
process, 2) recommend, at advanced stages, the genotypes with better performance, and
3) to consider the spatial correlation among plots and the heterogeneity in the precision
of trials conducted in different environments. The methodologies reviewed consider the
theoretical framework of the general linear mixed model. Different aspects of the
statistical modeling process are illustrated using yield variety trials form the Peanut
Breeding Program EEA-Manfredi-INTA (Argentina). Results from these analyses are
compared.
In order to address the first objective, the performance of the best linear unbiased
predictor (BLUP) for selecting experimental lines was evaluated. The BLUP´s of the
random effects of genotype, standardized by their prediction error and based on data
from one and two years of variety trials, were used as a measure of the performance that
a genotype could have in future trials. The results show that the standardized BLUP´s,
even the ones obtained from one year, have more predictive ability than those obtained
using fixed effects models for complete data tables, and mixed models for incomplete
data (i.e., when not all genotypes were present in all years). The models were adjusted
with residual variances which were homogeneous and heterogeneous through time. The
results identified superior cultivars and confirm the existence of a single mega-
environment for the identification of cultivars with better yield potential in the peanut
growing region in Argentina. Ten different statistical models were used to account for
the spatial correlation among plots and the differences in precision among different
vii
trials. The equivalence among several of the spatial mixed models in the particular
context of multi-environment trials is discussed. The results suggest that the model with
anisotropic stationary AR1×AR1 with heterogeneous residual variances is the best
alternative for these multi-environment yield trials.
spatial correlation.
viii
Tabla de Contenido
Pag.
CAPÍTULO I .............................................................................................................................................. 1
Objetivos ................................................................................................................................................ 5
CAPÍTULO II ............................................................................................................................................ 7
ix
Modelación de la estructura de parcelas en ECR multiambientales ..................................................... 46
EXPERIMENTALES ...................................................................................................................................... 52
Introducción ......................................................................................................................................... 52
Base de datos..................................................................................................................................................... 53
Predicción de los efectos de genotipo (BLUP) basados en datos de una campaña agrícola .......................... 56
Resultados y Discusión......................................................................................................................... 60
Conclusiones ........................................................................................................................................ 64
CAPÍTULO IV ......................................................................................................................................... 66
HYPOGAEA L.)............................................................................................................................................ 66
Introducción ......................................................................................................................................... 66
Base de datos..................................................................................................................................................... 67
Análisis simultáneo de los ECR de los genotipos contenidos en seis campañas agrícolas ............................ 71
Resultados y Discusión......................................................................................................................... 73
x
Análisis de los ECR por campaña agrícola ....................................................................................................... 73
Conclusiones ........................................................................................................................................ 86
CAPÍTULO V ........................................................................................................................................... 88
MULTIAMBIENTALES .................................................................................................................................. 88
Introducción ......................................................................................................................................... 88
Base de datos..................................................................................................................................................... 92
Resultados y Discusión......................................................................................................................... 96
RANGOS DE LOS RENDIMIENTOS DE GENOTIPOS AVANZADOS PARTICIPANTES EN LOS ECR DEL PROGRAMA
VALORES DE MÁXIMA VEROSIMILITUD (-2 RES LOG LIKELIHOOD) PARA 10 MODELOS DE RENDIMIENTOS DE
xi
Lista de Tablas
Pag.
Tabla 3.2. Componentes de varianza para ECR de ciclo corto (ECR CC) y ciclo
INTA. ..................................................................................................................... 68
xii
Tabla 4.4. Criterios de información para el modelo básico de ECR de efectos
fijos con y sin heterogeneidad de varianzas residual a través de los sitios. ........... 73
Tabla 4.8. Criterios de bondad de ajuste para 3 modelos mixtos ajustados a los
Tabla 5.1. Sintaxis resumida de comandos de Proc Mixed SAS (Versión 8.2)
Tabla 5.2. Criterios de Akaike (AIC) obtenidos para 10 modelos que incorporan
xiii
Tabla 5.3. Criterios de Schwarz (BIC) obtenidos para 10 modelos que
xiv
Lista de Figuras
Pag.
Fig. 2.3. GGE biplot para la comparación del desempeño del genotipo mf485 en
tres sitios. Puntos oscuros representan genotipos y puntos claros sitios. ............... 33
Fig. 2.4. GGE biplot para la comparación del desempeño de los genotipos
Fig. 2.5. GGE biplot para la identificación de los mejores genotipos en cada
Fig. 2.6. GGE biplot para la identificación de los mejores genotipos en función
Fig. 2.7. GGE biplot para la identificación de los mejores ambientes. Puntos
xv
Fig. 4.1. GGE biplots basados en 6 años de ECR del Programa de Mejoramiento
xvi
Lista de Símbolos y Abreviaturas
xvii
Máx: Máximo
Mín: Mínimo
ML: Máxima verosimilitud
NS: Norte-sur
L: Efecto principal de localidad
PMM: Programa de mejoramiento de maní
PLS: Mínimos cuadrados parciales (partial least square)
Pow: función potencia isotrópica
Powa: función potencia anisotrópica
PowaH: función potencia anisotrópica errores heterogéneos
REML: Máxima verosimilitud restringida
S: Efecto principal de sitio
SCR: Sin cambio de rango (Noncross-over interaction)
SREG: Regresiones por sitio.
SVD: Descomposición en valor singular
xviii
CAPÍTULO I
REVISIÓN DE ANTECEDENTES
2
incorporan efectos de bloques ya que la estructura de parcelas dentro de cada ensayo
común sigue un diseño de bloques completos al azar. Los modelos clásicos asumen
varianza residual homogénea entre los ensayos e independencia entre los errores
asociados a cada observación individual. Existen numerosas propuestas para el análisis
de ECR en mejoramiento vegetal tanto para la estimación de efectos genotípicos e
interacciones (Hanson, 1970; Calinski et al., 1987, Lin y Bins, 1988, Zobel, et al., 1988;
Gauch, 1988; Crossa, 1988, 1990; Crossa et al.,1990; Seyedsadr y Cornelius, 1992;
Kang y Gauch, 1996; Crossa y Cornelius, 1997; Vargas et al., 1999; Yan et al., 2000)
como para la modelación de la variación espacial de los términos de error de parcelas
(Gleeson y Cullis, 1987; Stroup et al., 1994; Gilmour et al., 1997; Casler, 1999; Smith
et al., 2001). Particularmente, para el estudio de la interacción y los análisis que de ella
se derivan, los modelos de interacción multiplicativa (AMMI, Gauch, 1988) han sido
ampliamente difundidos entre los mejoradores. Actualmente, los gráficos GGE biplot
(Yan y Hunt, 2001) representan una metodología novedosa para la identificación de
mega-ambientes, la selección de cultivares dentro de cada ambiente y la selección de
ambientes adecuados para los ensayos. Estos gráficos pueden obtenerse a partir de
modelos que incorporan variables externas, i.e. covariables, tanto de los genotipos como
de los ambientes (Vargas et al., 1998, 1999, 2001). Una técnica utilizada con este fin se
basa en el modelo de regresión factorial (Denis, 1988; Van Eeuwijk et al., 1996).
3
conjunto grande de genotipos. Otros autores (Stroup, 1989; White et al., 1986; Bridges,
1989; Chang y Milligan, 1992; Piepho, 1994; Balzarini, 2000) también se basan en la
predicción de efectos aleatorios para la elección de material vegetal. Cullis et al. (1998)
utilizan efectos aleatorios para modelar la estructura de covarianza obteniendo
estimaciones más confiables para la comparación de medias de genotipo que las
logradas con la estrategia tradicional de incorporación del efecto de bloques para
modelar la estructura de parcelas.
A pesar de que los modelos lineales mixtos han sido usados exitosamente en
mejoramiento animal, para la evaluación de mérito genético, el estudio de la naturaleza
de la acción genética y la estimación de componentes de varianzas (Henderson, 1973,
1974, 1975, 1984; Gianola y Hammond, 1990) sus aplicaciones en el campo del
mejoramiento vegetal son menos frecuentes. Tal vez la falta de explotación de los
modelos mixtos en esta área se relacione con problemas computacionales relacionados a
los grandes volúmenes de datos existentes en programas de mejoramiento vegetal y a
las dimensiones de los espacios paramétricos de interés. En la actualidad, existe
software estadístico que permite ajustar modelos mixtos a grandes bases de datos. El
procedimiento Mixed en SAS (SAS, 1997) ha provisto la posibilidad de usar
rutinariamente una gran clase de modelos estadísticos relacionados con la teoría de los
modelos lineales mixtos. Otros desarrollos como ASREML (Gilmour et al., 1999)
permiten estimar componentes de varianza, estimar efectos genéticos, espaciales y
multiambientales desde el marco teórico del modelos lineal mixto general (Searle et al.
1992; Khuri et al., 1998).
Si bien bajo un modelo mixto es posible modelar las estructuras complejas que
caracterizan las bases de datos en mejoramiento vegetal, el uso de estos modelos no
puede realizarse sin considerar de diversos aspectos teóricos y prácticos. Por ejemplo, es
necesario contemplar que la introducción de efectos aleatorios en el modelo modifica la
varianza de las observaciones y por tanto los procedimientos tradicionales para analizar
los factores de efectos fijos deben adecuarse a este cambio (Litell et al., 1996). Además,
los espacios de inferencia deben considerarse en relación a todas las componentes
aleatorias del modelo (Stroup, 1989, 2000; McLean, et al., 1991). Cuando se trabaja
bajo un modelo mixto con ensayos multiambientales u otros ensayos multifactoriales, de
4
las dimensiones que usualmente caracterizan a la experimentación en mejoramiento
vegetal, es necesario tener en cuenta aspectos computacionales relacionados a la
estimación de parámetros. No todas las técnicas de estimación de componentes de
varianza y efectos fijos (Rao, 1973; Searle, 1987, Searle et al., 1992) son igualmente
apropiadas para la estimación de parámetros de los modelos utilizados en programas de
mejoramiento vegetal. También es necesario tener en cuenta que la predicción de
efectos aleatorios o combinaciones de éstos con efectos fijos puede realizarse con
diferentes predictores (Henderson, 1984; Robinson, 1991; Mrode, 1996) y bajos
distintas parametrizaciones del modelo de análisis (Piepho, 1998; Balzarini, 2000).
Objetivos
Objetivo General
5
programas de mejoramiento vegetal
Objetivos Específicos
6
CAPÍTULO II
y Xβ e (2.1)
βˆ (X´X) X´y , donde ( X´X) es una inversa generalizada de X´X (Searle, 1971). Para
hallar una estimación del vector de parámetros, no hace falta hacer suposiciones
distribucionales sobre el vector ε . Si se asumen los supuestos del modelo de muestreo
ideal, i.e. términos de error independientes y normalmente distribuidos con media 0 y
varianza 2 , entonces, la matriz de covarianzas de β̂ , utilizada para realizar inferencia
7
y Xβ Zu e (2.2)
u 0 u G 0
E y Var
e 0 e 0 R
V (y ) V V ( Xβ Zu e)
ZV (u)Z´V (e) (2.3)
ZGZ´ R
8
espacial y/o temporal de las mismas en el campo y/o considerar diferentes precisiones
de ensayos cuando se combinan experimentos.
9
Analizando el modelo completo se derivan las ecuaciones normales del modelo
mixto general (Henderson, 1973) que, asumiendo G de rango columna completo, son
utilizadas para obtener un estimador de β y un predictor de u en forma simultanea:
βˆ Vˆ (X´V
ˆ 1X) X´V
ˆ 1y
(2.8)
ˆ ˆ -1 (y - Xβ)
ˆ Vˆ = GZ'V
u ˆ
(2.9)
10
1 n n 2
LML (V) = log | V | log r´V 1r 1 log
2 2 2 n (2.10)
1 n n p n p 2
LREML (V) = log | V | log | X´V 1X | log r´V 1r 1 log
2 2 2 2 n p (2.11)
11
Otra alternativa que puede usarse para comparar dos modelos cuando uno de ellos
es un caso particular del otro, es el cociente de verosimilitud 2 que consiste en
comparar dos modelos de covarianza, siendo uno de ellos un caso particular del otro.
Para la construcción de la prueba a la cantidad –2 log(verosimilitud) del modelo con
más cantidad de parámetros se le resta la cantidad –2 log(verosimilitud) del modelo
reducido. La diferencia obtenida se compara con una distribución 2 con grados de
libertad igual a la diferencia entre el número de parámetros estimados por uno y otro
modelo. Si la prueba resulta significativa, el modelo correcto es el más completo, en
caso contrario, el modelo reducido es el adecuado. Esta prueba se puede realizar tanto
con lo estimadores de máxima verosimilitud como con los estimadores de máxima
verosimilitud restringida (Quinn y Keough, 2002).
efectos fijos y aleatorios del modelo se considera la función L . Estas funciones son
β
u
ˆ
L β
t uˆ
ˆ
LCL´ (2.14).
ˆ 1 ˆ 1Z
ˆ X´R X X´R
C ˆ 1 ˆ 1Z + Gˆ 1
Z´R X Z´R (2.15)
12
Bajo los supuestos distribucionales del modelo ideal sobre u y e, el estadístico t tiene
una distribución T exacta con grados de libertad. Si el rango de L es mayor a 1,
entonces se construye un estadístico F:
´
βˆ ˆ 1 βˆ
uˆ L´(LCL´) L uˆ
F
rango(L) (2.16)
dado que la esperanza del vector aleatorio u es 0. Por este motivo es llamada esperanza
incondicional de la media de y sobre todos los posibles valores de u. Es decir, los
niveles observados de un efecto aleatorio son una muestra aleatoria de la población de
niveles y la esperanza incondicional es la media de y sobre toda esa población. La
esperanza condicional de y dado u es:
E(y | u) Xβ Zu (2.18)
13
natural de efectos aleatorios en el contexto del modelo mixto lineal general, presentando
propiedades óptimas en el sentido de minimizar el error cuadrático medio de la
predicción dentro del conjunto de los predictores insesgados (Harville, 1990; Robinson,
1991). Los BLUP de efectos de genotipo que se usan como predictores del desempeño
futuro de cada genotipo pueden obtenerse a partir de uno o más años de ensayos.
Cuando los efectos de genotipo son considerados como constantes fijas, las
medias de genotipo son los estimadores naturales para la elección de los genotipos que
deberán seguir siendo evaluados. Sin embargo cuando se comparan 2 genotipos a través
de sus medias, no se incorpora información sobre la estructura de varianzas y
covarianzas del conjunto de genotipos evaluados, sólo se utiliza la información de los 2
genotipos que se comparan. El uso del BLUP de genotipos permite ponderar las
predicciones sobre genotipos en relación a la estructura de covarianzas genéticas y/o
experimentales subyacentes. Si se tiene información de pedigree o molecular que
permita establecer relaciones genéticas (covarianzas) entre las líneas comparadas, éstas
pueden ser incorporadas en el modelo mediante la matriz G (Bernardo, 1999; Balzarini,
2000). Los ECR de líneas experimentales muchas veces son conducidos durante varios
años. En cada año nuevas líneas son incorporadas y otras dejan de evaluarse. Si en un
año en particular se quieren comparar un conjunto de genotipos utilizando toda la
información disponible sobre ellos, las bases de datos del análisis serán altamente
desbalanceadas. El uso del BLUP como predictor del desempeño futuro permite
contemplar estas diferencias en tamaño de muestra asociadas a cada genotipo.
como aleatorios, se supone que los efectos Gi, Bj y ij son normales, idéntica e
14
independientemente distribuidos con media 0 y varianzas g2 , b2 y 2,
g2
H 2
2
(2.20)
g 2
g2
H 2
g2
2
b (2.21)
Si se analizan los datos de varios ECR, el modelo básico para predecir el mérito
genético a partir de la combinación de j=1,...,t ensayos conducidos cada uno según un
DBCA es:
15
yijk = + Gi + Ej + B(E)k(j) + GE(ij)+ ijk (2.22)
donde F G y F GE son factores de corrimiento, que bajo los supuestos de este modelo
pueden expresarse como funciones de las componentes de varianzas asociadas a los
términos aleatorios del mismo:
GE
2
G2
FG s
e2
2
G
2
GE
ns (2.24)
GE
2
F GL
e2
GE
2
n (2.25)
16
Cuando el interés se centra en la predicción del efecto de genotipo Gi, i=1,…,g
(inferencia amplia), el objetivo es la obtención del BLUP de G y el único factor de
corrimiento involucrado. Mood (1950) da la ecuación para este estimador del mérito del
individuo:
ˆ i ˆ
ˆ is ˆ (2.26)
ˆ G2
(ˆ G2 ˆ 2 ) / b
ˆ i2 ˆ G2 ˆ 2
donde Bi y ˆ 2
ˆ i2 ˆ G2 i
b
En las expresiones anteriores puede verse que el estimador aproxima la media del
genotipo hacia la media general. El grado de corrimiento depende de la magnitud de la
varianza. Una varianza de genotipos grande produce un corrimiento pequeño mientras
que una varianza de genotipos pequeña produce un mayor acercamiento hacia la media
general. La ventaja de este estimador es que cuando las medias de genotipo están muy
por arriba o por debajo de la media general, éstas son regresadas hacia el valor de
teniendo en cuenta las magnitudes de ˆ G2 relativas a ˆ 2 . De esta forma las medias
extremas son atenuadas por el conocimiento de la variabilidad subyacente reduciendo el
riesgo de mala interpretación de los datos.
17
medias genotípicas, los BLUP de efectos de genotipos se aproximan a las medias de los
genotipos. Un valor pequeño de F G , conduce a una regresión mayor de la medias de
genotipo hacia la media general. En este último caso, la elección de los genotipos
mediante BLUP puede resultar diferente a la que se encontraría usando las medias de
los mismos bajo un modelo de efectos fijos. Este comportamiento puede disminuir el
riesgo de determinar como diferentes a genotipos sin diferencias reales en mérito
genético.
Mientras que la media de los efectos fijos es un promedio realizado sobre todos
los niveles del efecto en la población, el BLUP es una regresión hacia la media general
basada en los componentes de varianza de los efectos del modelo. Esta última es
comúnmente llamada estimación corregida (shrinkage estimation).
18
importantes de los programas de mejoramiento vegetal, como ser: 1) la necesidad de
explorar la posible existencia de mega-ambientes (cuando GA es relativamente grande
respecto de A) (Yan et al., 2000; Yan y Hunt, 2002), 2) la necesidad de utilizar modelos
que descuenten efectos principales de ambientes, i.e. modelos SREG (Crossa y
Cornellius, 1997, 2002) cuando la contribución de localidades es la más importante en
relación a los restantes componentes del modelo y 3) la conveniencia de repetir los
ensayos en un determinado número de ambientes, respecto a la de incrementar el
número de ambientes a utilizar (Milligan, 1994). Normalmente se comparan niveles
promedios de rendimiento sobre varios ambientes (inferencia en sentido amplio),
promedios de rendimientos en ambientes específicos (inferencia en sentido estricto),
estabilidad de rendimientos a través de los ambientes, y se exploran los patrones de
interacción GA. También es posible realizar análisis conducentes a obtener una
explicación de la interacción GA mediante la incorporación de variables ambientales
y/o de genotipos al modelo (Vargas et al., 2001).
