Modelación de variables de respuesta de conteo con sobredispersión mediante modelos lineales generalizados mixtos
La reciente aparición en el Alto Valle (Argentina) de la enfermedad producida por el hongo Stemphylium vesicarium ha motivado este estudio, cuya principal característica es que los datos resultan de conteos de lesiones (manchas en los frutos) y en particular, los analizados presentan sobredispers...
Guardado en:
| Autor principal: | |
|---|---|
| Otros Autores: | |
| Formato: | TesisdePostgrado doctoralThesis acceptedVersion |
| Lenguaje: | Español |
| Publicado: |
Universidad Nacional del Comahue. Facultad de Economía y Administración
2023
|
| Materias: | |
| Acceso en línea: | http://rdi.uncoma.edu.ar/handle/uncomaid/17833 |
| Aporte de: |
| Sumario: | La reciente aparición en el Alto Valle (Argentina) de la enfermedad producida por
el hongo Stemphylium vesicarium ha motivado este estudio, cuya principal
característica es que los datos resultan de conteos de lesiones (manchas en los
frutos) y en particular, los analizados presentan sobredispersión. La variable de
respuesta en ellos es de naturaleza discreta y no negativa. En el caso de los
datos de conteo, el modelo de referencia comúnmente usado es el Modelo de
regresión Poisson, que, en presencia de sobredispersión no resulta adecuado
por no cumplirse los supuestos de igualdad media-varianza. Para ello, se
contemplan una variedad de modelos que intentan dar cuenta de esa
sobredispersión: el modelo binomial negativo, modelos inflados con ceros,
modelos Hurdle y modelos Conway-Maxwell-Poisson. Esta tesis analiza la
aplicabilidad de los Modelos Lineales Generalizados Mixtos (MLGM) a datos
de conteo sobredispersos. Los MLGM son una extensión de los Modelos
Lineales Generalizados (MLG) cuando se le adicionan efectos aleatorios que
permiten considerar la correlación de las observaciones que fueron tomadas
en la misma planta en diferentes momentos. La implementación del paquete
“glmmTMB” del software estadístico R posibilitó ampliar la gama de modelos
analizados con el paquete “lme4” de R permitiendo así ajustarlos a todos
rápidamente con un único paquete. |
|---|