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 remota del área de planta en un bosque seco : validación de un sistema autónomo de captura y almacenamiento de datos

El índice de área foliar es clave en el control de los procesos de los ecosistemas y como tal se busca estimarlo cada vez con mayor precisión y frecuencia para estudios locales, regionales y globales. Los métodos han evolucionado desde la medición directa hasta la utilización de instrumentos ópticos, logrando reducir los esfuerzos y los costos y permitiendo ampliar la frecuencia, la cobertura geográfica y la variedad de ambientes en la estimación de la variable. Una herramienta de estimación es el sistema PASTiS 57, desarrollado en el INRA, que permite registrar la transmitancia de la radiación en la porción del azul del espectro automáticamente cada 1 minuto, derivando de ella el índice de área de planta (PAI). El sistema se ha probado con éxito en bosques boreales y áreas agrícolas, pero no ha sido validado en bosques secos o en áreas semiáridas. El objetivo de este trabajo fue estimar la evolución de PAI con sensores autónomos en tres sitios en un bosque seco en la provincia de San Luis bajo diferentes coberturas a lo largo de un año y evaluar su desempeño en relación a estimaciones realizadas con fotografías hemisféricas, ampliamente validadas para la obtención de PAI. El PAI obtenido mostró una evolución temporal similar al estimado con el método convencional, presentándose hasta el momento como la única herramienta para realizar un monitoreo continuo de esta variable en tierra, en una escala de detalle mayor que la de los sensores remotos satelitales, y requiriendo un menor esfuerzo de muestreo que el habitual con fotografías hemisféricas y otros sensores ópticos manuales.

Estado de la vegetación y rendimientos de maíz en la provincia de Córdoba evaluados mediante datos NOAA - NDVI

p.51-55

La transformación de los datos en el análisis de la variancia

p.117-124