19
donde yijk es la respuesta del genotipo i, en la localidad j, bloque k; es la media
general; Gi es el efecto del genotipo i con i=1,...,g; Lj es el efecto de la localidad j con
j=1,…,s; B(L)k(j) es el efecto del bloque k dentro de la localidad j con k=1,...,n; GL(ij) es
el efecto de la interacción del genotipo i con la localidad j y ijk es el término de error
aleatorio asociado a la observación yijk. Cuando se analizan caracteres continuos como
el rendimiento, los términos de error se suponen distribuidos normalmente con media
cero; la varianza de los errores puede ser constante o no. En numerosas ocasiones
resulta apropiado considerar que la variación residual es heterocedástica a través de las
localidades, ya que ECR conducidos en diferentes localidades suelen tener, por
múltiples razones, diferente precisión.
20
yijkl = + Lj + Cl + B(LC)k(jl) + Gi + GL(ij)+ GC(il) + GLC(ijl)+ijkl (2.29)
21
Y Xβ Zu ε
1´μ XGβ1 Z A L ZGA (GA) Z B ( A) ( B( A)) ε
(2.31)
GA, i.e. G2 A constante para todo término GA, tiene la siguiente forma:
A2 I 0 0
G 0 GAI
2
0 .
0 0 B2 ( A) I
22
ambientes son distintas. En la Fig. 2.1 D se representan dos genotipos cuya producción
aumenta proporcionalmente con los ambientes, no hay interacción genotipoambiente y
no hay cambio de rango.
A B
35 35
30 30
25 25
rendimiento
rendimiento
20 20
15 15
10 10
5 5
0 0
1 2 1 2
ambiente ambiente
C D
35 35
30 30
25 25
rendimiento
rendimiento
20 20
15 15
10 10
5 5
0 0
1 2 1 2
ambiente ambiente
23
cuantificar estabilidad de genotipos en situaciones de tablas de datos de ECR completas
se han propuesto diversas medidas (Shukla, 1972; Eberhart y Russell, 1966; Finlay y
Wilkinson, 1963; Francis y Kannenberg, 1978; Lin y Bins, 1994). También, a partir de
la modelación estadística, se pueden construir gráficos de parámetros del modelo que
permiten interpretar los patrones de interacción GA (Gauch, 1988; Vargas et al., 1999;
Yan et al., 2000; Crossa y Cornelius, 2002).
Modelos de regresión
24
ambientales. Becker (1981) llamó a este tipo de estabilidad el concepto agronómico y lo
distinguió del concepto biológico, el cual es equivalente al concepto estático.
25
Tabla 2.1: Medidas de estabilidad y su clasificación.
Grupo Concepto Estadístico para medir Estabilidad Autores
Estabilidad
A Estático Varianza ambiental Roemer
1 g (1917)
tipo 1 S 2j
a 1 i 1
(Yij Y. j )2
(Y ij Y. j )(Yi. Y.. )
j i 1
g
(Y
i 1
i. Y.. ) 2
i 1
26
Tabla 2.1(continuación): Medidas de estabilidad y su clasificación.
Grup Concepto Estadístico para medir Estabilidad (*) Autores
o Estabilidad
D Dinámico Cuadrado medio residual de las desviaciones respecto a las regresiones de Perkins
valores observados ajustados por ambiente sobre índice ambiental. Jinks
tipo 3
1 g g
(1968)
j2
(a 2) i 1
(Yij Yi . Y. j Y.. ) 2
2
j (Yi. Y.. )2
i 1
D Dinámico Coeficiente de determinación Pinthus
2 (1973)
S
rj2 1
tipo 3 dj
2
S yj
B Dinámico Media del valor absoluto de la diferencia entre rangos del genotipo i-ésimo Nassar
sobre todos los ambientes Hühn
2 a (1987)
j
S (1) | rij ri´ j |
a(a 1) i´i 1
B Dinámico Varianza común de los rangos del genotipo i-ésimo entre los ambientes Nassar
(Estático 1 a Hühn
desde
punto
el
de
S (2)
j (rij r. j )2
(a 1) i 1
(1987)
vista de los
rangos)
(*) Yij es la respuesta del genotipo i en el ambiente j; Y. j es el promedio sobre genotipos; Yi. es el promedio sobre
ambientes; Y.. es el promedio general; bmin es el mínimo coeficiente de regresión de Finlay y Wilkinson para
genotipo; rij es el rango del genotipo i en el ambiente j .
La selección de los genotipos que intervienen en el ensayo debe ser hecha muy
cuidadosamente y en función del nivel de inferencia que se quiera alcanzar con los
resultados. Por último, el concepto de estabilidad tipo III identifica a un genotipo como
estable si muestra un cuadrado medio residual pequeño cuando se regresa su respuesta
fenotípica sobre índices ambientales. Breese (1969), sugirió que el término estabilidad
debiera ser reservado para medir irregularidades no predecibles en la respuesta a los
ambientes. Así, si al regresar genotipos con ambientes, la variabilidad de la respuesta es
subdividida en una parte predecible (debida a la regresión) y en otra no predecible
(desvíos de la regresión), esta última podría servir como medida de estabilidad. El
problema es que para regresar la respuesta del genotipo con el ambiente, se construyen
índices ambientales a partir de los promedios de rendimiento de los genotipos presentes
en el ensayo, luego el modelo de análisis es descriptivo y no predictivo.
27
Modelos basados en análisis de componentes principales
r
yij Gi A j nninj ij ij (2.32)
n 1
r
donde Gi es el efecto del genotipo i, Aj es el efecto del ambiente j,
n 1
n ni nj es la
asociado al eje y denotado por n. El parámetro ij representa la porción del ij-ésimo
28
genotípica a los factores ambientales latentes, los cuales son representados por nj en el
j-ésimo ambiente.
Los modelos de regresión por sitio (SREG, Cornelius et al., 1996; Crossa y
Cornelius, 1997 y 2002) son modelos lineales-bilineales que remueven el efecto de sitio
29
y sólo expresan a la respuesta en función de G y G×A. Son aconsejables cuando los
sitios constituyen la fuente de variación más importante en relación a la contribución de
los genotipos y la interacción genotipositio sobre la variabilidad total, situaciones éstas
muy comunes en la práctica. Para visualizar los patrones de interacción con remoción de
los efectos de ambiente (datos centrados por sitio), Yan et al. (2000) proponen los
gráficos GGE biplots. A partir de estos gráficos se puede investigar la diferenciación de
mega-ambientes entre los ambientes en estudio, seleccionar cultivares superiores en un
mega-ambiente dado, seleccionar los mejores ambientes de evaluación para analizar las
causas de la interacción GA. Los gráficos conocidos como GGE biplot son construidos
a partir de modelos SREG, es decir, descomponiendo mediante un análisis de
componentes principales los datos, previo centrado por efecto de ambiente. Así, los
efectos de genotipo y de interacción GA quedan contenidos en la matriz residual y es
ésta la matriz que se somete a SVD. Los GGE biplot facilitan la evaluación visual del
desempeño de los cultivares ya que si bien los caracteres que se evalúan en ECR se
modelan como la combinación de efectos de genotipo, ambiente e interacción GA,
solamente los efectos de genotipo y de interacción GA contienen información
relevante para evaluar el desempeño de los cultivares. Debido a que se evalúan
simultáneamente efectos de genotipo y de interacción GA, se seleccionan genotipos no
sólo por su estabilidad sino también por sus rendimientos promedio.
Los gráficos GGE biplot se suelen construir a partir de tres modelos (Yan y Hunt,
2002): 1) SVD de datos centrados por efecto de ambiente, 2) SVD de datos escalados
por la desviación estándar dentro de ambientes, y 3) SVD de datos escalados por el error
estándar dentro de ambientes. El modelo para construir un GGE biplot con las 2
primeras CP, a partir de la SVD de datos centrados por efecto de ambientes (Yan et al.,
2000; Yan y Hunt, 2002) es:
30
respectivamente, j1 y j 2 son los scores del ambiente j en la CP1 y CP2
El GGE biplot basado en las dos primeras componentes es construido graficando 11/ 2i1
los restantes términos son los mismos de la Ecuación (2.34). La tercer propuesta se basa
en el siguiente modelo:
términos son los mismos de la Ecuación (2.34). Para poder calcular Z j se requiere que
Yan et al. (2000) señalan que usualmente la CP1 representa respuestas de los
cultivares que son proporcionales a través de los ambientes las cuales se asocian con la
interacción GA sin cambio de rango, mientras que la CP2 representa respuesta de los
cultivares no proporcionales a través de los ambientes, es decir aquellas responsables de
la interacción GA con cambio de rango. En el GGE biplot, los cultivares con scores
CP1 altos se interpretan como aquellos que tienden a tener mayores rendimientos y los
31
ambientes con CP1 altos y CP2 cercanos a cero con los ambientes que facilitan la
identificación de dichos cultivares. En la siguiente sección se presenta la discusión
realizada por Yan y Hunt (2002) sobre cómo interpretar los GGE biplot según diferentes
objetivos.
Para identificar los mejores genotipos en un ambiente usando un GGE biplot, Yan
y Hunt (2002) sugieren trazar una línea entre el identificador del ambiente y el origen.
Las perpendiculares a ésta que pasan por los identificadores de genotipo proveen un
ranking de los genotipos en ese ambiente. Todos aquellos genotipos cuyas
perpendiculares a la línea del ambiente queden entre el identificador del ambiente y la
perpendicular al origen rinden por arriba del promedio en ese ambiente y viceversa. En
la Fig. 2.2 se presenta un ejemplo construido a partir de scores de 11 genotipos y 3 sitos
(ambientes).
3.5
sitio2
sitio1
2.0
0.5 mf487
manf393
mf484
mf478 sitio4
Sitio3
mf447
mf485
-1.0 mf457 mf489
-2.5
-3.0 -2.0 -1.0 0.0 1.0 2.0 3.0
CP 1
32
mf485, mf484, mf487, mf489, Tegua y Florman. El genotipo 447 rinde cercano al
promedio en este sitio, ya que está sobre la perpendicular a la recta del sitio 3, el resto
de los genotipos rinden por debajo del promedio del sitio, siendo el mf480 el de peor
desempeño para el sitio 3.
3.5
sitio2
sitio1
2.0
0.5 mf487
manf393
mf484
mf478 sitio4
Sitio3
mf447
mf485
-1.0 mf457 mf489
-2.5
-3.0 -2.0 -1.0 0.0 1.0 2.0 3.0
CP 1
33
Comparación de dos genotipos en diferentes ambientes.
3.5
sitio2
sitio1
2.0
0.5 mf487
manf393
mf484
mf478 sitio4
Sitio3
mf447
mf485
-1.0 mf457 mf489
-2.5
-3.0 -2.0 -1.0 0.0 1.0 2.0 3.0
CP 1
34
Identificación de los mejores genotipos en cada ambiente
3.5
sitio2
sitio1
2.0
0.5 mf487
manf393
mf484
mf478 sitio4
Sitio3
mf447
mf485
-1.0 mf457 mf489
-2.5
-3.0 -2.0 -1.0 0.0 1.0 2.0 3.0
CP 1
En el biplot de la Fig. 2.5, se observa que en el cuadrante que tiene como vértice al
genotipo mf480 se encuentra el sitio 1. Este genotipo es el de mayor rinde en ese sitio.
35
Luego le siguen en rendimiento los genotipos mf478 y manf393. El cuadrante cuyo
vértice esta determinado por el genotipo Tegua, involucra al sitio 2. Al genotipo Tegua
le sigue en rendimiento el genotipo Florman, aunque por su cercanía en el biplot estos
tienen rendimientos muy parecidos en ese sitio. El siguiente cuadrante queda
determinado por la proyección de la línea que une a los genotipos mf484 y mf485 y es
perpendicular al origen. Este cuadrante no contiene ningún genotipo ni ningún sitio. El
marcador del genotipo mf485 es el vértice del sector que contiene al sitio 3 y a los
genotipos mf485, mf484m, mf489 y mf487 en orden de mayor a menor rendimiento
dentro de ese sitio. Por último, el cuadrante que tiene por vértice al genotipo mf457 no
comprende ningún sitio, por lo tanto, los genotipos mf457 y mf447 son los de
rendimientos más pobres en todos los sitios evaluados.
El GGE biplot (Fig. 2.5) también es útil para indagar sobre el comportamiento de
los ambientes. Todos los sitios que quedan en un mismo cuadrante pueden ser
considerados como pertenecientes a un mega-ambiente. En este ejemplo, en el que la
componente de interacción GA fue mayor que la componente de G, quedan todos los
sitios en distintos cuadrantes, sugiriendo la presencia de tres mega-ambientes diferentes.
36
la línea media de scores de ambiente. La proyección de líneas paralelas a esta
perpendicular que pasen por los marcadores de genotipos da un ranking de las medias
de genotipo a través de todos los ambientes. Así, en la Fig. 2.6 se puede observar que el
orden de rendimientos de genotipo de mayor a menor es: mf478, mf393, mf489, mf480,
mf457, mf484 (todos estos por arriba de la media de genotipos a través de los
ambientes), seguidos por mf487, mf485, Tegua y Florman (todos por debajo de la
media). Así como la proyección de los identificadores de genotipo sobre la línea media
de scores de ambiente da una idea del rendimiento de los genotipos sobre el promedio
de ambientes, la magnitud de la proyección de los marcadores de genotipo a la
perpendicular al eje de ambientes da una idea de su estabilidad. Cuanto mayor es esta
magnitud, más inestable es el genotipo. En el biplot de la Fig. 2.6 los genotipos más
estables son mf484 y mf457 mientras que los más inestables son Florman y mf478. Los
genotipos de rendimiento pobre no tienen importancia agronómica aún si su estabilidad
es buena.
3.5
sitio4
Sitio3
2.0
mf487 mf489
mf485 manf393
CP 2
0.5
mf447 mf478
Tegua
Florman sitio1
mf484
-1.0 mf457
sitio2
mf480
-2.5
-3 -2 -1 0 1 2 3
CP 1
37
criterios (rendimiento y estabilidad del rendimiento) son mf478, manf393 y mf447. El
primero, si se desea maximizar el rendimiento a costa de inestabilidad, mf447 si se
desea estabilidad a costa de no tener un rendimiento potencialmente alto y manf393 si
se desea un balance entre rendimiento y estabilidad de los rendimientos.
ambientes
Los GGE biplots pueden ser usados también para evaluar ambientes. Los
ambientes ideales no sólo deben producir una alta diferenciación de los genotipos sino
también ser representativos de la región objeto de estudio. Si los sitios son una muestra
representativa de la región en estudio, el ambiente ideal debe estar localizado sobre el
eje de la media de scores de ambientes y tener la mayor distancia sobre las proyecciones
positivas de la CP. Los ambientes son mejores cuanto más cerca están del ambiente
ideal. En la Fig. 2.7 el sitio más cercano al ambientes ideal (marcado con un círculo) es
el sitio 1 ya que esta más cerca de la línea media de scores de ambientes en su
intersección con la proyección del sitio 3 que es el de mayor rendimiento promedio.
3.5
sitio4
Sitio3
2.0
mf487 mf489
mf485 manf393
CP 2
0.5
mf447 mf478
Tegua
Florman sitio1
mf484
-1.0 mf457
sitio2
mf480
-2.5
-3 -2 -1 0 1 2 3
CP 1
38
Modelos mixtos para el análisis de la interacción GA
En los análisis de la interacción GA bajo los modelos mixtos, los efectos de la
interacción son considerados como variables aleatorias, con media cero, con varianzas
que no necesariamente deben ser homogéneas y covarianzas posiblemente distintas de
cero. Como se considera que los ambientes aportan información independiente unos de
otros, la covarianza entre las observaciones provenientes de distintos ambientes se
asume nula, y por parsimonia, los modelos para la estructura de (co)-varianza de los
términos de interacción se asumen iguales de ambiente a ambiente.
Las medias de cualquier par de genotipos (i, i’) en un ambiente dado (j), yij e yi´ j
39
puede observarse en la Tabla 2.2, los distintos modelos impuestos sobre los términos de
interacción GA generan distintas estructuras de varianzas y covarianzas para el vector
de observaciones (Balzarini, 2002).
El modelo mixto clásico de un ECR asume que los términos de interacción GA
tienen la misma varianza y son independientes. En el modelo mixto que permite que los
términos de interacción GA sean independientes pero heterocedásticos, las varianzas
de los términos de interacción GA varían de genotipo a genotipo, pero no dentro de un
genotipo en particular a través de los ambientes y por tanto el número de varianzas
distintas que se pueden modelar es igual al número de genotipos. Estas componentes de
varianza, son análogas a la propuesta original de Shukla (1972), llamada varianza de
estabilidad y por ello el modelo suele denominarse Shukla mixto. El modelo AMMI
mixto considera los términos multiplicativos de la interacción GA como aleatorios, es
decir:
GAij =
m
dij
mi mj (2.38)
donde el primer término es la suma de los términos multiplicativos usados para explicar
la interacción GA y el segundo es el término de interacción residual. Cada término
multiplicativo puede ser visto como un modelo de regresión lineal de los residuos del
modelo de efectos principales del genotipo i sobre la variable latente no observable
relativa a los efectos de ambiente.
40
Tabla 2.2. Modelos mixtos para el análisis de ECR
Modelo Ecuación del modelo (*) Supuestos sobre efectos de interacción Estructura de covarianza para y(j)(**)
[1] ANOVA Mixto yijk = + Aj + Rk(j) + Gi + GAij + ijk GAij ~ iid N(0, GA
2
) /amb = J A2 + I GA
2
[2] Shukla mixto yijk = + Aj + Rk(j) + Gi + GAij + ijk GAij ~ iid N(0, GA
2
) /amb = J A2 + I GA
2
(i ) (i )
[4] Eberhart y Russell mixto yijk = + Aj + Rk(j) + Gi + GAij + ijk GAi ~ N(0, i2 + d2 ) para todo j. /amb = + diag ( 2( i ) )
(i )
(*) µ= media general; Aj= efecto aleatorio del ambiente j; Rk(j)= efecto aleatorio de la repetición dentro de ambiente; Gi= efecto fijo del genotipo i; GAij= efecto aleatorio de la interacción
GA; mi (i =1,…,g)= factor de peso del genotipo en el m-ésimo término de interacción multiplicativa; mj= predicho del m-ésimo score de una variable ambiental latente para el ambiente j;
dji= término de interacción residual; ijk= término de error asociado con la respuesta yijk (**) y(j)= vector de medias de genotipo en el ambiente j; /amb= Matriz de varianzas y covarianzas de
y(j); J= matriz con elementos 1 de orden gxg; I= matriz identidad gxg; : matriz gxM de factores de peso de genotipos para cada término multiplicativo m=1,..,M.
