Promedio bayesiano de modelos para la predicción del consumo máximo de oxígeno en deportistas con datos de no-ejercicio

Históricamente, los modelos de no-ejercicio para predecir el consumo máximo de oxígeno (VO2max) han sido construidos mediante regresión lineal frecuentista, usando técnicas estándar de selección de modelos. Sin embargo, existe incertidumbre acerca de la estructura estadística en el proceso de selección del modelo. En este estudio se propuso construir un modelo de no-ejercicio para predecir el VO2max en deportistas orientados al rendimiento, considerando la incertidumbre de modelo a través del Promedio Bayesiano de Modelos (BMA). Un objetivo adicional fue comparar la performance predictiva del BMA con las de los modelos derivados de varias técnicas frecuentistas usuales de selección de variables. Con tal fin, se implementó un submuestreo aleatorio estratificado repetido. Los datos incluyeron observaciones de la variable respuesta (en L·min-1), así como registros de Género, Deporte, Edad, Peso, Talla e Índice de masa corporal (BMI) (Edad = 22.1 ± 4.9 años, media ± SD; n = 272). Se propuso una clasificación de deportes con el objetivo de incluirla dentro del proceso de construcción del modelo: Combate, Juego, Resistencia 1 y Resistencia 2. El enfoque BMA se implementó en base a dos métodos: Occam's window y Composición de Modelo mediante el método de Monte Carlo con Cadenas de Markov (MC²). Se observaron discrepancias en la selección de variables entre los procedimientos frecuentistas. Ambos métodos de BMA produjeron resultados muy similares. Los modelos que incluyeron Género y las variables dummies para Resistencia 1 y Resistencia 2 acumularon virtualmente toda la probabilidad de modelo a posteriori. El Peso fue el predictor continuo con la más alta probabilidad de inclusión a posteriori (menor a 0.8). Las combinaciones de variables que involucraron predictores con un alto nivel de multicolinealidad fueron desacreditadas. Los modelos con sustancial contribución para el BMA presentaron un ajuste apreciable (R² ajustado menor a 0.8). Entre los modelos seleccionados por estrategias frecuentistas, el obtenido mediante el método de regresión por pasos (Stepwise regression method) con alfa igual a 0.05 fue el más respaldado por los datos, en términos de probabilidad de modelo a posteriori. En concordancia con la literatura, el BMA tuvo mejor performance predictiva de los datos fuera de la muestra que los modelos seleccionados por técnicas frecuentistas, medida por la cobertura del intervalo de predicción de 90 por ciento. La clasificación de deportes reveló resultados consistentes.

Estimación del número y distribución de los ambientes para la evaluación de rendimiento en cultivares de soja

El objetivo más importante de los programas de Mejoramiento Genético Vegetal es optimizar la productividad de los cultivos. Por otra parte, la cantidad de recursos económicos disponibles para la conducción de estos programas es limitada. Entonces, se necesita de una estrategia de evaluación que permita seleccionar aquellas líneas experimentales superiores en determinados ambientes con un presupuesto acotado. Los objetivos de este trabajo fueron (i) Estimar el número de ambientes necesarios para lograr detectar una diferencia mínima significativa (DMS) deseada de 250 kg ha-1, y (ii) Establecer un criterio para seleccionar aquellos ambientes que permitan realizar la evaluación de manera eficiente. Los datos utilizados en este estudio se obtuvieron de las bases de datos generadas por la compañía Coop. Criadero Santa Rosa y por la 'Red Nacional de Evaluación de Cultivares de Soja' ((ECSO). Se utilizaron los datos correspondientes al grupo de madurez IV cultivado durante cuatro campañas (2006/07 a 2009/10) en las Subregiones II-4, II-5 y II-6. El número de ambientes necesarios para detectar la DMS deseada se ubicó entre 5 y 10. Los resultados del Análisis de Conglomerados no permitieron dividir al mega-ambiente estudiado en subgrupos de ambientes homogéneos, ya que las asociaciones entre estos no fueron consistentes a través de las campañas. Sin embargo, pequeños grupos de ambientes (formados por 2 o 3 de ellos) tuvieron interacción genotipo × ambiente (IGA) similar a lo largo de las campañas en las que participaron.