¿Cómo proceder ante el incumplimiento de las premisas de los métodos paramétricos? o ¿cómo trabajar con variables biológicas no normales?

Leneidy Pérez Pelea

Resumen


En las investigaciones biológicas se obtienen con frecuencia, datos experimentales que no cumplen con las premisas establecidas para poder aplicar un método estadístico paramétrico, como la normalidad y homocedasticidad. De manera general, cuando se incumple alguna o todas las premisas, los investigadores suelen aplicar una transformación de escala a los datos. Con el empleo de las transformaciones no siempre se logra el cumplimiento de las premisas de los análisis paramétricos. Se ha demostrado que su empleo logra mejorar el ajuste de los datos, pero puede complicar la interpretación de los resultados debido al cambio de escala de las variables. Otra alternativa consiste en emplear un método no paramétrico, que no requiere el cumplimiento de supuestos, pero si  de un buen diseño del experimento, un tamaño de muestra adecuado y una correcta aleatorización de los tratamientos. Los métodos no paramétricos tienen menor potencia pues se incrementa la probabilidad de no detectar diferencias que si existen entre los tratamientos  comparados. La probabilidad de tomar una decisión incorrecta se incrementa aún más si el tamaño de la muestra es pequeño y no se emplea el mismo número de réplicas en cada tratamiento. Existen otros análisis más complejos que requieren de métodos de cálculo más intensivo, como los métodos de remuestreo, aleatorización, permutaciones, bayesianos, el meta-análisis y los modelos lineales generalizados. Para poder interpretar los resultados obtenidos con estos análisis se requiere de un cambio en la mentalidad de los investigadores acostumbrados a trabajar con las herramientas de la estadística frecuentista.

Recibido: abril 2018

Aceptado: junio 2018


Palabras clave


Transformaciones de escala; Métodos no paramétricos; Modelos Lineales Generalizados; Modelos nulos


Estadísticas de Vistas/View Statistics: Resumen - 507 ; PDF - 1073


Texto completo:

PDF

Referencias


Anderson, M.J. & Legendre, P. 1999. An empirical comparison of permutation methods for tests of partial regression coefficients in a linear model. J. Statistis. Comput. Simulation 62: 271-303.

Avanza, M., Mazza, S., Martínez, G. & Giménez, L. 2003. Aplicación de transformaciones para el cumplimiento de los supuestos de normalidad y homocedasticidad a concentraciones foliares de N, P y K en mandarino. Agrotécnia 11: 18-23.

Bandera, E. 2018. Estudio de la variabilidad genética y de la asociación entre caracteres cuantitativos en familias de hermanos completos de guayabo (Psidium guajava L.). Tesis de Maestría. Facultad de Biología, Universidad de la Habana.

Cheng, J.G. 2000. Outlier management in intelligent data analysis. Tesis de Doctorado. Birkbeck College, University of London, England.

De Farias Neto, J.T. & Resende, M.D.V. 2001. Aplicaçao da metodologia de modelos mistos (REML/BLUP) na estimaçao de componentes de variância e predição de valores genéticos em pupunheira (Bactris gasipaes). Rev. Bras. Frutic. 23(2): 320-324.

Di Rienzo, J.A., Casanoves, F., González, L.A., Tablado, E.M., Díaz, M.P., Robledo, C.W. & Balzarini, M.G. 2005. Estadística para las ciencias agropecuarias. Sexta Edición. Editorial Brujas, Córdoba, Argentina.

Efron, B. & Tibshirani, R.J. 1993. An introduction to the bootstrap. Monographs on Statistics and Applied Probability, No. 57. Chapman & Hall, London, England.

Fagerland, M.W. & Sandvik, L. 2009. The Wilcoxon-Mann-Whitney test under scrutiny. Stat. Med. 28: 1487-1497.

Fagerland, M.W. 2012. t-tests, non-parametric tests, and large studies – a paradox of statistical practice? BMC Medical Research Methodology 12: 78.

Feng, Ch., Wang, H., Lu, N., Chen, T., He, H., Lu, Y. & Tu, X.M. 2014. Log-transformations and its implications for data analysis. Shanghai Arch. Psychiatry 26: 105-109.

Garson, G.D. 2012. Testing statistical assumptions. Statistical Associates Publishing. Asheboro, NC, USA.

Gotelli, N.J. & Graves, G.R. 1996. Null models in ecology. Smithsonian Institution Press, Washington DC, USA.

Gotelli, N.J. 2001. Research frontiers in null model analysis. Global Ecology & Biogeography 10: 337-343.

Grissom, R.J. 2000. Heterogeneity of variance in clinical data. Journal of Consulting and Clinical Psychology 68: 155-165.