41
de los términos multiplicativos es parte de la E(yijk) mientras que bajo un modelo de
efectos mixtos ésta se encuentra contemplada en su estructura de varianzas y
covarianzas (Balzarini, 2000). El modelo denominado Eberhart y Russell mixto no
contiene los efectos principales de ambiente y sólo considera los efectos multiplicativos
de la interacción GA, es decir:
Para ejemplificar las diferencias entre los dos tipos de inferencia, consideramos el
modelo con efectos de genotipo fijos y de ensayos aleatorios, con término de interacción
genotipoambiente aleatorio:
42
donde yijk es la respuesta (rendimiento) del genotipo i, en el ensayo j; es la media
general; Gi es el efecto fijo del genotipo i con i=1,...,g; Aj es el efecto aleatorio del
ambiente j con j=1,…,t; GE(ij) es el efecto aleatorio de la interacción del genotipo i con
el ambiente j; y ijk es el término de error aleatorio asociado a la observación yijk. La
esperanza incondicional de una observación es E (Yijk ) Gi . Si se desea estimar el
desempeño promedio del i-ésimo genotipo sobre la población de ambientes, i.e. aquellos
presentes en el ensayo y aquellos que no lo están, se deberá estimar Gi . De la
misma forma, para estimar la diferencia media entre los genotipos i e i´ sobre toda la
población de genotipos se deberá estimar Gi Gi´ . En ambos casos los términos
involucran efectos fijos por lo que se realizan estimaciones y la inferencia es
denominada inferencia en sentido amplio.
1 g 1 g e
i j g
g i 1
G A
i 1 j 1
GAij (2.41)
1 g
Gi Aj .
g i 1
(2.42)
43
a través de los genotipos específicos i e i´ se debe determinar Gi Gi´ GAij GAi´ j .
Zeger et al. (1988) denominan a estos términos como sujeto-específico, y si se eliminan
las componentes aleatorias de éstas funciones predecibles sujeto-especifico, se obtiene
el análogo pero en sentido amplio.
C
yijk Gi Aj B Ak ( j ) xicG jcA ijk (2.43)
c 1
donde el valor de la covariable c para el i-ésimo genotipo está indicada con xicG y C
indica el número de covariables de genotipo incluidas en el análisis (c = 1,...,C). Las
covariables genotípicas usuales representan características fenológicas, fisiológicas, de
resistencia a plagas y/o enfermedades, marcadores moleculares, etc..
C*
yijk Gi Aj B Ak ( j ) icG* x Ajc* ijk
c*1 (2.44)
44
donde x Ajc* (c*= 1, ...,C*) representa la covariables ambiental c* en el j-ésimo ambiente
C* C C* C
yijk Gi Aj B Ak ( j ) icG* x Ajc* xicG jcA xicG x Ajc* ijk
c*1 c 1 c*1 c 1 (2.45)
En general estos modelos han sido usados en el marco de los modelos de efectos fijos y
suponiendo términos de error normalmente distribuidos con media cero y varianzas
constantes. Se usan los procedimientos clásicos (Draper y Smith, 1998) de selección de
variables para identificar las covariables de mayor capacidad predictiva. Si se trabaja
con datos de rendimiento medio doblemente centrados (descontando efectos de genotipo
y efectos de ambiente) las covariables seleccionadas explican directamente la
interacción GA.
45
E (Y) 1i 1´j τ1´j 1i β´ ξZ´ (2.47)
ambientes sobre cada uno de los genotipos. La dificultad de explicar la interacción GA
a través de variables ambientales radica en la complejidad estadística, sobre todo
cuando éstas son numerosas, ya que muchas de ellas están correlacionadas y los
métodos de estimación por mínimos cuadrados ordinarios producen estimadores de los
coeficientes de regresión que pueden ser erróneos. La estimación por PLS ofrece una
alternativa estadística con el cual se puede explicar la interacción GA a partir de las
covariables ambientales. Los genotipos, los ambientes y las variables ambientales
pueden ser conjuntamente representados en un gráfico conocido como Triplot. Esta
aproximación ofrece una técnica potente para evaluar la respuesta de los genotipos en
varios ambientes como una función de un conjunto de variables ambientales que colapsa
la información desde los distintos ambientes. La técnica consiste en identificar una
combinación lineal de las variables explicatorias que den un vector latente para predecir
en forma óptima la respuesta usando un procedimiento iterativo. El número de
combinaciones lineales a retener se obtiene por validación cruzada (Stone, 1974) y por
medio de pruebas F (Osten, 1988).
46
vector de parámetros desconocidos que contiene las g medias de rendimiento (donde
también se podrían incorporar los efectos de bloques si se tratan éstos como efectos
fijos), X la matriz de diseño correspondiente y e un vector de términos de error con un
elemento para cada una de las parcelas que, si se supone que no existen dependencias,
se distribuyen iid N(0, 2 ).
Whittle (1954), Mead (1971), Besag (1974,1977) y Ripley (1981) usan un modelo
de errores autorregresivos en ECR conducidos en un único ambiente. Estos son modelos
autorregresivos para el término de error de la parcela i-ésima condicional al resto de los
términos de error de las parcelas vecinas. Con una matriz de covarianza para el modelo
autorregresivo C = D y un vector de parámetros fijos conteniendo g medias de
cultivar, estos modelos producen ajustes de medias de rendimiento iterando sobre la
siguiente expresión:
Las medias ajustadas por los modelos autorregresivos son muy cercanas
conceptualmente a las obtenidas por el estimador de Papadakis. Expresando las medias
ajustadas por el método de Papadakis como:
47
rμˆ X´y αX´D
ˆ y Xμˆ , (2.49)
bloque j que lleva el cultivar i. Los eij se asumen independientes con varianza constante
Los efectos de bloques pueden ser tratados como fijos o como aleatorios. Los
efectos de bloques se consideran aleatorios cuando se supone que los bloques en el
experimento son solamente un subconjunto de un conjunto mayor de bloques sobre los
cuales se realizará la inferencia sobre medias de cultivar, es decir, se desea estimar y
comparar las medias de cultivar con niveles de precisión y de significancia estadística
que sean válidos en referencia al total de la población de bloques y no sólo sobre
aquellos bloques del experimento (Littel et al., 1996).
48
estándar EE 2 ( yi ) 2
b2 b ya que la media para el cultivar i es
49
R1 0 . . . 0 0
0 R2 . . . 0 0
. . . . .
R l 1 R l .
s
. . . .
. . . . .
0 0 . . . Rs 1 0
0 Rs
0 . . . 0
(2.51)
Es decir, se supone que cada ECR individual tiene su propia estructura de varianzas y
covarianzas y éstas son independientes unas de otras. Cuando se asume que el vector de
errores e refleja dependencias espaciales, la matriz de varianzas y covarianzas de e se
expresa como R = 2Corr δ , donde Corr δ es la matriz de correlación espacial que
diferente para cada grupo de datos o localidad. Existen numerosas formas posibles para
modelar la matriz Corr δ reflejando tendencia espacial local; algunas están
parcela j. La correlación entre los errores asociados a las parcelas i y j será función de
esta distancia y de un vector de parámetros desconocidos . Asumiremos que e
constituye un proceso estacionario de segundo orden, i.e., las correlaciones entre dos
parcelas dependen sólo del vector distancias. Luego, la función de correlación es la
misma para todos los pares de parcelas que se encuentran a igual distancia en un
dirección dada. Si se supone que la función de correlación no depende de la dirección,
el modelo de correlación espacial es llamado isotrópico (procesos invariantes a
rotaciones sobre el origen). Los modelos de correlación espacial se llaman anisotrópicos
cuando se asume que la función de correlación no sólo depende de la magnitud de la
distancia sino también de la dirección. Por otro lado, se dice que un proceso es
separable cuando se pueden tener funciones distintas en direcciones distintas y la
50
función de correlación resultante esta dada por el producto de la función de correlación
en cada una de las direcciones. En los casos de arreglos rectangulares de n parcelas en F
filas y C columnas (n=FC) importan generalmente sólo 2 direcciones (procesos
bidimensionales). Smith et al. (2001), cita que el supuesto de separabilidad es
computacionalmente conveniente y razonable para el proceso de tendencia espacial
bidimensional asociado a las parcelas de los ensayos a campo (Martin, 1990; Cullis y
Gleeson, 1991). Para un proceso bidimensional separable, la matriz de varianzas y
covarianzas para e en un ECR multiambiental puede ser expresada como:
R = 2Corr 2 Corr f f Corrc c , (2.52)
donde Corr f f y Corrc c contienen las matrices de correlación FF y CC para las
comúnmente expresada como exp dijp , para algún p>0, siendo d ij la distancia entre
las parcelas i y j y un parámetro desconocido. SAS versión 8.2 (SAS Institute, 2001)
lo llama modelo exponencial isotrópico, si p=1 (modelo con un único parámetro) y
modelo Gaussiano si p=2. El modelo con p=1 es de particular importancia para los
ECR.
51
CAPÍTULO III
Introducción
Los modelos mixtos, constituyen una alternativa más eficiente para el análisis de
bases de datos de ECR porque son menos afectados por el desbalance y la falta de
información (Boca, 1999; Balzarini, 2000). Los efectos principales de localidad, sobre
todo en ECR en el que participan pocas localidades, generalmente son considerados
como efectos fijos. Los efectos de genotipos, sobre todo en ECR que involucran un gran
número de genotipos, como son aquellos de etapas tempranas de programas de
mejoramiento, son considerados como aleatorios (Hill y Rosemberg, 1985; Piepho,
1994; Balzarini, 2000). Para realizar la elección de materiales que continuarán siendo
evaluados en el marco de los modelos mixtos que consideran los efectos de genotipo
aleatorios, se recomienda usar el mejor predictor lineal insesgado (BLUP) del efecto de
genotipo, en lugar de las medias de genotipos. Los BLUPs de efectos de genotipo que se
usarán como predictores del desempeño futuro de cada genotipo pueden obtenerse a
partir de uno o más años de ensayos.
52
En el programa de mejoramiento de maní (PMM) de la EEA Manfredi-INTA
cada año se conducen distintos tipos de ECR para comparar el rendimiento en diferentes
ambientes del germoplasma en evaluación. En las etapas tempranas del programa, se
evalúa un gran número de líneas experimentales y cultivares testigos tanto de genotipos
de ciclo corto como de genotipos de ciclo largo. Para la comparación de líneas
experimentales es razonable considerar los efectos de los genotipos como variables
aleatorias. Tradicionalmente, el PMM-INTA se toma la decisión de qué líneas
experimentales evaluar al año siguiente a partir de las medias de los genotipos en un año
particular (modelo de efectos fijos). En este capítulo se analizaron, en el marco de los
modelos mixtos, los rendimientos de genotipos de ciclo corto y largo de ECR de líneas
experimentales utilizando los BLUP de efectos de genotipo como criterio de elección de
genotipos.
Los objetivos del capítulo fueron: 1) estimar la magnitud relativa de las distintas
componentes de varianza de la interacción genotipoambiente en los ECR de genotipos
de ciclo corto y de ciclo largo del PMM-INTA y 2) evaluar el uso del BLUP de los
efectos genotípicos basados en información de uno y de dos años de ECR para la
elección de genotipos a evaluar en futuros ECR. La finalidad del primer objetivo es
establecer si la elección de genotipos en etapas tempranas del programa se optimiza al
incrementar el número de localidades y/o años de ECR. El segundo objetivo se
relaciona con la búsqueda de metodologías que podrían resultar más eficientes para
decidir qué líneas deben continuar en evaluación en los años siguientes.
Material y Métodos
Base de datos.
La fuente de información utilizada comprende los ensayos comparativos de
rendimiento de genotipos de ciclo corto (ECR CC) y de ciclo largo (ECR CL) del
Programa de Mejoramiento de Maní (Arachis hypogaea L.) de la EEA-Manfredi, INTA,
Córdoba, Argentina, realizados durante ocho campañas agrícolas. Los ensayos se
realizaron en tres localidades en cada campaña: Manfredi (Lat. S. 31º41’, Long. O.
63º26’), General Cabrera (Lat. S. 32º49’, Long. O. 63º51’) y Río Tercero (Lat. S.
53
32º10’, Long. O. 64º7’) de la provincia de Córdoba, Argentina. En cada ECR se
evaluaron un promedio de 14 líneas experimentales. El conjunto de líneas evaluadas
cada año fue aproximadamente el mismo para todas las localidades, pero la lista de
genotipos intervinientes en el período de tiempo estudiado varió de campaña a campaña.
En general en cada campaña se eliminan aproximadamente la mitad de las líneas
evaluadas y se da lugar al ingreso de nuevas líneas para la campaña siguiente (Tabla
3.1). La base de datos de genotipoaño es altamente desbalanceada. Durante las ocho
campañas de referencia se evaluaron 74 genotipos entre ambos ECR. Sólo 2 cultivares
de ciclo corto y 3 cultivares de ciclo largo fueron evaluados en todas las campañas. En
todas las localidades, el diseño experimental usado cada año fue en bloques completos
al azar con cuatro repeticiones. Las parcelas experimentales fueron de dos surcos de
ECR CC ECR CL
Campaña 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8
1 15(1) 8(2) 5 3 4 2 2 2 11 8 5 2 3 2 2 2
2 12 7 4 4 2 2 2 11 7 4 5 4 4 4
3 16 10 9 7 7 7 12 6 7 5 5 5
4 17 11 8 7 6 11 10 8 7 7
5 16 12 11 9 14 9 8 8
6 16 11 9 14 12 9
7 15 11 13 10
8 11 10
Los elementos de la diagonal de los arreglos mostrados para cada ECR corresponden al número de genotipos
evaluados cada campaña y los elementos fuera de la diagonal (i,j) al número de genotipos que ingresaron en la
campaña i y aún participan en la campaña j.
(1)
Número de genotipos evaluados en la campaña 1 (campaña 1984/85) en ECR de genotipos de ciclo corto.
(2)
Número de genotipos evaluados en la campaña 1 que también fueron evaluados en la campaña 2 (campaña
1985/86)
54
10 m de longitud distanciados 70 cm uno de otro. Para la siembra se utilizaron 15
semillas por metro lineal de surco en promedio. Cada parcela se cosechó en su totalidad
en forma manual. Los valores de rendimiento analizados corresponden a kilogramos de
grano por parcela a humedad constante (8%).
Modelos estadísticos
En una primera instancia se ajustó un modelo mixto, con los datos provenientes de
distintas campañas, para cada tipo de ECR por separado. Con este modelo se estimó la
contribución porcentual de la variación genotípica y de la variación debida a la
interacción genotipoambiente respecto a la variación total observada. La interacción
genotipoambiente fue particionada en interacción genotipolocalidad, genotipoaño y
genotipolocalidadaño. Para cada tipo de ECR, la ecuación del modelo para el
rendimiento del genotipo i en el bloque k de la localidad j, campaña o año l, fue la
siguiente:
55
Los efectos asociados a los factores localidad y año se consideraron fijos por contarse
con pocos niveles para cada uno de ellos para estimar componentes de varianza y
debido a que sólo fueron incluidos en el modelo para corregir la variabilidad de los
rendimientos ocasionada por el efecto de los mismos. Otros autores (Piepho, 1994;
Balzarini, 2000) han demostrado que la adición de componentes de varianza debida a
estos efectos, cuando ya se consideraron los términos de la interacción
genotipoambiente como aleatorios, no mejoran la capacidad predictiva del modelo.
agrícola
Para cada campaña se ajustó un modelo mixto incluyendo todos los genotipos de
ambos ECR (ciclo corto y largo) para obtener las predicciones del desempeño futuro de
cada uno usando BLUP. El modelo ajustado para el rendimiento de un genotipo en una
determinada localidad fue el siguiente:
56
BLUP( Gi GL(ij ) ) = Y... F G (Yi.. Y... ) F GL (Y... Yi.. Y. j. Yij. ) (3.3)
donde F G y F GL son conocidos como factores de corrimiento, que bajo los supuestos de
este modelo pueden expresarse como funciones de las componentes de varianzas
asociadas a los términos aleatorios:
GL
2
G2
FG s (3.4)
e2
2
G
2
GL
ns
GL
2
F GL
(3.5)
2
GL
2
e
n
57
riesgo de determinar como diferentes a genotipos que podrían tener el mismo mérito
genético.
El BLUP del efecto aleatorio de un genotipo obtenido a partir de los datos de una
campaña agrícola se utilizó como predictor del desempeño futuro de ese genotipo en el
próximo año. Los BLUP se interpretaron como una medida del desempeño de cada
genotipo referida a la media general de los genotipos (desviación respecto a la media
general). Como se desprende de la Ecuación (3.4), las características experimentales del
ensayo usado para obtener el BLUP sólo influyen en la predicción a través de las
componentes de varianzas. Con la finalidad de comparar las predicciones de efectos de
genotipos obtenidas desde información proveniente de distintas campañas se utilizaron
BLUP estandarizados obtenidos a partir de los BLUP empíricos, divididos por su error
de predicción. En adelante se denotará al BLUP estandarizado como BLUP-e.
58
Los efectos de genotipo y las interacciones genotipolocalidad, genotipoaño,
localidadaño y genotipoañolocalidad se consideraron como variables aleatorias
distribuidas normalmente con media cero y varianzas constantes denotadas por
g2 , g2l , g2a , l2a y g2al respectivamente. Las covarianzas entre los efectos
59
las medias de rendimiento de genotipos en la campaña inmediata posterior a la o las
campañas incluidas en la generación de los BLUPs.
Resultados y Discusión
Tabla 3.2. Componentes de varianza para ECR de ciclo corto (ECR CC) y ciclo largo
(ECR CL) obtenidas a partir del rendimiento de ocho campañas agrícolas del Programa
de Mejoramiento de Maní de la EEA-Manfredi, INTA (porcentajes respecto a la
variabilidad total)
Residual ( Res
2
) 41.9 34.3
Los resultados sugieren que las varianzas genotípicas de las líneas experimentales
de ciclo corto, del programa de mejoramiento de maní de la EEA-Manfredi del INTA,
son relativamente pequeñas si se comparan con la variación residual. No sucede lo
mismo para los ECR CL, además, las líneas de ciclo largo parecieran también ser más
60
estables o menos dependientes de las variaciones ambientales. En los ECR CC, la
interacción genotipolocalidad fue menor que la interacción genotipoaño, sugiriendo
que sería más conveniente incrementar el número de años en los que se evalúa un
mismo material que el número de localidades en cada campaña. Una relación inversa se
encontró en los ECR de ciclo largo.
61
Tabla 3.3. Genotipos correctamente clasificados al comparar predicciones de
desempeños genotípicos basados en uno y dos años de ECR (BLUP-e) con el
desempeño observado de dichos genotipos al año siguiente.
62
Bernardo (1999) plantea que una correlación entre valores predichos y valores
genéticos cercana al 60 % permitiría a los mejoradores tener una confianza del 80% de
retener el mejor genotipo si eligen el 20% de los genotipos superiores en función de
dichas predicciones. En el programa de mejoramiento de maní el porcentaje de
genotipos elegidos para ser evaluados nuevamente en el próximo año es mayor al 20%
(Tabla 3.1). Por lo tanto, la correlación obtenida entre las predicciones realizadas por el
BLUP-e para el desempeño futuro de los genotipos garantizarían la elección de los
mejores genotipos. Por el contrario, no hubo correlación entre las medias de genotipo en
un año y las medias de los mismos genotipos en el año siguiente (r= 0.02, p=0.8124).
Los resultados obtenidos al evaluar la exactitud de las predicciones basadas en datos de
solo un año de ECR sugieren que la metodología es suficientemente potente para la
elección de genotipos con comportamiento distinto al promedio.
