Modelos lineales mixtos en experimentación agronómica: ventajas y limitaciones en el uso de modelos espaciales en diseños experimentales

La investigación agronómica en general se basa en experimentos comparativos en los cuales el objetivo global es comparar o contrastar dos o más sistemas o prácticas agrícolas. En muchos casos, implica ensayos de campo de gran tamaño evaluados a mediano o largo plazo, donde si bien se trabaja bajo condiciones controladas, es un gran desafío lograr homogeneidad en las condiciones experimentales. Por estas razones, uno de los aspectos más críticos de la experimentación agrícola es la elección adecuada del diseño experimental, especialmente en experimentos de gran tamaño. No obstante, la variabilidad espacial a menudo ocurre de forma gradual y, a veces, no es captada en su totalidad por el diseño experimental, lo que lleva a una baja precisión en las estimaciones de los efectos de interés. La precisión puede incrementarse utilizando modelos de análisis que tienen en cuenta esta variabilidad espacial. Una de las estrategias más usadas es modelar la matriz de varianzas y covarianzas de los residuales utilizando diferentes estructuras de correlación a través del uso de modelos mixtos. Sin embargo, esa ganancia en precisión puede en parte a estar debida a un sesgo en las estimaciones de varianza y por ende, en los errores estándar de la diferencia entre medias de tratamiento. Este sesgo se deriva de asumir varianzas y covarianzas estimadas como si fueran parámetros conocidos, por lo que esa incertidumbre adicional no se toma en cuenta en las comparaciones de interés. En este seminario presentaremos algunos resultados, que permitan discutir las ventajas y limitaciones del uso de modelos espaciales en el contexto de experimentos de diferente tamaño.