Herrera, M., Guerra, C.W., Sarduy, L., García, Y. & Martínez, C.E. 2012. Diferentes métodos estadísticos para el análisis de variables discretas. Una aplicación en las ciencias agrícolas y técnicas. Rev. Cie. Téc. Agr. 21(1):58-62.

Howell, D.C. 2007. Statistical methods for psychology. Seventh Edition. University of Vermont. Belmont, CA, USA.

Judd, C.M., McClelland, C.H. & Ryan, C.S. 2009. Data analysis: a model-comparison approach. Second Edition. Routledge, New York, NY, USA.

Krutchkoff. R.G. 1998. One-way fixed effects analysis of variance when the error variances may be unequal. J. Statist. Computa. Simula. 30: 259-271.

Littlell, R.C., Miliken, G.A., Stroup, W.W. & Wolfinger, R.D. 2006. SAS for Mixed Models. 2nd Edition, SAS Institute Inc., Cary, NC, USA.

Manikandan, S. 2010. Data transformation. J. Pharmacol. Pharmacother. 1(2): 126-27.

Manly, B.F J. 2007. Randomization, Bootstrap and Monte Carlo Methods in Biology. Third Edition. Chapman and Hall, Boca Raton FL, USA.

McDonald, J.H. 2014. Handbook of Biological Statistics. Sparky House Publishing, Baltimore, Maryland, USA.

Miller, R.G. 1997. Beyond ANOVA: Basics of applied statistics. Chapman & Hall, New York, USA.

Murphy, T. & Lau, A.T. 2008. Manejo de valores atípicos. ¿Cómo se evalua un valor aberrante o inconsistente único? ASTM Standarization News.

Oehlert, G.W. 2012. A few words about REML. University of Minnesota, Ford Hall, SE, USA

Orr, J.M., Sackett, P.R. & DuBois, C.L. 1991. Outlier detection and treatment in I/O psychology: A survey of research beliefs and an empirical illustration. Personnel Psychology 44: 473-486.

Osborne, J.W. 2002. Notes on the use of data transformations. Practical Assessment, Research & Evaluation 8(6): 1-9.

Osborne, J.W. 2008. Best Practices in Data Transformation: The overlooked effect of minimum values. pp: 197-204. En: Osborne, J.W. (ed.) Best Practices in Quantitative Methods. Sage Publishing, Thousand Oaks, CA, USA.

Osborne, J.W. 2010. Improving your data transformations: Applying the Box-Cox transformation. Practical Assessment, Research & Evaluation 15(12): 1-9.

Piepho, H.P., Möhring, J., Melchinger, A.E. & Büchse, A. 2008. BLUP for phenotypic selection in plant breeding and variety testing. Euphytica 161: 209-228.

SAS Institute Inc. 2012. SAS/IML 9.3 User’s Guide. SAS Institute Inc., Cary, NC. URL http://www.sas.com/

Stroup, W. 2012. Generalized linear mixed models: Modern concepts, methods and applications. En: Texts in Statistical Science. Chapman & Hall, London, England.

Stroup, W.W. 2015. Rethinking the Analysis of Non-Normal Data in Plant and Soil Science. Agron. J. 107: 811-827.

Tabachnick, B.G. & Fidell, L.S. 2007. Using multivariate statistics. Allyn and Bacon, Boston, USA.

Wang, T., He, P., Ahn, K.W., Wang, X., Ghosh, S. & Laud, P. 2015. A re-formulation of generalized linear mixed models to fit family data in genetic association studies. Frontiers in Genetics 6: 120.

Whitlock, M.C. & Schluter, D. 2009. The Analysis of Biological Data. Roberts and Company Publishers, Greendwood Village, Colorado, USA.

Zar, J.H. 2010. Biostatistical Analysis. 5th ed. Pearson Prentice Hall, New Jersey, USA.

Zhou, M.M. & Kimbeng, C.A. 2010. Multivariate repeated measures: A statistical approach for analyzing data derived from sugarcane breeding variety trials. Proc. S. Afr. Sug. Technol. Ass. 83: 92-105.

Zimmerman, D.W. 2000. Statistical significance levels of nonparametric tests biased by heterogeneous variances of treatment groups. J. Gen. Psychol. 17: 354-364.


Enlaces refback

  • No hay ningún enlace refback.


Copyright (c) 2018 Leneidy Pérez Pelea

Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento 4.0 Internacional.

Para suscribirse a la revista o enviar un manuscrito para publicar utilice las direcciones:

revistajbn@jbn.uh.cu o revistajbn@gmail.com

ISSN 0253-5696 RNPS 0060 (IMPRESA)

ISSN 2410-5546 RNPS 2372 (DIGITAL)