63
Otros autores encontraron resultados similares al comparar los valores de
predicciones BLUP con medias de genotipos estimadas desde modelos de efectos fijos
en programas de mejoramiento de soja (Panter y Allen, 1995) y en caña de azúcar
(Balzarini, 2000). Bowman (1998) usa modelos mixtos y BLUPs en distintas bases de
ECR de North Carolina y evalúa las predicciones basadas en un año versus dos años de
ensayos para cebada (Hordeum vulgare L.), maíz (Zea mays L.), arroz (Avena sativa
L.), trigo (Triticum aestivum L.), soja (Glycine max (L.) Merr.) y algodón (Gossypium
hirsutum L.). Para híbridos de maíz concluye que con datos de un año se logran buenas
predicciones y que se debieran utilizar dos años para los otros cultivos.
Conclusiones
64
El uso de los BLUP-e, no solo tiene en cuenta los efectos de los genotipos sino
también las componentes de varianza relacionadas a la interacción con el ambiente y a
la variabilidad genética que caracteriza al programa y la cantidad de información
disponible para cada genotipo. Las predicciones realizadas con BLUP resultan más
confiables que las basadas en medias. En programas con bases genéticas más amplias se
esperan mayores diferencias entre ambas aproximaciones.
65
CAPÍTULO IV
Introducción
66
En la modelación de los ECR realizada en este capítulo, los efectos de genotipos
fueron considerados como fijos debido a que se refieren a un conjunto de genotipos en
etapas avanzadas de selección y los efectos de ambiente como aleatorios, excepto en los
análisis de los ECR por año donde los efectos de ambiente fueron considerados como
fijos ya que podrían asociarse con diferencias predecibles entre las localidades
intervinientes (Allard y Bradshaw, 1964). Las localidades involucradas cada año
representan ambientes característicos de la zona norte, centro y sur de la región de
cultivo de maní de la Provincia de Córdoba, Argentina, que se extiende desde 32º a 33º
50’ de latitud sur y desde 63º a 64º 35’ de longitud oeste y que produce el 95% del maní
del país. Para el análisis combinado (a través de 6 campañas) de los ECR, los ambientes
fueron definidos a partir de la combinación de efectos de localidades y años y sus
efectos tratados como variables aleatorias. Luego, los efectos de interacción GA son
aleatorios y por tanto se modeló la estructura de varianza y covarianza que los
caracteriza. Este procedimiento se realizó en el contexto de la teoría de los modelos
mixtos infiriendo sobre el desempeño de los genotipos a través de los ambientes aún
cuando las tablas de GA eran incompletas. La conceptualización de medidas de
estabilidad e interacción como parámetros de un modelo mixto proveyó un marco
teórico para la selección del estadístico de estabilidad más apropiado para estas bases de
datos. Se realizó el análisis de los ECR regionales conducidos en el PMM-INTA, en un
periodo de 6 campañas agrícolas con la finalidad de identificar los cultivares superiores
para la región de influencia del programa y analizar la posible existencia de mega-
ambientes.
Material y Métodos
Base de datos
La fuente de información utilizada comprende los ensayos comparativos de
rendimiento regionales del PMM-INTA, realizados durante las campañas agrícolas
1996/97 a 2001/02, correspondientes a los 6 primeros años de evaluación
multiambiental del programa. Los ensayos se realizaron en 10 localidades, algunas de
las cuales por su proximidad y similitud edáfica y climática fueron consideradas como
67
un mismo sitio (Tabla 4.1). En total fueron evaluados 18 genotipos, 4 de ciclo corto y
14 de ciclo largo (Tabla 4.2). El conjunto de genotipos evaluados fue el mismo para
todos los sitios dentro de cada campaña, pero la lista de genotipos en el período de
tiempo estudiado varió de campaña a campaña. Los ECR denominados regionales en el
PMM-INTA, se iniciaron en 1996 con la participación de 11 genotipos permaneciendo
sin cambios estructurales (genotipos y sitios) los dos primeros años. Durante las 4
campañas siguientes se incorporaron 7 nuevos genotipos, se dejaron de evaluar 6 y se
realizaron ensayos en nuevos sitios. Florman, mf484, mf485, mf487 y mf489 fueron los
únicos participantes evaluados durante las 6 campañas. En la Tabla 4.2 se presentan la
lista de genotipos evaluados. La base de datos de genotipocampaña (GC) es
altamente desbalanceada. En todos los sitios, el diseño experimental usado cada
campaña fue en bloques completos al azar con cuatro repeticiones. Las parcelas
experimentales fueron de dos surcos de 10 m de longitud, distanciados 70 cm uno de
otro. Para la siembra se utilizaron 15 semillas por metro lineal de surco en promedio.
Cada parcela se cosechó en su totalidad en forma manual. Los valores de rendimiento
analizados corresponden a kilogramos de grano por parcela a humedad constante (8%).
En la Tabla 4.3 se presentan los principales eventos que caracterizaron las campañas
agrícolas consideradas en el análisis.
68
Tabla 4.2. Genotipos presentes en los ECR de cultivares del Programa de Mejoramiento
de Maní de la EEA-Manfredi, INTA en las campañas agrícolas 1996/97 a la 2001/02.
Genotipo Ciclo 1 Parentesco 2
Manf393 C Robut 33-1 / NC Ac 2698
Mf447 C Florman / Manfredi Virginia 5
Mf478 C MGS 9 / NC Ac 2232
Mf480 C CS 9 / ICGS 5
Florman L Selección de Florunner
Mf457 L Florman / Tachimasari
Mf484 L Florman / Marc 1
Mf485 L Florman / Marc 1
Mf486 L Florman / Marc 1
Mf487 L Florman / Marc 1
Mf489 L Florman / Marc 1
Mf496 L Florman / (Mf321 / RCM 1451)
Mf499 L Florman *2 / Colorado Irradiado
Mf505 L Florman / F435-2-3-B-2-1-b4-B-3-b3-1-B
Mf506 L Florman / F435-2-3-B-2-1-b4-B-3-b3-1-B
Mf508 L Florman / F435-2-3-B-2-1-b4-B-3-b3-1-B
Mf510 L Florman / F435-2-3-B-2-1-b4-B-3-b3-1-B
Tegua L Selección de Florunner
1: C=ciclo corto; L=ciclo largo. 2: *=cruzamiento, / indica separación de padres, = sus pedigree trazan hasta una
misma planta F1
Tabla 4.3. Principales eventos que caracterizaron las campañas agrícolas 1996/97 a la
2001/02 en los sitios en que se condujeron los ECR del Programa de Mejoramiento de
Maní de la EEA-Manfredi, INTA.
Campaña Eventos
1996/97 Precipitación baja
1997/98 Cosecha tardía (principalmente en Manfredi). Ataque de Sclerotinia
(Sclerotinia sclerotiorum y Sclerotinia minor) en General Deheza
1998/99 Precipitación baja durante el ciclo de cultivo y alta a cosecha. Heladas
tempranas.
1999/00 Precipitación baja en etapa reproductiva. Cosecha tardía
2000/01 Precipitación baja (excepto en Manfredi). Cosecha tardía
2001/02 Precipitación baja en etapas tardías en Sta. Eufemia y Cabrera.
69
Modelación estadística
70
(Yan et al., 2000), se construyeron a partir de la matriz de residuos correspondientes al
ajuste de la ecuación (4.1) sin G ni GS. Para los datos de cada año se obtuvieron
gráficos de dispersión de los rendimientos promedio de cada genotipo (eje X) y una
medida de estabilidad (eje Y). Como medidas de estabilidad se utilizaron
alternativamente: 1) el CV (Francis y Kannenberg, 1978) por ser el estadístico
tradicionalmente usado en el programa, 2) varianza de estabilidad de Shukla (Shukla
1972), 3) la primera componente principal (CP1) del análisis del modelo AMMI y 4) la
primera y/o segunda componente principal (CP1 y CP2) del modelo SREG.
agrícolas
Para el análisis de los ECR conducidos durante las seis campañas se usó un
modelo a dos vías de clasificación, ambiente y genotipo, definiendo los distintos niveles
del efecto de ambiente en función de las combinaciones de los sitios y campañas
intervinientes. Todos los efectos de los factores usados en la modelación fueron
considerados como aleatorios excepto los de genotipo. La ecuación del modelo para la
respuesta del genotipo i en el bloque k del ambiente j fue:
71
ajustados fueron estimadas por máxima verosimilitud restringida (REML) usando
PROC MIXED de SAS (SAS Institute, 1997).
72
en cada término multiplicativo versus el BLUP empírico del efecto ambiental sobre el
mismo término usando una macro SAS (Balzarini, 2000).
Resultados y Discusión
Tabla 4.4. Criterios de información para el modelo básico de ECR de efectos fijos con y
sin heterogeneidad de varianzas residual a través de los sitios.
Varianzas residuales Varianzas residuales
Campaña Mejor
homogéneas heterogéneas
modelo
(VRHo) (VRHe)
En la Tabla 4.5 se presentan los análisis de varianza para cada año de ECR
realizados con los modelos sugeridos en la Tabla 4.4. En todas las campañas agrícolas
analizadas excepto en la campaña 1996/97, la interacción GS fue estadísticamente
significativa. Los ECR regionales del PMM-INTA, se comenzaron justamente en 1996,
campaña en la cual la varianza residual fue la más alta. Esta menor precisión de los
73
ensayos podría enmascarar la presencia de interacción GS. En la Tabla 4.5 se visualiza
la magnitud relativa de la interacción GS respecto a la variabilidad explicada por
(G+S+GS) para cada campaña. La variación debida a la interacción GS fue menor a
la variación entre genotipos en 2 de los 6 años de ECR. La variación entre sitios fue
siempre la más importante, explicando entre un 74.9% y un 96% de la variación total, lo
cual justifica la selección de los biplot basados en el modelo SREG para el análisis de
los ECR (Yan et al., 2000).
Tabla 4.5. Variabilidad de rendimientos entre genotipos (G), sitios (S) e interacción
GS para ECR de maní de la EEA-Manfredi, INTA, para las campañas 1996/97 a
2001/02.
Campaña Fuente GL SC Significancia % (G+S+GS)
1996/97 S 2 77.83 <0.0001 85.8
G 10 6.91 0.0038 7.6
GS 20 6.03 0.2340 6.6
B(S) 9 9.33 <0.0001
1997/98 S 2 112.96 <0.0001 74.9
G 10 6.35 <0.0001 4.2
GS 20 31.45 <0.0001 20.8
B(S) 9 6.29 <0.0001
1998/99 S 4 173.78 <0.0001 90.0
G 11 6.29 <0.0001 3.2
GS 44 12.83 0.0026 6.7
B(S) 14 7.23 0.0001
1999/00 S 3 269.32 <0.0001 86.7
G 11 21.71 <0.0001 7.0
GS 33 19.66 <0.0001 6.3
B(S) 12 6.52 0.0001
2000/01 S 3 191.50 <0.0001 96.0
G 11 2.10 0.0043 1.0
GS 33 5.96 0.0001 3.0
B(S) 12 5.60 <0.0001
2001/02 S 3 169.76 <0.0001 81.5
G 11 18.14 <0.0001 8.7
GS 33 20.28 <0.0001 9.8
B(S) 12 8.10 <0.0001
GL=grados de libertad; SC=suma de cuadrados; significancia=valor p.
74
Las dos primeras componentes principales (CP1 y CP2) obtenidas por la
descomposición por valor singular de los datos centrados por efectos de sitio (modelo
SREG) explicaron más del 85% del total de la variabilidad debida a (G+GS) en todas
las campañas, excepto en la 1998/99 y 2000/01, donde estos porcentajes fueron 79% y
83% respectivamente. En la Fig. 4.1 se presentan los GGE biplots obtenidos para cada
año de ECR.
En la campaña 96/97 (Fig. 4.1.A) hubo una alta correlación de la CP1 (r=0.98,
p<0.0001) y baja correlación de la CP2 (r=0.15, p<0.641) del GGE biplot con los
rendimientos. Luego, los genotipos extremos sobre el eje de la CP1, mf478 (CP1
positiva) y Florman (CP1 negativa), no muestran interacción con cambio de rango; estos
fueron aquellos genotipos de mayor y menor ranking respectivamente (Anexo 1). La
interacción GS no fue significativa y todos los sitios se comportaron como un único
mega-ambiente donde se evidenciaron alguna ventajas de los cultivares de ciclo corto
respecto a los de ciclo largo debidas posiblemente a las bajas precipitaciones registradas
durante la campaña. Los genotipos mf487 y mf489 (CP2 positiva) y el genotipo mf480
(CP2 negativa) fueron los únicos donde se evidenció una respuesta diferencial,
interacción con cambio de rango (CCR), a través de los ambientes.
En la campaña 1997/98 (Fig. 4.1.B) los rendimientos de los testigos de ciclo largo
fueron relativamente altos y homogéneos a través de los ambientes, mostrando ventajas
respecto a los otros genotipos en el Sitio 2, que fue donde se realizó la cosecha en época
más tardía. Los genotipos mf485 y mf484 mostraron alta interacción con cambio de
rango con un desempeño relativo superior en el Sitio 4 y con los menores rankings en el
Sitio 1. Un comportamiento opuesto mostraron los genotipos mf480 y mf457, con
desempeños relativamente altos en el Sitio 1, donde durante esta campaña el cultivo
estuvo sometido a fuerte estrés por ataque de Sclerotinia minor Jaegger. En esta
campaña el rendimiento no correlacionó con la CP1 (r=0.062; p=0.857). Por ello, los
genotipos con mayores proyecciones sobre la CP1 (mf485, mf484, mf457 y mf480) son
aquellos que mostraron interacción con cambio de rango, mientras que Tegua, Florman
y mf480, genotipos con mayores proyecciones positivas sobre CP2, fueron los que se
desempeñaron relativamente mejor a los restantes durante la campaña. Esta fue la única
75
A B
3.5 3.5
sitio4
sitio2
sitio1
2.0 2.0
mf487
mf487
mf489mf489 Tegua
mf480
mf485 manf393 Florman
CP 2
CP 2
0.5 0.5 manf393
mf478 mf487
mf447 mf484
mf478
Tegua
sitio4
mf484 sitio1 mf447
Florman
-1.0 mf457
mf457 mf485
-1.0 mf457 mf489
sitio2
mf480
mf480
-2.5
-2.5
-3 -2 -1 0 1 2 3
-3.0 -2.0 -1.0 0.0 1.0 2.0 3.0
CP 1
CP 1
sitio2
mf484
2.0 sitio2
2.0 mf484
manf393
mf447 manf393 sitio5
sitio4
Tegua mf485
CP 2
CP 2
sitio3
-2.5
-2.5
-3.0 -2.0 -1.0 0.0 1.0 2.0 3.0
-3.0 -2.0 -1.0 0.0 1.0 2.0 3.0
CP 1
CP 1
2.0 2.0
mf484 mf484
sitio3 sitio3
mf506 sitio2 mf506 sitio2
Florman Florman
CP 2
CP 2
0.5 0.5
mf489 sitio4 mf489 sitio4
mf485 mf508 mf508
mf485
mf499 mf505 mf486 mf505 mf486
mf499
mf487 mf487
mf510 mf510
-1.0 -1.0
mf496 mf496
-2.5
-2.5
-3.0 -2.0 -1.0 0.0 1.0 2.0 3.0
-3.0 -2.0 -1.0 0.0 1.0 2.0 3.0
CP 1
CP 1
76
campaña donde la interacción GS explicó un mayor porcentaje de (G+S+GS) que G.
Si bien este resultado podría sugerir la posible existencia de diferentes mega-ambientes
en la región objetivo del PMM-INTA, es importante notar que el patrón observado no
fue consistente a través de los años y que durante la campaña hubo severos problemas
con Sclerotinia en el Sitio 1, que se evaluaron cultivares de ciclo corto y de ciclo largo,
y que la cosecha en todos los ECR principalmente en el Sitio 2 fue relativamente tardía.
Las contingencias particulares de los ECR en esta campaña, que favorecieron una
respuesta diferencial de los genotipos evaluados, estuvieron más asociadas al factor
campaña que al factor sitio.
77
mf508. Los genotipos mf484 y mf496 con valores de CP2 opuestos respondieron
proporcionalmente a las diferencias entre sitios con ranking altos y bajos,
respectivamente.
78
3.5
sitio2
sitio1
2.0
0.5 mf487
manf393
mf484
mf478 sitio4
mf447
mf485
-1.0 mf457 mf489
-2.5
-3.0 -2.0 -1.0 0.0 1.0 2.0 3.0
CP 1
El análisis colectivo de los 6 GGE biplot más este resultado eventual observado en
la Fig. 4.2, sugiere que si bien la región manisera para la cual se prueban cultivares es
muy homogénea en característica de suelo y clima como para considerar la presencia de
mega-ambientes para el PMM-INTA, la mejora respecto a resistencia a patógenos como
Sclerotinia debiera realizarse promoviendo diferentes condiciones ambientales para
explotar la variabilidad genética del material evaluado.
En la Tabla 4.6 se presentan, para cada una de las campañas analizadas, los
rendimientos promedios de los genotipos más el CV y la CP1 del modelo AMMI como
estadísticos de estabilidad. Aunque la interpretación simultánea del CV y el rendimiento
promedio constituye la estrategia de análisis de ECR tradicionalmente utilizada en el
programa, los resultados muestran que el CV podría conducir a recomendar genotipos
con bajo desempeño. Por ejemplo, en la campaña 1996/97, el genotipo mf480 tiene un
CV bajo, y sin embargo, es un fuerte contribuyente a la interacción GS. En el Sitio 1
tuvo ranking 11 mientras que en el Sitio 4 tuvo ranking 3. Algo similar ocurre en la
campaña 1997/98 donde a pesar de que los ranking de este genotipo pasaron de 11 a 1
entre ambientes, mf480 mostró el CV más bajo.
79
Tabla 4.6. Rendimientos promedios y medidas de estabilidad para cada uno de los
genotipos participantes en los ECR del Programa de Mejoramiento de Maní de la EEA-
Manfredi, INTA para 6 campañas agrícolas.
Campaña 1996/97 Campaña 1997/98 Campaña 1998/99
Genotipo Media CV CP1 Genotipo Media CV CP1 Genotipo Media CV CP1
mf478 2.24 a 45.70 0.21 Florman 3.18 a 33.48 0.17 mf484 2.96 a 25.51 1.28
manf393 2.03 ab 54.64 1.03 Tegua 3.16 ab 34.42 -0.10 mf505 2.84 ab 38.17 3.23
mf447 1.94 ab 53.31 -0.19 mf480 2.97 abc 15.88 3.14 mf489 2.82 ab 39.95 1.44
mf457 1.88 abc 41.57 -1.21 mf487 2.90 abcd 46.98 -0.69 manf393 2.79 abc 29.07 0.29
mf484 1.87 abc 42.72 -1.09 mf484 2.86 cdef 59.20 -1.60 mf506 2.78 abc 35.46 1.41
mf480 1.85 abc 32.20 -1.89 mf457 2.69 cdef 41.39 1.87 mf478 2.67 bcd 41.35 -0.41
mf489 1.85 bc 65.18 1.73 manf393 2.68 def 37.82 -0.11 mf447 2.61 bcde 36.25 -1.97
mf487 1.76 bcd 70.35 1.74 mf478 2.68 def 27.71 1.27 Tegua 2.58 bcde 46.52 -1.96
mf485 1.66 bcd 70.71 1.65 mf485 2.65 def 73.83 -2.25 Florman 2.53 cde 48.03 -1.36
Tegua 1.51 cd 53.57 -0.62 mf447 2.57 ef 49.55 -0.46 mf487 2.49 de 42.23 -0.81
Florman 1.36 d 51.84 -1.37 mf489 2.49 f 63.71 -1.24 mf485 2.44 e 32.94 0.16
mf484 3.34 ab 45.36 -2.74 mf508 1.94 ab 65.76 -2.22 mf489 3.17 b 39.64 -1.60
Florman 3.30 abc 46.04 1.01 mf506 1.93 ab 60.36 0.39 mf505 3.13 b 36.90 -2.13
mf489 3.17 abc 37.08 0.61 mf485 1.89 abc 69.43 -1.31 mf485 3.04 bc 44.23 -0.56
mf485 3.15 abc 51.43 -1.40 mf486 1.83 abcd 59.52 -1.47 Florman 2.93 bcd 40.01 2.57
Tegua 3.09 bc 45.99 1.00 mf505 1.82 abcde 61.96 -0.20 mf506 2.81 cd 37.93 -0.62
mf506 3.09 bc 51.23 0.61 mf510 1.77 bcde 58.84 0.18 mf486 2.77 cd 31.61 0.21
mf487 3.04 c 54.52 0.80 Florman 1.77 bcde 71.35 2.02 mf487 2.76 cd 31.65 1.86
mf478 3.03 c 39.21 0.00 mf489 1.76 bcde 63.96 1.01 mf499 2.72 de 45.29 0.11
manf393 2.71 d 49.24 -1.78 mf499 1.71 cde 68.33 1.37 mf510 2.69 de 35.15 1.00
mf447 2.42 e 51.60 0.17 mf487 1.69 de 68.25 1.91 mf508 2.48 ef 40.98 0.23
mf480 2.29 e 47.67 2.70 mf496 1.64 e 68.52 -1.82 mf496 2.35 f 50.32 -1.29
LSD=0.273 LSD=0.188 LSD=0.281
Letras diferentes indican diferencias en los rendimientos promedio a través de los sitios (LSD, p<0.05).
80
Análisis simultáneo de los ECR de seis campañas agrícolas
Los ambientes (combinación de años y sitios) constituyeron la fuente de variación
más importante (90,5% de la variación total). La alta variación de los rendimientos
debida a diferencias entre ambientes es esperable en ECR conducidos a través de varias
campañas (Yan y Kang, 2003). La interacción GA fue considerablemente mayor a la
variabilidad entre genotipos y más de 50% de dicha variación se debió a la interacción
GSC (Tabla 4.7). La interacción GS sólo representa un 23,9% de la interacción
GA.
Tabla 4.7. Componentes de varianza de rendimientos para genotipos (G), ambientes (A)
e interacción GA para ECR de maní de la EEA-Manfredi, INTA. Análisis conjunto de
las campañas agrícolas 1996/97 a 2001/02.
Componente Varianza Porcentaje
Ambiente 1.1813 90.5
Genotipo 0.0137 1.0
GA 0.1100 8.5
Genotipositio 0.029 23.9
Genotipoaño 0.026 21.5
Genotipoañositio 0.066 54.6
Residual 0.1489
En la Tabla 4.8 se presentan los valores de los estadísticos que se utilizaron para
seleccionar entre los modelos mixtos de datos de ECR que se ajustaron: 1) modelo con
varianza GA homogénea, 2) modelo con varianza GA heterogénea a través de los
genotipos y 3) modelo AMMI mixto. Todos lo criterios de ajuste llevaron a seleccionar
el modelo AMMI mixto con 2 términos multiplicativos (AMMI (2)). El modelo de
componentes de varianza diferentes a través de los genotipos (varianza de estabilidad)
proveyó un mejor ajuste para los datos de ECR que aquel que modela la variabilidad
debida a la interacción GA con una única componente de varianza (modelo mixto
tradicional o interacción GA homogénea) (prueba del cociente de verosimilitud,
p<0.05).
81
Tabla 4.8. Criterios de bondad de ajuste para 3 modelos mixtos ajustados a los datos de
ECR de maní de la EEA-Manfredi, INTA. Análisis conjunto de las campañas 1996/97 a
2001/02.
El biplot de la Fig. 4.3, obtenido a partir del modelo AMMI mixto, fue utilizado
para explorar la interacción GA considerando los ECR de las 6 campañas agrícolas
simultáneamente. Los genotipos mf480 y Florman fueron aquellos de mayor
contribución en la interacción GA, el primero con importantes cambios de rango entre
los ambientes 1 y 4. Florman respondió proporcionalmente a las diferencias entre ambos
ambientes en la mayoría de las campañas analizadas. La dispersión de los scores de
ambiente, si bien evidencia una alta interacción entre campañas y sitios, muestra
también que el Sitio 1 fue uno de los mayores contribuidores a la interacción GA,
especialmente en la campaña 1997/98 debido a que los genotipos mf480 y mf457 se
desempeñaron en este sitio mejor que en otros.
82
de estabilidad, versus los rendimientos promedios de cada genotipo. Se visualiza que los
genotipos Florman, mf480 y mf457 fueron los de menor estabilidad. Los genotipos
mf484 y mf505 tuvieron el mejor desempeño a través de todos los ambientes. En la
Tabla 4.9 se presentan los rendimientos de los genotipos para cada uno de los 23
ambientes considerados en el análisis.
2.5
02-1
2.0
mf480 00-3
1.5
mf457
00-4
Componente multiplicativo 2 (GxA)
mf508 98-4
1.0 mf447 manf393
mf478 mf496
98-1 00-1
01-1 98-2
0.5 99-3
mf486
mf510
99-1 02-2
0.0
02-4
-0.5 99-2 99-4 mf489
97-1 mf506 00-2
01-4 mf499 02-3 mf484
Florman
01-3
-1.5
-2.0
-3.0 -2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5
Componente multiplicativo 1 (GxA)
Fig. 4.3. Biplot basado en 6 años de ECR del Programa de Mejoramiento de Maní de la
EEA-Manfredi, INTA. Puntos oscuros representan genotipos y puntos claros ambientes
codificados según año de cosecha-sitio.
83
4.00 mf480
Florman
3.00
2.00
Estabilidad de rendimientos
mf457
-1.00 Tegua
-2.00
2.00 2.25 2.50 2.75 3.00
Rendimientos promedio (kg/parcela)
84
Tabla 4.9. Rendimientos (kg/parcela) error estándar de genotipos participantes en los ECR del Programa de Mejoramiento de Maní de la EEA-
Manfredi, INTA en 23 ambientes (campañassitio)
Campaña 1996/97 Campaña 1997/98 Campaña 1998/99 Campaña 1999/00 Campaña 2000/01 Campaña 2001/02
Sitios S1 S2 S4 S1 S2 S4 S1 S2 S3 S4 S5 S1 S2 S3 S4 S1 S2 S3 S4 S1 S2 S3 S4
Florman 0.800.36 1.130.53 2.160.43 2.170.46 3.080.64 4.290.39 2.430.40 2.810.31 4.390.58 1.820.56 1.180.10 2.710.27 1.740.10 3.411.11 5.330.43 2.590.32 3.060.29 1.010.34 0.410.13 3.230.21 4.120.44 1.310.55 3.060.80
Tegua 0.960.32 1.140.60 2.440.24 2.040.80 3.220.50 4.210.22 2.580.20 2.880.52 4.400.26 1.710.34 1.320.40 2.260.07 1.730.30 3.450.25 4.930.43
manf393 1.240.25 1.550.31 3.300.97 1.570.28 2.900.37 3.550.37 2.470.31 2.960.29 4.130.40 2.160.44 2.240.43 1.770.34 2.160.26 2.220.18 4.690.44
mf447 0.950.16 1.860.32 3.011.21 1.290.43 2.590.55 3.840.21 2.340.36 3.410.14 3.790.32 1.880.30 1.630.28 1.610.16 1.440.19 2.460.51 4.160.09
mf478 1.370.13 1.980.35 3.371.01 2.150.45 2.360.30 3.530.43 2.190.20 3.200.56 4.330.17 2.090.56 1.540.29 2.150.25 2.200.21 3.090.32 4.700.69
mf480 1.410.48 1.610.68 2.530.47 3.270.25 2.430.54 3.220.18 2.190.45 2.960.36 3.720.37 1.910.26 1.150.37 2.040.14 0.950.13 2.610.57 3.570.35
mf484 1.160.46 1.710.59 2.730.42 1.080.17 3.050.34 4.450.35 2.640.43 2.910.37 4.280.80 2.530.73 2.450.46 2.140.26 2.860.31 2.810.45 5.570.18 2.550.40 3.280.32 1.630.26 0.540.20 2.880.36 5.250.71 1.820.30 4.170.29
mf485 1.120.08 0.850.38 3.000.75 0.580.21 2.900.12 4.460.69 2.240.44 2.530.53 3.770.31 1.860.41 1.780.20 1.880.14 2.130.32 3.150.81 5.430.36 2.180.76 3.530.25 1.390.25 0.440.13 2.290.48 4.410.55 1.540.41 3.900.44
mf487 0.870.34 1.240.75 3.180.73 1.520.18 2.940.73 4.240.78 2.300.37 2.730.34 4.170.47 1.710.48 1.540.01 1.720.20 1.600.36 3.840.47 4.990.41 2.420.32 2.890.24 0.980.13 0.460.14 3.010.50 3.520.42 1.500.57 3.020.50
mf489 1.110.30 1.210.30 3.250.96 0.860.22 2.570.38 4.030.31 2.200.29 2.900.34 4.750.41 2.270.49 2.000.56 2.180.77 2.290.57 3.540.39 4.670.34 2.410.36 2.930.23 1.310.15 0.400.12 2.060.56 4.490.30 2.140.94 4.010.36
mf505 2.080.31 2.700.48 4.690.35 2.700.86 2.030.13 2.260.37 2.410.34 3.390.41 5.520.76 2.190.57 3.180.23 1.340.20 0.560.40 2.090.19 3.990.42 2.190.41 4.270.25
mf506 2.320.34 2.820.77 4.440.46 2.460.51 1.870.31 2.170.44 1.600.75 3.410.24 5.170.49 2.490.43 3.200.44 1.500.30 0.530.27 2.230.24 3.740.30 1.600.62 3.680.37
Media 1.11 1.46 2.88 1.72 2.71 3.98 2.33 2.90 4.24 2.09 1.73 2.07 1.93 3.12 4.89 2.26 3.16 1.33 0.50 2.33 4.05 1.63 3.44
CV 17.77 24.75 13.66 45.12 15.54 10.24 7.27 7.92 8.04 15.90 23.76 14.42 26.54 15.75 12.07 11.70 7.31 16.72 20.77 21.19 11.97 19.68 15.65
S1= Sitio 1 (General Deheza y General Cabrera); S2=Sitio 2 (Manfredi); S3=Sitio 3 (Santa Eufemia); S4=Sitio 4 (El sur, San Ambrosio, Las Vertientes, Reducción, las acequias); S5=Sitio 5 (Gigena).
85
Tabla 4.10. Desempeño genotípico a través de 23 ambientes (CS ).
Genotipo Promedio EE VE CV
mf484 2.80 a 0.27 0.14 45.45
mf505 2.66 abc 0.27 0.07 44.67
mf478 2.61 abde 0.21 0.09 36.46
mf489 2.59 bcd 0.26 0.07 47.37
mf506 2.56 bcdf 0.25 0.01 43.98
Florman 2.53 bcdef 0.26 0.14 50.28
manf393 2.53 bcde 0.22 0.11 38.14
Tegua 2.51 bcdef 0.25 0.07 46.71
mf485 2.50 defg 0.27 0.10 52.64
mf487 2.45 bcdefg 0.25 0.07 49.06
mf486 2.43 bcdef 0.23 0.02 45.39
mf510 2.38 bcdef 0.23 0.05 46.88
mf499 2.36 egh 0.26 0.01 55.73
mf447 2.35 fh 0.21 0.12 42.22
mf508 2.33 defgh 0.23 0.09 50.05
mf457 2.29 cfgh 0.22 0.35 42.38
mf480 2.26 cfgh 0.21 0.47 36.64
mf496 2.09 h 0.24 0.05 56.79
(1) Promedios de rendimientos a través de ambientes; (2) errores estándares (EE) utilizados para evaluar las
significancia estadística de las diferencias obtenidos a partir del modelo mixto AMMI (2); (3) varianzas de
estabilidad (VE) para cada genotipo obtenidas a partir de un modelo mixto; (4) coeficiente de variación (CV) de los
rendimientos a través de los ambientes. Letras diferentes indican diferencias estadísticamente significativas en los
rendimientos promedio a través de los ambientes (p<0.05)
Conclusiones
86
partir del biplot mixto, que fue construido con los datos de las 6 campañas agrícolas
conjuntamente, permitió confirmar los hallazgos sobre la naturaleza aleatoria y la
magnitud relativamente baja de la interacción GA en el PMM-INTA. El análisis
colectivo de los ECR anuales y el análisis de los datos de las 6 campañas
simultáneamente indican la existencia de un único mega-ambiente en el área manisera
argentina. La región objetivo del PMM-INTA es homogénea en cuanto a características
edáficas y climáticas. Los resultados de este trabajo sugieren que no existe la necesidad
de particionar la región en subregiones con el propósito de realizar recomendaciones de
cultivares y que, en lugar de incrementar el número de sitios donde se conducen ECR
sería conveniente redireccionar los recursos disponibles hacia la implementación de
diseños experimentales que pongan énfasis en la reducción de la varianza de cada
ensayo y generen presiones diferentes por estrés biótico para explotar mejor la
variabilidad genética del material experimental con fines de mejoramiento.
87
CAPÍTULO V
Introducción
88
dispersión de insectos, malezas, enfermedades del cultivo o a labores culturales (Smith
et al., 2001). Debido a la existencia de variabilidad espacial dentro de bloques, el
análisis de varianza estándar para los diseños que involucran el bloqueo de unidades
experimentales no siempre elimina los sesgos en las comparaciones de efectos de
genotipos debido a la heterogeneidad entre parcelas.
89
error, realizada por Gilmour et al. (1997) provee una mejor aproximación que el análisis
espacial clásico cuando existe tal diferenciación de las fuentes de error. En ausencia de
variabilidad global y/o extraña, el aspecto crítico es la modelación de la variación
espacial local.
donde d ijf y d ijc son las distancias entre la parcela i y la parcela j en la dirección de las
90
mientras que f y c son parámetros desconocidos. El número total de parámetros para
modelar la función de correlación bajo este modelo es cuatro. Otra de las funciones de
correlación espacial comúnmente usada es la función potencia. Aplicable a un modelo
isotrópico depende de un único parámetro ( ) que elevado a la distancia entre dos
parcelas (en cualquier dirección) provee la correlación entre ambas. La función potencia
es una reparametrización de la función exponencial (con p=1) ya que la función
potencia puede expresarse como siendo log( ) negativo, debido a que
dij log( )
e
dij
df dc
potencia anisotrópico, i.e. f ij c ij . Este depende de dos parámetros, uno que representa
91
localidades intervinientes para contemplar las posibles diferencias en precisión de los
ECR conducidos en distintos ambientes. Los ajustes de medias de genotipo y la
comparación estadística entre genotipos dentro de cada ensayo fueron utilizados para
discernir sobre el comportamiento de los distintos modelos. Se discute la equivalencia
que existe entre algunos modelos espaciales en el contexto particular de los ECR
multiambientales.
Material y Métodos
Base de datos
Se utilizaron datos de nueve campañas agrícolas (1984/85 a 1992/93) de dos tipos
de ECR de líneas experimentales de maní (Arachis hypogaea L.) del Programa de
Mejoramiento de Maní de la EEA-Manfredi, INTA, Argentina. El tipo uno corresponde
a ensayos de líneas de ciclo corto y el tipo dos a ensayos donde se comparan líneas de
ciclo largo. Un total de 18 ECR multiambientales fueron utilizados en este estudio, éstos
involucran líneas que representan la diversidad del germoplasma evaluado en etapas
tempranas del programa de mejoramiento. En cada campaña los ECR se realizaron en
tres localidades del área de cultivo en la provincia de Córdoba: Manfredi (Lat. S.
31º41’, Long. O. 63º26’), General Cabrera (Lat. S. 32º49’, Long. O. 63º51’) y Río
Tercero (Lat. S. 32º10’, Long. O. 64º7’), con la excepción de las campañas 1991/92 y
1992/93 donde no participó la localidad de Río Tercero. Las características climáticas y
de suelo de las tres localidades que intervinieron en los ECR son muy similares
(Casanoves et al., 2004). En cada localidad se evaluó un promedio de 15 líneas por año
en los ensayos de ciclo corto (mín=11 y máx=17 líneas) y de 14 líneas por año en los
ensayos de ciclo largo (mín=13 y máx=17 líneas). El conjunto de líneas evaluadas, en
cada campaña, fue el mismo para cada localidad. En cada uno de las tres localidades,
tanto los ensayos correspondientes a genotipos de ciclo corto como aquellos de
genotipos de ciclo largo fueron conducidos según un DBCA con cuatro repeticiones.
Las parcelas experimentales asociadas a cada genotipo fueron de dos surcos de 10 m de
longitud distanciados 70 cm uno de otro. Para la siembra se utilizaron 15 semillas por
metro lineal de surco. Las prácticas culturales recomendadas fueron utilizadas en todos
92
los ECR. Cada parcela se cosechó en su totalidad en forma manual, luego de descontar
áreas de bordura. Se registraron valores de rendimiento en grano (kilogramos de grano
por parcela a humedad constante del 8%).
Procedimientos de análisis
Los datos de rendimiento en grano obtenidos para cada campaña bajo cada ECR
fueron analizados usando los procedimientos que se detallan a continuación. Los
primeros dos métodos se basaron en el análisis de varianza para un DBCA, donde la
variación total se particionó según el siguiente modelo:
93
fijo de bloque (Modelo BFPow). También se ajustó un modelo con función de
correlación potencia pero anisotrópico sin declarar el efecto de bloque. Este modelo se
ajustó suponiendo varianzas residuales homogéneas (Modelo Powa) y heterogéneas
(Modelo PowaH) según los distintos niveles del factor localidad. Todos los modelos
anteriores se estimaron en el contexto de los modelos lineales mixtos usando PROC
MIXED, SAS, Versión 8.2 (SAS Institute, 2001). Un resumen de la sintaxis de
programación utilizada para cada uno de los modelos de análisis se presenta en la Tabla
5.1.
es el residuo en la latitud k-ésima y longitud m-ésima, ykm y ykm son el valor observado
y el valor promedio del genotipo que se encuentra en esa parcela; 2) cálculo de la
covariable de ajuste en la dirección Este-Oeste (EO) (derecha a izquierda del plano de
campo, independientemente de su orientación real) a partir de los residuos obtenidos en
el paso 1 como EOkm 1 2 ek ,m1 ek ,m1 ; cuando una parcela es borde de bloque, la
94
diferenció de la obtenida en el paso anterior a nivel del segundo término decimal
(precisión original de los datos). Este procedimiento fue denotado como Modelo Pap.
Los modelos asociados a cada procedimiento fueron evaluados por los criterios de
Akaike (AIC) y de Schwarz (BIC) calculados de la siguiente forma:
95
Tabla 5.1. Sintaxis resumida de comandos de Proc Mixed SAS (Versión 8.2) para
ajustar ocho aplicables a ECR multiambientales.
Modelo Sintaxis en SAS
BF class bloque geno local;
model rendim=geno local geno*local bloque(local);
BA class bloque geno local;
model rendim=geno local geno*local;
random bloque(local);
Resultados y Discusión
96
provincia de Córdoba, Argentina (Casanoves et al., 2004). No obstante, los ECR de
líneas experimentales se realizan en más de una localidad del área de cultivo en cada
año con la finalidad principal de incrementar la precisión en las estimaciones del
desempeño de los genotipos que se comparan. Aún sin la existencia de mega-ambientes,
la comparación de genotipos se realizó en este trabajo dentro de cada localidad porque
el término de interacción genotipo×localidad fue significativo y debido a que los
modelos de correlación espacial de parcela podrían diferir entre localidades
97
importancia con un cociente entre la mayor y la menor varianza residual superior a dos
(Tablas 5.4 y 5.5). Las diferencias porcentuales entre la mayor y la menor varianza
residual por localidad variaron entre 36% (Tabla 5.4, campaña 89/90) y 623% (Tabla
5.5, campaña 86/87). El modelo BF, tradicionalmente usado para el análisis de los ECR
del PMM-INTA, en ninguno de los 18 ECR fue el mejor modelo para ajustar los datos.
Las mayores diferencias se observaron en los ECR de líneas experimentales de ciclo
largo, estos ensayos permanecen más tiempo en el terreno pudiendo incurrirse en
mayores errores experimentales y en diferenciaciones entre localidades debido al
impacto de factores climáticos por un periodo de tiempo más prolongado. A excepción
de las campañas 87/88 y 92/93, en todos los ECR de ciclo largo ambos criterios de
ajuste sugieren que los modelos de análisis de varianza para un diseño en bloque
heterocedástico son más apropiados que sus versiones con varianzas residuales
homogéneas a través de las localidades (Tablas 5.2 y 5.3). Las dos campañas donde los
modelos BFH y BAH no superaron a BF y BA respectivamente fueron las únicas
campañas donde las diferencias en varianzas residuales entre localidades fueron
despreciables (Tabla 5.5). Para esas dos campañas, las diferencias entre los estadísticos
F para la prueba de hipótesis de efecto de genotipo nulo, obtenidas dentro de cada
localidad, fueron muy similares entre los modelos de diseños en bloques homogéneos y
heterogéneos. Sin embargo, en la mayoría de los ECR de ciclo largo, se encontraron
cambios importantes del estadístico F en al menos una de las tres localidades
intervinientes en cada ECR (Tabla 5.7). Considerando tanto los ECR de ciclo largo
como los de ciclo corto, el modelo BFH resultó más apropiado que el modelo BF en el
78% de los ECR analizados. Algo similar ocurrió al comparar BA con BAH, donde
según AIC, el modelo con varianza residual heterogénea resultó ser mejor en el 82% de
los casos, mientras que según BIC el segundo modelo fue superior en el 72% de los
casos. Es importante notar que a pesar de la penalización por la estimación de un mayor
número de parámetros que se realiza en BIC, los modelos con varianza residual
heterogénea resultan recomendables en ECR multiambientales.
98
modelo BFPow produjo ajuste mejores que el modelo BF. El máximo valor a través de
los ECR, del coeficiente de correlación del modelo BFPow fue 0.56 (Tabla 5.4) y
corresponde a la campaña 88/89 donde se observó la máxima diferencia de valores del
estadístico F entre ambos modelos (Tabla 5.6). El valor del coeficiente para la función
de correlación espacial fue, en todos los ECR, mayor cuando no se incluyó el efecto de
bloque en el modelo (máximo valor r=0.75). Este resultado era esperado ya que en el
modelo BFPow parte de la correlación por variabilidad espacial queda contemplada en
el termino relacionado al bloqueo de las parcelas.
99
identificar diferencias entre genotipos. Si bien en la estimación de las medias de
genotipo bajo los modelos mixtos, donde interviene la estructura de (co)varianzas se
pueden producir ajuste de las medias de genotipo, el mayor impacto de la modelación se
produce a nivel de los errores estándar usados en la comparación de medias. Por ello, si
bien la significancia de las diferencias de medias puede diferir entre modelos (resultados
obtenidos con la macro PDMIX800 no mostrados), las correlaciones entre las medias de
genotipo obtenidas bajo los distintos modelos de análisis de varianza fueron altamente
significativas (P<0.0001). La mínima correlación fue r=0.913 y se produjo entre las
medias derivadas del modelo BAH y las medias de genotipo obtenidas a partir del
modelo BFHPow.
Por el contrario, cuando se usa un método basado en ajustes por vecinos más
cercanos, como el implementado en Stroup et al. 1994, los ajustes repercuten
directamente sobre las estimaciones de la medias. En la Tabla 5.8 se listan las
significancias de las covariables de ajustes en sentido EO, NS y EO-NS para los mismos
ECR en donde se usó análisis de covarianza con distintas estrategias para modelar
correlación espacial. En un 40% de los ECR, en ninguno de los tres modelos de
covarianza, la significancia de las covariables sugirió necesidad de ajuste por
correlación espacial, es decir usando la covariable NS, la EO o ambas, ninguna resultó
significativa (Tabla 5.8). Para los restantes ECR generalmente resultó mejor el modelo
con la covariable EO, es decir aquel que remueve la variabilidad por correlación
espacial intra-bloque. En dos campañas de los ECR de líneas de ciclo corto, campaña
86/87 y 89/90, el mejor modelo fue aquel que consideraba covariables tanto en la
orientación EO como NS. Para esas dos campañas AIC y BIC (obtenido para el modelo
Pap según el mejor modelo de covarianza) sugieren un mejor ajuste del modelo de
covarianza respecto al modelo clásico de análisis de varianza para un DBCA, ya sean
los efectos de bloque tanto fijos como aleatorios y las correlaciones entre las medias
ajustadas por vecinos más cercanos y por modelos mixtos de correlación espacial fueron
altamente significativas (r=0.99, P<0.0001). Sin embargo, en la mayoría de los ECR los
modelos de análisis de varianza fueron superiores al método de los vecinos más
cercanos. Posiblemente existan correlaciones espaciales no lineales entre la parcelas.
Los resultados sugieren que el uso del procedimiento de ajuste por vecinos más
cercanos del tipo del propuesto por Papadakis es limitado ya que por un lado los
100
residuos de las parcelas vecinas no siempre tienen una relación lineal con el rendimiento
de la parcelas de interés (suposición esta necesaria para el análisis de covarianza) y por
otra parte, el modelo resultante es no lineal en el sentido que incorpora un producto
entre los dos parámetros a estimar por lo cual, para hacer una estimación conjunta de los
mismos, se requiere de procedimientos iterativos. Además, si el ensayo se condujo en
bloques, aún bajo el modelo de covarianza debería respetarse el proceso de
aleatorización implementado incorporando el efecto de bloques.
Tabla 5.2. Criterios de Akaike (AIC) obtenidos para 10 modelos que incorporan
correlación espacial entre parcelas ajustados para 18 ensayos comparativos de
rendimiento del PMM-INTA.
Modelos de análisis (2)
ECR(1) Campaña BF BA BFH BAH Pow BFPow BFHPow Powa PowaH Pap
1 84/85 26.6 38.6 20.4 32.7 16.3 14.2 5.5 13.7 11.6 223.4
1 85/86 60.1 75.1 61.9 77.4 57.4 54.8 58.8 56.1 59.4 154.1
1 86/87 69.4 84.8 68.8 83.7 70.9 65.4 59.9 60.6 53.9 60.9
1 87/88 51.6 68.4 42.1 59.8 61.0 50.3 33.4 63.1 282.6
1 88/89 53.7 67.7 22.1 37.6 27.2 27.2 -8.0 29.3 259.0
1 89/90 185.4 200.6 189.0 204.2 183.1 177.9 180.7 178.9 186.5 162.4
1 90/91 73.5 79.3 73.6 79.9 62.2 68.3 67.6 59.8 60.2 164.1
1 91/92 22.1 29.0 18.2 26.1 26.1 23.9 22.0 27.7 28.6 104.0
1 92/93 18.7 23.1 17.9 22.8 25.5 18.1 13.0 27.4 14.2 219.3
2 84/85 120.1 150.8 103.9 135.8 139.1 114.5 120.7 148.7 139.5 339.7
2 85/86 184.6 185.3 141.5 140.7 185.9 185.2 143.4 185.4 142.3 437.0
2 86/87 178.2 197.4 131.9 153.9 198.4 179.1 131.5 195.2 144.9 187.4
2 87/88 67.6 76.2 68.1 76.5 80.8 65.0 63.5 80.3 80.3 262.5
2 88/89 83.3 91.4 67.1 77.8 75.3 77.9 65.2 74.4 221.2
2 89/90 116.1 121.8 107.7 114.3 106.3 109.9 99.3 102.1 93.6 295.4
2 90/91 135.4 138.5 125.4 129.4 138.7 137.0 128.6 135.9 116.3 284.1
2 91/92 41.0 54.5 34.5 48.2 64.8 39.8 32.6 64.6 48.70 189.6
2 92/93 79.4 89.7 81.4 91.7 96.7 77.0 81.1 97.3 181.6
(1) 1: genotipos de ciclo corto; 2: genotipos de ciclo largo. (2) BF: bloque de efectos fijos; BA: bloques de efectos
aleatorios; BFH: bloque de efectos fijos con varianzas residuales heterogéneas; BAH: bloque de efectos aleatorios
con varianzas residuales heterogéneas; Pow: correlación espacial potencia isotrópico; BFPow: efecto fijo de bloque
con correlación espacial potencia isotrópico; BFHPow: efecto fijo de bloque con correlación espacial potencia
isotrópico y varianzas residuales heterogéneas; Powa: correlación espacial potencia anisotrópico; PowaH: correlación
espacial potencia anisotrópico y varianzas residuales heterogéneas.
Celdas vacías indican problemas de convergencia durante el proceso de estimación.
101
Tabla 5.3. Criterios de Schwarz (BIC) obtenidos para 10 modelos que incorporan
correlación espacial entre parcelas ajustados para 18 ensayos comparativos de
rendimiento del PMM-INTA.
Modelos de análisis (2)
ECR(1) Campaña BF BA BFH BAH Pow BFPow BFHPow Powa PowaH Pap
1 84/85 202.2 61.4 202.4 56.5 -26.0 41.3 34.6 -29.5 -37.0 373.4
1 85/86 196.7 93.5 204.5 96.8 23.2 77.6 83.5 21.0 18.8 267.0
1 86/87 258.3 109.0 264.2 108.9 25.8 94.0 90.5 14.6 2.5 227.0
1 87/88 254.0 94.1 251.1 86.4 13.3 80.4 65.4 14.4 458.5
1 88/89 242.7 92.0 217.6 62.8 -17.8 55.8 22.5 -16.7 425.1
1 89/90 374.4 224.8 384.5 229.4 138.0 206.5 211.2 132.9 135.1 328.5
1 90/91 249.1 102.1 255.6 103.7 19.8 95.5 96.7 16.5 11.5 317.4
1 91/92 93.9 30.9 92.5 28.1 -5.3 26.3 24.5 -4.9 -8.0 163.5
1 92/93 121.8 25.7 123.9 25.4 -16.3 21.1 16.2 -15.7 -32.8 311.3
2 84/85 269.5 170.6 259.4 156.7 102.2 138.7 144.0 116.3 101.6 449.5
2 85/86 347.0 206.6 310.2 163.0 146.2 210.9 169.6 147.5 100.1 568.2
2 86/87 367.2 221.6 327.4 179.1 153.4 207.7 160.6 152.1 96.2 340.5
2 87/88 243.2 99.0 250.1 100.3 38.4 92.2 92.5 37.0 32.5 296.7
2 88/89 285.7 117.1 276.1 104.4 27.5 108.0 97.2 25.7 400.3
2 89/90 291.7 144.6 289.7 138.0 64.0 137.1 128.4 58.9 44.9 448.7
2 90/91 284.8 158.4 281.0 150.2 101.7 161.3 154.8 98.0 74.0 376.2
2 91/92 128.2 56.7 124.4 50.5 28.2 42.5 35.5 26.7 6.9 263.6
2 92/93 166.7 92.0 171.3 94.0 60.1 79.7 84.0 59.4 255.6
(1) 1: genotipos de ciclo corto; 2: genotipos de ciclo largo. (2) BF: bloque de efectos fijos; BA: bloques de efectos
aleatorios; BFH: bloque de efectos fijos con varianzas residuales heterogéneas; BAH: bloque de efectos aleatorios
con varianzas residuales heterogéneas; Pow: correlación espacial potencia isotrópico; BFPow: efecto fijo de bloque
con correlación espacial potencia isotrópico; BFHPow: efecto fijo de bloque con correlación espacial potencia
isotrópico y varianzas residuales heterogéneas; Powa: correlación espacial potencia anisotrópico; PowaH: correlación
espacial potencia anisotrópico y varianzas residuales heterogéneas.
Celdas vacías indican problemas de convergencia durante el proceso de estimación.
102
Tabla 5.4. Estimaciones de componentes de varianza para 10 modelos que incorporan correlación espacial entre parcelas ajustados para ensayos
comparativos de rendimiento de genotipos de ciclo corto del PMM-INTA.
Modelos de análisis
Campaña BF BA BFH BAH Pow BFPow BFHPow Powa PowaH Pap
B =0.009 GC =0.056 B =0.008 GC =0.058 =0.53 =0.49 GC =0.058 GC =0.19 la =0.88 GC =0.078 la =0.89 lo =0.45
2 2 2 2 2 2 2 2
84/85 =0.052 =0.120
=0.052 M =0.030 M =0.030 R =0.069 =0.060 =0.055 M =0.034 M =0.57 lo =0.50 M =0.031 la =0.86 lo =0.52
2 2 2 2 2 2 2 2
B =0.021 GC =0.058 B =0.022 GC =0.059 =0.61 =0.52 GC =0.061 GC =0.53 la =0.88 GC =0.109 la =0.83 lo =0.75
2 2 2 2 2 2 2 2
85/86 =0.062 =0.101
=0.068 M =0.061 M =0.060 R =0.083 =0.089 =0.076 M =0.074 M =0.61 lo =0.59 M =0.061 la =0.92 lo =0.44
2 2 2 2 2 2 2 2
B =0.016 GC =0.052 B =0.013 GC =0.052 =0.54 =0.42 GC =0.059 GC =0.59 la =0.91 GC =0.051 la =0.94 lo =0.50
2 2 2 2 2 2 2 2
86/87 =0.065 =0.047
=0.065 M =0.086 M =0.089 R =0.056 =0.081 =0.069 M =0.087 M =0.19 lo =0.56 M =0.136 la =0.90 lo =0.58
2 2 2 2 2 2 2 2
B =0.028 GC =0.129 B =0.028 GC =0.130 =0.54 =0.45 GC =0.134 GC =0.23 la =0.89 GC =0.167 la =0.88 lo =0.46
2 2 2 2 2 2 2 2
89/90 =0.119 =0.080
=0.119 M =0.110 M =0.110 R =0.118 =0.146 =0.126 M =0.118 M =0.54 lo =0.52 M =0.139 la =0.88 lo =0.60
2 2 2 2 2 2 2 2
B =0.009 GC =0.036 B =0.011 GC =0.037 =0.42 =0.31 GC =0.038 GC =0.29 la =0.83 GC =0.054 la =0.90 lo =0.53
2 2 2 2 2 2 2 2
91/92 =0.057 =0.111
=0.057 M =0.077 M =0.076 =0.066 =0.059 M =0.081 M =0.32 lo =0.41 M =0.078 la =0.75 lo =0
2 2 2 2 2 2 2
=0.066
2
B =0.004 GC =0.064 B =0.005 GC =0.063 =0.13 =0.16 GC =0.062 GC =0.61 la =0.75 GC =0.065 la =0.87 lo =0.38
2 2 2 2 2 2 2 2
92/93 =0.053 =0.210
=0.053 M =0.042 M =0.042 =0.057 =0.052 M =0.043 M =0.32 lo =0.13 M =0.054 la =0.95 lo =0.49
2 2 2 2 2 2 2
=0.057
2
103
Tabla 5.5. Estimaciones de componentes de varianza para 10 modelos que incorporan correlación espacial entre parcelas ajustados para ensayos
comparativos de rendimiento de genotipos de ciclo largo del PMM-INTA.
Modelos de análisis
Campaña BF BA BFH BAH Pow BFPow BFHPow Powa PowaH Pap
B =0.121 GC =0.063 B =0.116 GC =0.063 =0.75 =0.50 GC =0.068 GC =0.47 la =0.70
2 2 2 2 2 2 2
84/85 =0.106 =0.326
=0.106 M =0.158 M =0.160 R =0.096 =0.211 =0.117 M =0.181 M =0.57 lo =0.75
2 2 2 2 2 2 2
B =0.004 GC =0.287 B =0.001 GC =0.297 =0.10 =0.02 GC =0.285 GC =0.21 la =0.84 GC =0.298 la =0.85 lo =0.05
2 2 2 2 2 2 2 2
85/86 =0.137 =0.479
=0.137 M =0.050 M =0.050 R =0.073 =0.141 =0.137 M =0.050 M =0.03 lo =0.09 M =0.051 la =0.67 lo =0
2 2 2 2 2 2 2 2
B =0.041 GC =0.212 B =0.039 GC =0.212 =0.53 =0.32 GC =0.216 GC =0.22 la =0.81 GC =0.250 la =0.81 lo =0.39
2 2 2 2 2 2 2 2
86/87 =0.114 =0.095
=0.114 M =0.094 M =0.095 R =0.035 =0.154 =0.117 M =0.102 M =0.51 lo =0.53 M =0.210 la =0.93 lo =0.80
2 2 2 2 2 2 2 2
B =0.008 GC =0.085 B =0.007 GC =0.087 =0.24 =0.04 GC =0.088 GC =0.34 la =0.86 GC =0.099 la =0.84 lo =0.44
2 2 2 2 2 2 2 2
87/88 =0.066 =0.149
=0.066 M =0.056 M =0.055 R =0.057 =0.074 =0.066 M =0.054 M =-0.40 lo =0.23 M =0.060 la =-0.73 lo =0
2 2 2 2 2 2 2 2
B =0.007 GC =0.049 B =0.007 GC =0.049 =0.43 =0.42 GC =0.051 GC =0.47 la =0.89 GC =0.063 la =0.90 lo =0.61
2 2 2 2 2 2 2 2
89/90 =0.086 =0.177
=0.086 M =0.088 M =0.085 R =0.124 =0.092 =0.090 M =0.936 M =0.57 lo =0.42 M =0.076 la =0.92 lo =0.40
2 2 2 2 2 2 2 2
B =0.006 GC =0.112 B =0.006 GC =0.117 =0.20 =0.14 GC =0.125 GC =0.38 la =0.88 GC =0.119 la =0.95 lo =0.27
2 2 2 2 2 2 2 2
90/91 =0.107 =0.167
=0.107 M =0.150 M =0.152 R =0.053 =0.114 =0.109 M =0.147 M =0.28 lo =0.21 M =0.162 la = 0.84 lo =0
2 2 2 2 2 2 2 2
=0.092
2
104
Tabla 5.6. Valores del estadístico F en la comparación de medias por localidad para nueve modelos que incorporan correlación espacial entre parcelas
ajustados para ensayos comparativos de rendimiento de genotipos de ciclo corto del PMM-INTA.
Campaña Localidad BF BA BFH BAH Pow BFPow BFHPow Powa PowaH Mejor Bajo
BIC
84/85 Cabrera 11.71 11.71 10.86 10.57 15.41 15.17 9.99 16.87 11.40 PowaH
Manfredi 8.87 8.87 15.15 15.30 11.61 11.43 20.79 11.95 21.06
Río Tercero 5.12 5.12 3.83 3.87 7.01 6.93 6.59 6.40 5.90
85/86 Cabrera 11.21 11.21 13.22 12.89 12.51 12.10 14.25 14.23 16.21 PowaH
Manfredi 6.28 6.28 6.96 7.06 5.81 5.85 5.65 6.14 7.91
Río Tercero 4.94 4.94 3.95 4.02 6.74 6.31 3.71 6.87 4.08
86/87 Cabrera 17.77 17.77 22.01 22.24 22.15 21.03 31.17 26.88 48.55 PowaH
Manfredi 5.91 5.91 4.48 4.32 6.27 6.26 4.05 7.51 4.36
Río Tercero 3.00 3.00 3.43 3.47 3.82 3.52 5.08 4.50 5.18
87/88 Cabrera 13.15 13.15 13.14 12.93 14.52 14.04 13.18 14.05 Powa
Manfredi 4.97 4.97 13.49 3.53 6.51 5.86 3.20 6.34
Río Tercero 10.09 10.09 17.53 17.59 10.39 10.32 24.40 10.19
88/89 Cabrera 1.99 1.99 1.55 1.50 2.83 2.69 3.13 2.88 Powa
Manfredi 14.78 14.78 10.62 10.72 21.78 21.29 12.88 21.82
Río Tercero 4.76 4.76 14.90 14.97 7.76 7.52 13.50 7.61
89/90 Cabrera 5.38 5.38 4.98 4.95 7.22 6.84 4.86 7.35 5.24 Powa
Manfredi 5.63 5.63 6.09 6.08 7.41 7.09 8.30 7.06 8.18
Río Tercero 3.65 3.65 3.67 3.7 3.93 3.84 4.22 3.89 4.41
90/91 Cabrera 2.34 2.34 1.82 1.84 3.18 3.13 2.63 3.60 Powa
Manfredi 3.04 3.04 3.27 3.30 3.15 3.09 2.93 3.12
Río Tercero 5.02 5.02 6.42 6.33 6.59 6.44 9.60 7.37
91/92 Cabrera 7.85 7.85 12.16 12.04 8.89 8.43 12.13 8.32 12.93 PowaH
Manfredi 8.12 8.12 6.00 6.13 8.44 8.07 5.43 8.05 5.41
92/93 Cabrera 13.27 13.27 10.95 11.10 11.95 12.40 8.40 11.29 9.30 PowaH
Manfredi 20.81 20.81 26.40 26.18 18.77 19.57 25.36 17.85 35.70
105
Tabla 5.7. Valores del estadístico F en la comparación de medias por localidad para nueve modelos que incorporan correlación espacial entre parcelas
ajustados para ensayos comparativos de rendimiento de genotipos de ciclo corto del PMM-INTA.
Campaña Localidad BF BA BFH BAH Pow BFPow BFHPow Powa PowaH Mejor Bajo BIC
84/85 Cabrera 12.64 12.64 21.21 21.25 14.86 14.28 21.25 14.44 Powa
Manfredi 18.40 18.40 12.32 12.20 20.52 19.68 13.09 20.04
Río Tercero 4.34 4.34 4.76 4.77 5.87 5.24 4.77 5.67
85/86 Cabrera 37.37 37.37 17.84 17.22 35.61 35.92 15.00 36.34 15.44 PowaH
Manfredi 7.08 7.08 19.32 19.23 6.87 6.85 15.23 6.84 17.24
Río Tercero 2.20 2.20 4.08 4.15 2.14 2.14 4.03 2.09 4.36
86/87 Cabrera 9.88 9.88 5.30 5.30 10.32 10.28 4.79 10.02 4.63 PowaH
Manfredi 15.79 15.79 19.06 18.90 15.91 16.00 21.27 15.52 30.27
Río Tercero 4.79 4.79 15.59 15.63 4.69 4.79 14.41 4.41 13.41
87/88 Cabrera 9.21 9.21 7.13 6.99 7.68 8.80 5.81 8.08 5.82 PowaH
Manfredi 9.60 9.60 11.33 11.40 9.02 9.28 10.59 8.83 9.51
Río Tercero 9.98 9.98 11.58 11.65 8.37 9.52 10.44 8.16 9.21
88/89 Cabrera 5.69 5.69 3.63 3.71 6.15 6.10 4.38 6.54 5.55 Powa
Manfredi 7.23 7.23 13.94 13.74 8.16 8.02 12.36 8.24 17.57
Río Tercero 3.57 3.57 3.91 3.95 4.53 4.44 3.76 4.24 3.46
89/90 Cabrera 4.22 4.22 7.49 7.40 5.18 5.21 9.55 4.95 10.17 PowaH
Manfredi 11.85 11.85 11.67 12.00 14.26 14.05 16.99 15.25 18.91
Río Tercero 8.67 8.67 6.10 6.03 8.88 8.89 5.48 10.95 5.86
90/91 Cabrera 3.21 3.21 2.88 2.96 2.97 3.06 2.71 3.32 5.02 PowaH
Manfredi 5.66 5.66 4.06 3.99 5.70 5.68 3.89 6.05 3.39
Río Tercero 6.90 6.90 14.02 13.93 6.90 6.86 13.52 6.82 15.56
91/92 Cabrera 14.79 14.79 24.15 24.35 12.98 8.43 21.87 13.38 20.24 PowaH
Manfredi 11.90 11.90 8.57 8.41 8.75 8.07 8.02 8.22 6.14
92/93 Cabrera 9.95 9.95 9.60 9.75 9.46 12.40 8.75 Powa
Manfredi 3.96 3.96 4.11 4.05 3.27 19.57 3.58
106
Tabla 5.8. Significancias de covariables para ajustar correlación espacial según el
método de Papadakis para tres modelos de covarianza: con covarianza EO, con
covarianza NS y con ambas covarianzas.
Tipo Campaña EO NS EO-NS Mejor Modelo
de
EO NS
ECR
1 84/85 0.0368 0.3471 0.0084 0.0617 EO
1 85/86 <0.0001 0.9601 <0.0001 0.4089 EO
1 86/87 <0.0001 0.0939 <0.0001 0.0103 EO-NS
1 87/88 0.0047 0.8188 0.0020 0.2015 EO
1 88/89 0.1085 0.5408 0.1391 0.9753 NINGUNO
1 89/90 <0.0001 <0.0001 <0.0001 0.0033 EO-NS
1 90/91 0.4905 0.7487 0.4995 0.7693 NINGUNO
1 91/92 0.0803 0.0367 0.1508 0.0672 NS
1 92/93 0.5576 0.8674 0.5521 0.8393 NINGUNO
2 84/85 0.0002 0.0485 0.0001 0.0300 EO-NS
2 85/86 0.7984 0.6078 0.7636 0.5921 NINGUNO
2 86/87 <0.0001 0.8746 <0.0001 0.8251 EO
2 87/88 0.0006 0.8542 0.0005 0.5528 EO
2 88/89 0.1209 0.9580 0.1099 0.6809 NINGUNO
2 89/90 0.2446 0.1857 0.1342 0.1044 NINGUNO
2 90/91 0.2683 0.0980 0.1933 0.0740 NINGUNO
2 91/92 0.0020 0.2136 0.0042 0.6233 EO
2 92/93 0.0416 0.2454 0.2829 0.2863 EO
Smith et al. (2001) plantean que debido a que en los experimentos a campo las
parcelas son generalmente del mismo tamaño y están dispuestas en arreglos continuos
regulares la distancia entre ellas puede ser expresada en términos de su número de fila y
de columna. Luego, es posible expresar las distancias entre parcelas como distancias
entre las filas y las columnas en las que ellas se ubican, mediante las cantidades
1, ..., F-1 y 1,..., C-1 respectivamente.
exponencial, i.e. R = 2Corr 2 Corr f f Corrc c esta recomendación, que
sin duda simplifica la tarea del investigador a campo ya que no es necesario obtener
latitud y longitud de los centroides de parcela, no cambia la función de covarianza sino
que simplemente cambia la escala de los coeficientes f y c . Para explicar este
fenómeno suponga que a la distancia entre las parcelas i y j en la dirección de las filas se
107
la expresa como dijf i f j f d F , donde i f y j f son los números de las parcelas i y j
en la fila f, d F es una distancia entre parcelas de una misma fila (constante entre
cualquier par de parcelas debido a la regularidad de los ECR) y de igual manera se
define dijc i c j c dC . Los posibles valores de la distancia entre números o códigos de
expresar cada uno de los factores del modelo de correlación exponencial (p=1)
separable como f =exp(- f dijf ) y c =exp(- c dijc) obteniendo estas distancias a partir
de las diferencias (en metros) en latitud o longitud de los centroides de parcelas o bien
utilizando simplemente las diferencias en números de parcelas a nivel de las filas y de
las columnas. En este último caso, los factores del modelo de correlación exponencial
serán f =exp(- *f dijnf )=exp(- *f dijf /d F ) y c =exp(- c* dijnc )=exp(- c* dijc /dC ) que
d d
c 2 2
dij ij
f
ij . No es posible multiplicar por cantidades diferentes a los términos
dentro de la raíz cuadrada sin que cambie la función y por ello es claro que el uso de un
sistema de coordenadas bidimensionales basado en el número de fila y el número de
columna en que se ubica la parcela es incorrecto para modelos isotrópicos.
Conclusiones
los ECR del PMM-INTA, en ninguno de los 18 ECR fue el mejor modelo para ajustar
los datos. Las mayores diferencias se observaron en los ECR de líneas experimentales
de ciclo largo.
108
Los modelos de análisis de varianza para un diseño en bloque permitiendo errores
heterocedásticos entre localidades son más apropiados que sus versiones con varianzas
Si bien para diseños balanceados el error estándar para las diferencias de medias
es el mismo para modelos con efecto de bloques fijos que para modelos con efecto de
bloques aleatorios y por tanto con ambos modelos se logra la misma diferencia de
redundante. El modelo anisotrópico supera en todos los ECR al modelo isotrópico con
efecto de bloque.
localidades resultó el modelo más apropiado para la mayoría de los ECR en los que
pudo ajustarse
genotipos. Si bien en la estimación de las medias de genotipo bajo los modelos mixtos,
109
CAPÍTULO VI
CONCLUSIONES GENERALES
Las varianzas genotípicas de las líneas experimentales de ciclo corto, del programa de
mejoramiento de maní de la EEA-Manfredi del INTA, son relativamente pequeñas si se
comparan con la variación residual. No sucede lo mismo para los ECR CL, además, las
líneas de ciclo largo parecieran también ser más estables o menos dependientes de las
variaciones ambientales. En los ECR CC, la interacción genotipolocalidad fue menor
que la interacción genotipoaño, sugiriendo que sería más conveniente incrementar el
número de años en los que se evalúa un mismo material que el número de localidades en
cada campaña. Una relación inversa se encontró en los ECR de ciclo largo.
El uso de los BLUP-e, no solo tiene en cuenta los efectos de los genotipos sino
también las componentes de varianza relacionadas a la interacción con el ambiente y a
la variabilidad genética que caracteriza al programa y la cantidad de información
disponible para cada genotipo. Las predicciones realizadas con BLUP resultan más
confiables que las basadas en medias. En programas con bases genéticas más amplias se
esperan mayores diferencias entre ambas aproximaciones.
110
predicciones pueden basarse en 2 años de ECR, pero no se recomienda hacer más de dos
años de ECR para detectar genotipos de rendimiento pobre.
los ECR del PMM-INTA, en ninguno de los 18 ECR fue el mejor modelo para ajustar
los datos. Las mayores diferencias se observaron en los ECR de líneas experimentales
de ciclo largo.
111
Los modelos de análisis de varianza para un diseño en bloque permitiendo errores
heterocedásticos entre localidades son más apropiados que sus versiones con varianzas
Si bien para diseños balanceados el error estándar para las diferencias de medias
es el mismo para modelos con efecto de bloques fijos que para modelos con efecto de
bloques aleatorios y por tanto con ambos modelos se logra la misma diferencia de
redundante. El modelo anisotrópico supera en todos los ECR al modelo isotrópico con
entre localidades resultó el modelo más apropiado para la mayoría de los ECR en los
genotipos. Si bien en la estimación de las medias de genotipo bajo los modelos mixtos,
112
BIBLIOGRAFÍA CITADA
113
Society of America, Soil Science Society of America, Madison, Wisconsin, pp:
269-276.
Boca T. 1999. Evaluación de Genotipos de Soja y Maíz Aplicando Modelos Lineales
Mixtos. Tesis de Maestría. Facultad de Agronomía, Universidad de Buenos Aires,
190 pp.
Bowman D.T. 1998. Using crop performance data to select hybrids and varieties. J.
Prod. Agric. 11: 256-259.
Breese E.L. 1969. The measurement and significance of genotype-environment
interactions in grasses. Heredity 24: 27-44.
Bridges Jr. W.C. 1989. Analysis of a plant breeding experiment with heterogeneous
variances using mixed model equations. In: Applications of Mixed Models in
Agriculture and Related Disciplines. Southern Coop. Series Bull. No. 343.
Louisiana Agric. Exp. Stn., Baton Rouge, Louisiana, pp: 145-154.
Calinski T., Czajka S. and Kaczmarek Z. 1987. A model for the analysis of a serie of
experiments repeated at several places over a period of years: I. Theor. Biul. Oc.
Odmian 12: 7-33.
Casanoves F. 1996. Interacción Genotipo-ambiente. Evaluación simultanea de modelos
usados para la evaluación de genotipos. Tesis de Maestría. Facultad de
Agronomía, UBA. 120 pp.
Casanoves F., Baldessari, J. and Balzarini M. 2004. Evaluation of Multi-environmental
Trials of Peanut (Arachis hypogaea L.) Cultivars. Crop Sci. (in press).
Casler M.D. 1999. Spatial variation affects precision of perennial cool-season forage
grass trials. Agron. J. 91: 75-81.
Chang Y.S. and Milligan S.B. 1992. Estimating the potential of sugarcane families to
produce elite genotype using bivariate cross prediction methods. Theor. Appl.
Genet. 84: 633-639.
Cochran W.G. and Cox G.M. 1957. Experimental designs. John Wiley & Sons, Inc.
London.
Cornelius P.L. 1993. Statistical test and retention of terms in the additive main effects
and multiplicative interaction models for cultivar trials. Crop Sci. 33: 1186-1193.
Cornelius P.L , Seyedsadr, M. and Crossa, J. 1992. Using the shifted multiplicative
model to search for `separability´ in crop cultivar trials. Theor. Appl. Genet. 84:
161-172.
Cornelius P.L., Crossa J. and Seyedsadr M.S. 1996. Statistical test and estimates of
multivariate models for GE interaction. In: Genotype-by-Environment Interaction.
Kang, M.S. y Gauch, H.G., Jr (eds). CRC Press, Boca Raton, Florida, pp: 199-
234.
Cornelius P.L, Van Sanford, D. A. and Seyedsardr, M. 1993. Clustering cultivars into
groups without rank-change interactions. Crop Sci. 33, 1193-1200.
114
Crossa J. 1988. A comparison of result obtained with two methods for assessing yield
stability. Theor. Appl. Genet. 75: 460-467.
Crossa J. 1990. Statistical analyses of multilocation trials. Advances in Agronomy 44:
55-85.
Crossa J., Gauch H.G. and Zobel R.W. 1990. Additive main effects and multiplicative
interaction analysis of two international maize cultivar trials. Crop Sci. 30: 493-
500.
Crossa J. and Cornellius P.L. 1993. Recent developments in multiplicative models for
cultivar trials. In: Buxton D.R., Shibles R., Forsberg R.A., Blad B.L., Asay K.H.,
Paulsen, G.M., and Wilson R.F. (eds.). International Crop Sciences I. Crop
Science Society of America, Madison, Wisconsin, pp: 199-234.
Crossa J. and Cornellius P.L. 1997. Sites regression and shifted multiplicative model
clustering of cultivar trial sites under heterogeneity of error variance. Crop Sci. 37:
405-415.
Crossa J. and Cornellius P.L. 2002. Linear-bilinear models for the analysis of genotype-
environment interaction. In: Quantitative Genetics, Genomics, and Plant Breeding.
Kang, M.S. (ed.) CABI Publishing, New York, pp: 305-322.
Crossa J., Cornellius P.L., Sayre K. and Ortiz Monasterio I.J. 1995. A shifted
multiplicative model fusion method for grouping environments without cultivar
rank change. Crop Sci. 35: 54-62.
Cruz Medina R. 1992. Some exact conditional tests for the multiplicative models to
explain genotype-environment interaction. Heredity 69: 128-132.
Cullis B.R., Gogel B.J., Verbyla A.P. and Thompson R. 1998. Spatial analysis of multi-
environment early generation trials. Biometrics 54: 1-18.
Cullis B.R. and Gleeson A.C. 1991. Spatial analysis of field experiments-an extension
to two dimensions. Biometrics 47: 1449-1460.
Cullis B.R., Thompson F.M., Fisher J.A., Gilmour A.R. and Thompson R. 1996. The
analysis of the NSW wheat variety database. II. Variance component estimation.
Theor. Appl. Genet. 92: 28-39.
Denis J-B. 1988. Two-way analysis using covariates. Statistics 19:123-132.
Draper N.R. and Smith H. 1998. Applied regression analysis. 3rd. edition. John Wiley
& Sons, New York. 706p.
Eberhart S.A. and Russell W.A. 1966. Stability parameters for comparing varieties.
Crop Sci. 6: 36-40.
Federer W.T. 1957. Variance and covariance analysis for unbalanced classifications.
Biometrics 13: 333-362.
Finlay K.W. and Wilkinson G.N. 1963. The analysis of adaptation in a plant breeding
program. Aust. J. Agric. Res. 14: 742-754.
115
Francis T.R. and Kannenberg L.W. 1978. Yield stability studies in short season maize:
I. Descriptive method for grouping genotypes. Can. J. Plant Sci. 58: 1029-1034.
Gabriel K.R. 1971. Biplot display of multivariate matrices with application to principal
components analysis. Biometrika 58: 453-467.
Gauch H.G. Jr. 1988. Model selection and validation for yield trials with interaction.
Biometrics 44: 705-715.
Gianola D. and Hammond K. 1990. Advances in Statistical Methods for Genetic
Improvement of Livestock. Gianola D. and Hammond K. (Eds.). Springer-verlag.
534 pp.
Gilmour A.R., Cullis BR, Welham S.J. and Thompson R. 1999. ASREML Reference
manual. Biometric Bulletin Nº 3, NSW Agriculture, Orange, New South Wales.
Gilmour A.R., Thompson R, Cullis B.R. and Verbyla A.P. 1997. Accounting for natural
and extraneous variation in the analysis of field experiments. J. Agric. Biol. Env.
Stat. 2: 269:273.
Gleeson A.C. and Cullis B.R. 1987. Residual Maximum Likelihood (REML) estimation
of a neighbor model for field experiments. Biometrics 43: 277-288.
Gollob H.F. (1968) A statistical model which combines features of factor analytic and
analysis of variance. Psycometrika 33: 73-115.
Gleeson A.C. and Cullis, B.R. 1987. Residual maximum likelihood (REML) estimation
of a neighbor model for field experiment. Biometrics 43: 277-288.
Gusmao L. 1886. Inadequacy of blocking in cultivar yield trials. Theor. Appl. Genet.
72:98-104.
Hanson W.D. 1970. Genotypic stability. Theor. Appl. Genet. 40: 226-231.
Harville D.A. 1990. BLUP: best linear unbiased prediction and beyond. In: Advances in
statistical methods for genetic improvement of livestock. Gianola D. y Hammond
K. (eds). Spinger Verlag, New York, pp: 239-276.
Hastie T.J. and Tibshirani R.J. 1990. Generalized Additive Models. Chapman and Hall.
New York.
Henderson C.R. 1973. Sire evaluation and genetic trends. In: Proceedings Animal
Breeding and Genetics Symposium in Honor of Dr. Jay L. Lush. American
Society of Animal Science, and American Dairy Science association, Champaign,
Illinois, pp: 10-41.
Henderson C.R. 1974. General flexibility of linear model techniques for sire evaluation.
J. Dairy Sci. 57: 963-973.
Henderson C.R. 1975. Best linear unbiased estimation and prediction under the
selection model. Biometrics 31: 423-447.
Henderson C.R. 1984. Applications of linear models in animal breeding. University of
Guelph, Ontario, Canada.
116
Hühn M. 1979. Beitrage zur erfassung der phanotypishen stabilitat I. Vorschlage einiger
auf ranginformationen beruhenden stabilitatsparameter. EDP Med. Biol. 10: 112-
117.
Hühn M. 1990. Nonparametric measures of phenotypic stability. Part 1: Theory and Part
2: Applications. Euphytica 39: 123-130.
Hill Jr. R.R. and Rosenberg J.L. 1985. Models for combining data from germplasm
evaluation trials. Crop Sci. 25: 467-470.
Info-Gen. 2003. Info-Gen, Versión 1. Facultad de Ciencias Agropecuarias, Universidad
Nacional de Córdoba, Argentina.
Jennrich R.L. and Schluchter M.D. 1986. Unbalanced repeated measures models with
structured covariance matrices. Biometrics 42: 805-820.
Kang M.S. 1990. Understanding and utilization of genotype-by-environment interaction
in plant breeding. In. Genotype-by-environment interaction in plant breeding.
Kang, M.S (ed.), pp: 52-68.
Kang M.S. 1998. Using genotype-by-environment interaction for crop cultivar
development. Adv. Agron. 62: 199-252.
Kang M.S. 2002. Genotype-environment interaction: Progress and prospects. Kang
M.S. (ed.) CABI Publishing, New York.
Kang M.S. 1990. Genotype-by-Environment Interaction and Plant Breeding. Louisiana
State University Agricultural Center, Baton Rouge, Louisiana.
Kang M.S. and Magari R. 1996. New developments in selecting for phenotypic stability
in crop breeding. In: Genotype-by-environment interaction. Kang M.S. y Gauch Jr
H.G. (eds.). CRC Press, Boca Raton, FL.
Kang M.S. and Gauch Jr H.G. 1996. Genotype by environment interaction. Kang M.S.
and Gauch Jr H.G. (eds.). CRC Press, Boca Raton, Fl.
Kempton R.A. and Lockwood G. 1984. Inter-plot competition in variety trials of field
beans (Vicia fava L.). J. Agric. Sci., Camb. 98: 599-611.
Kenward M.G. and Roger J.H. 1997. Small sample inference for fixed effects from
restricted maximum likelihood. Biometrics 53: 983-997.
Khuri A.I. Mathew T. and Sinha B.K. 1998. Statistical tests for mixed linear Models.
Wiley series in Probability and Statistics. John Wiley & Sons, Inc. New York.
352pp.
Lin C.S. Binns M.R. and Lefkovitch L.P. 1986. Stability analysis: Where do we stand?.
Crop Sci. 26: 894-900.
Lin C.S. and Binns M.R. 1988. A superiority measure of cultivar performance for
cultivarlocation data. Can. J. Plant Sci. 68:193-198.
Lin C.S. and Binns M.R. 1994. Concepts and methods for analyzing regional trial data
for cultivar and location selection. Plant Breed. Rev. 12: 271-297.
117
Littell R.C. Milliken G.A. Stroup W.W. and Wolfinger R.D. 1996. SAS System for
Mixed Models. Cary, N.C.:SAS Institute Inc. 633p.
Liu G. and Cornelius P. L. 2001. Simulations and decimal approximations of the
characteristic roots of a Wishart matrix. Com. Stat. B. 23: 145-175.
McLean R.A., Sanders W.L. and Stroup W.W. 1991. A unified approach to mixed
linear models. Am. Stat. 45: 54-64.
Macchiavelli R. and Beaver J. 1999. Analysis of genotype-by-environment interaction
with AMMI models using SAS Proc Mixed. Appl. Stat. Agric. 11: 171-183.
Martin, R.J. 1990. The use of time-series models and method in the analysis of
agricultural field trials. Com. Stat. A 19: 55-81.
Mead R. 1971. Models for interplant competition in irregularly spaced population. In:
Statistical Ecology, Patil G.P., Pielou E.C. and Waters W.E. (Eds.). Pensilvania
State University Press, College Town, Pa, pp: 13-22.
Mercer W.B. and Hall A.D. 1911. The experimental error of field trials. J. Agric. Sci.,
Camb. 4: 107-132.
Milligan S.B. 1994. Test site allocation within and among selection stages of a
sugarcane breeding program. Crop Sci. 34: 1184-1190.
Mood A.M. 1950. Introduction to the theory of statistics. Mc Graw Hill, New York.
Mrode R.A. 1996. Linear Models for the Prediction of Animal Breeding Values. CAB
International, Chippenham, Wilts, UK.
Nassar R. and Hühn M. 1987. Studies on estimation of phenotypic stability: Test of
significance for nonparametric measures of phenotypic stability. Biometrics 43:
45-53.
Osten D.W. 1988. Selection of optimal regression models via cross-validation. J.
Chemometrics 2: 39-48.
Panter D.M. and Allen F.L. 1995. Using best linear unbiased predictions to enhance
breeding for yield in soybean: I. Choosing parents. Crop Sci. 35: 397-405.
Papadakis J.S. 1937. Methode statistique pour des experiencessur champ. Institut
d’Amelioration des Plantes a Thessaloniki.
Patterson H.D. Solvey V. Talbot M. and Weatherup S.T.C. 1977. Variability of yield of
cereals varieties in UK trials. J. Agric. Sci. 89: 238-245.
Perkins J.M. and Jinks J.L. 1968. Environmental and genotype-environmental
components of variability. III. Multiple lines and crosses. Heredity 23: 339-356.
Pearce S.C. 1980. Randomized blocks and some alternatives: A study in tropical
conditions. Trop. Agric. (Trinidad) 57: 1-10.
118
Piepho H.P. 1994. Best linear unbiased prediction (BLUP) for regional yield trials: a
comparison to additive main effects multiplicative interaction (AMMI) analysis.
Theor. Appl. Genet. 89: 647-654.
Piepho H.P. 1997. Analyzing genotype-environment data by mixed models with
multiplicative effects. Biometrics 53: 761-766.
Piepho H.P. 1998. Empirical best linear unbiased prediction in cultivar trials using
factor-analytic variance-covariance structures. Theor. Appl. Genet. 97: 195-201.
Pinthus M.J. 1973. Estimate of genotypic value: A proposed method. Euphytica 22:
121-123.
Plaisted R.L. 1960. A shorter method for evaluating the ability of selections to yield
consistently over locations. Am. Potato J. 37: 166-172.
Plaisted R.L. and Peterson L.C. 1959. A technique for evaluating the ability of
selections to yield consistently in different locations or seasons. Am. Potato J. 36:
381-385.
Quinn G.P and Keough M.J. 2002. Experimental Design and Data Analysis for
Biologists. Cambridge University press, UK.
Rao C.R. 1973. Linear statistical inference and its applications. Second Edition. New
York: John Wiley and Sons.
Ripley B.D. 1981. Spatial Statistics. Wiley, New York.
Robinson G.K. 1991. That BLUP is a good thing: The estimation of random effects.
Statistical Sciences 6: 15-21.
Roemer T. 1917. Sind die ertragsreichen sorten ertragssicherer? Mitt. DLG 32: 87-89.
SAS Institute. 1997. SAS/STAT software: changes and enhancements through release
6.12. SAS Inst., Cary, NC.
SAS Institute. 2001. SAS/STAT release 8.2. SAS Inst., Cary, NC.
Saxton A.M. 1998. A macro for converting mean separation output to letter groupings
in Proc Mixed. In Proc. 23rd SAS Users Group Intl., SAS Institute, Cary, NC, pp:
1243-1246. Nashville, TN, March 22-25.
Searle S.R. 1971. Linear Models. John Wiley & Sons, New York.
Searle S.R. 1987. Linear Models for Unbalanced Data. John Wiley & Sons, New York.
Searle S.R., Casella G. and McCulloch C.E. 1992. Variance Components. John Wiley &
Sons, New York.
Seyedsadr M. and Cornelius P.L. 1992. Shifted multiplicative models for nonadditive
two-way tables. Com. Stat. Ser. B 21: 807-832.
Shukla G.K. 1972. Some statistical aspects of partitioning genotype-environmental
components of variability. Heredity 29: 237-245
119
Skroppa T. 1984. A critical evaluation of methods available to estimate the genotype-
environment interaction. Stud. For. Suec. 166: 3-14.
Smith A.B., Cullis B.R. and Thompson R. 2001. Analyzing variety by environment data
using multiplicative mixed models and adjustments for special field trend.
Biometrics 57: 1138-1147.
Smith A., Cullis B. and Thompson R. 2002a. Exploring variety-environment data using
random efects AMMI models with adjusment for spatial field trend: Part 1:
Theory. In: Quantitative Genetics, Genomics, and Plant Breeding. Kang, M.S.
(ed.) CABI Publishing, New York, pp: 323-335.
Smith A., Cullis B. Luckett D., Hollamby G. and Thompson R. 2002b. Exploring
variety-environment data using random efects AMMI models with adjustment for
spatial field trend: Part 2: Applications. In: Quantitative Genetics, Genomics, and
Plant Breeding. Kang M.S. (ed.) CABI Publishing, New York, pp: 337-351.
Stone M. 1974. Cross-validatory choice and assessment of statistical predictions. J. R.
Stat. Soc. B 36: 111-147.
Stroup W.W. 1989. Why mixed models?. In: Applications of Mixed Models in
Agriculture and Related Disciplines. Southern Coop Series Bulletin No. 343.
Louisiana Agric. Exp. Stn., Baton Rouge, Louisiana, pp. 104-112.
Stroup W.W. Baenziger P.S. and Mulitze D.K. 1994. Removing spatial variation from
wheat yield trials: A comparison of methods. Crop Sci. 34: 62-66.
Stroup W.W. 2000. Mixed models issues in the analysis of multi-location trials. In: The
XXth International Biometrics Conference, Vol. II. University of California,
Berkeley, pp. 135-142.
Van Eeuwijk F.A., Denis J-B. and Kang M.S. 1996. Incorporating additional
information on genetics and environments in models for two-way genotype by
environment interaction tables. In: Genotype-by-environment interaction. Kang
M.S. y Gauch Jr. H.G. (Eds), CRC Press, Boca Raton, FL, pp. 15-49.
Vargas M., Crossa, J., Sayre, K., Reynolds M., Ramírez, M.E. and Talbot, M. 1998.
Interpreting genptype×environment interaction in wheat using partial least squares
regression. Crop Sci. 38: 679-689.
Vargas M., Crossa J., Van Eeuwijk F.A, Sayre K.D. and Reynolds M.P. 2001.
Interpreting treatmentenvironment interaction in agronomy trials. Agron. J. 93:
949-960.
Vargas M., Crossa J., Van Eeuwijk F.A, Ramírez M.E. and Sayre K.D. 1999. Using
partial least-square regression, factorial regression, and AMMI models for
interpreting genotypeenvironment interaction. Crop Sci. 39: 955-957.
Verbek G. and Molenberghs G. 1997. Linear Mixed Models in Practice. Springer-
Verlag, Inc., New York.
Wilkinson, G.N., Eckert, S.R., Hncock, T.W. and Mayo, O. 1983. Nearest neighbor
analysis whit field experiments. J. R. Stat. Soc. Ser. B 45: 151-178.
120
White T.L., Hodge G.R. and Delorenzo M.A. 1986. Best linear prediction of breeding
values in forest tree improvement. In: Workshop of the Genetics and Breeding of
Southern Forest Trees, Southern Region Information Exchange Group 40,
Gainesville, Florida, pp. 99-122.
Whittle, P. 1954. On stationary processes in the plane. Biometrika, 41: 434-449.
Wolfinger R.D. 1993. Covariance structure selection in general mixed linear models.
Com. Stat. A 22: 1079-1106.
Wricke G. 1962. Übereine Methodezur Erfassung der ökologischen Streubreite in
Feldversuchen. Z. Pflanzenzuecht 47: 92-96.
Yan W., Hunt L. A., Sheng Q. and Szlavnics Z. 2000. Cultivar evaluation and mega-
environment investigation based on GGE Biplot. Crop Sci. 40: 597-605.
Yan W. and Hunt L.A. 2001. Genetic and environmental causes of genotype by
environment interaction for winter wheat yield in Ontario. Crop Sci. 41: 19-25.
Yan W. and Hunt L.A. 2002. Biplot analysis of multi-environment trial data. In:
Quantitative genetics, genomics and plant breeding, Kang M.S. (Ed.) CABI
Publishing, New York, pp: 289-303.
Yan W. and Kang M.S. 2003. GGE biplot analysis: A graphical tool for breeders,
geneticists and agronomists. CRC Press, Boca Raton, FL.
Yan W. and Rajcan I. 2003. Prediction of cultivar performance based on single versus
multiple-year test in soybean. Crop Sci. 43: 549-555.
Zeger S.L., Liang K.Y. and Albert P.S. 1988. Model for longitudinal data: a generalized
estimating equation approach. Biometrics 44: 1049-1060.
Zimmerman, D.L. and Harville, D.A. 1991. A random field approach to the analysis of
field plot experiments and other spatial experiments. Biometrics 47: 223-239.
Zobel W.R., Wright M.J. and Gauch H.G. 1988. Statistical analysis of a yield trial.
Agron. J. 80: 388-393.
121
ANEXO 1
122
Campaña 1996/97 Campaña 1997/98 Campaña 1998/99 Campaña 1999/00 Campaña 2000/01 Campaña 2001/02
Sitios S1 S2 S4 S1 S2 S4 S1 S2 S3 S4 S5 S1 S2 S3 S4 S1 S2 S3 S4 S1 S2 S3 S4
Florman 1 2 1 9 10 9 9 4 8 3 2 12 6 8 9 12 4 2 4 12 9 3 4
Tegua 4 3 2 7 11 7 11 6 9 2 3 10 5 10 6
manf393 9 6 10 6 7 3 10 10 4 8 11 3 8 1 4
mf447 3 10 7 4 5 4 8 12 3 5 6 1 2 2 2
mf457 8 9 4 10 1 5
mf478 10 11 11 8 2 2 2 11 7 7 5 7 9 5 5
mf480 11 7 3 11 3 1 3 9 1 6 1 5 1 3 1
mf484 7 8 5 3 9 10 12 8 6 11 12 6 12 4 12 11 10 11 9 10 12 9 11
mf485 6 1 6 1 6 11 5 1 2 4 7 4 7 6 10 5 11 8 5 8 10 6 9
mf486 3 7 12 7 7 5 10 5
mf487 2 5 8 5 8 8 6 3 5 2 5 2 4 12 7 9 1 1 6 11 2 5 3
mf489 5 4 9 2 4 6 4 7 12 9 9 9 10 11 3 7 2 5 3 3 11 11 10
mf496 1 6 6 2 1 1 1 6
mf499 8 3 3 1 5 8 2 7
mf505 1 2 11 12 10 11 11 7 11 6 8 7 10 4 7 12 12
mf506 7 5 10 10 8 8 3 9 8 10 9 10 8 6 4 7 8
mf508 2 12 9 11 2 3 4 2
mf510 4 5 4 12 9 6 8 1
123
ANEXO 2
124
ECR Campaña BF BA BFH BAH Pow BFPow BFHPow Powa PowaH Pap
1 84/85 -83.40 -55.40 -93.60 -65.30 -77.70 -97.80 -114.50 -82.30 -96.40 129.40
1 85/86 -31.90 -0.90 -34.10 -2.60 -18.60 -39.20 -43.20 -21.90 -30.60 78.10
1 86/87 -46.60 -15.20 -51.20 -20.30 -29.10 -52.60 -66.10 -41.40 -60.10 -41.10
1 87/88 -70.40 -37.60 -83.90 -50.20 -45.00 -73.70 -98.60 -44.90 176.60
1 88/89 -62.30 -32.30 -97.90 -66.40 -72.80 -90.80 -134.00 -72.70 157.00
1 89/90 69.40 100.60 69.00 100.20 83.10 59.90 54.70 76.90 72.50 60.40
1 90/91 -36.50 -14.70 -40.40 -18.10 -31.80 -43.70 -52.40 -36.20 -47.80 68.10
1 91/92 -35.90 -19.00 -41.80 -23.90 -21.90 -36.10 -42.00 -22.30 -27.40 56.00
1 92/93 -55.30 -40.90 -58.10 -43.20 -38.50 -57.90 -67.00 38.60 -57.80 153.30
2 84/85 22.10 68.80 1.90 49.80 57.10 14.50 24.70 76.70 55.50 267.70
2 85/86 80.60 97.30 33.50 48.70 97.90 79.20 35.40 101.40 48.30 353.00
2 86/87 62.20 97.40 11.90 49.90 98.40 61.10 11.50 99.20 36.90 93.40
2 87/88 -42.40 -17.80 -45.90 -21.50 -13.20 -47.00 -56.50 -15.70 -25.70 168.50
2 88/89 -38.70 -14.60 -58.90 -32.20 -30.70 -46.10 -66.80 -33.60 113.20
2 89/90 6.10 27.80 -6.30 16.30 12.30 -2.10 -20.70 6.10 -14.40 199.40
2 90/91 37.40 56.50 23.40 43.40 56.70 37.00 20.60 51.90 22.30 164.10
2 91/92 -25.00 -1.50 -33.50 -9.80 8.80 -28.20 -39.40 6.60 -15.30 133.60
2 92/93 13.40 33.70 13.40 33.70 40.70 9.00 9.10 39.30 125.60
125