APLICACIÓN DE TÉCNICAS DE ECONOMETRÍA ESPACIAL PARA EL ANÁLISIS DE EXPERIMENTOS AGRÍCOLAS DE CAMPOS

Abstract

En este estudio se tiene como objetivo principal la generación de regresión para evaluar diversos tipos de tratamiento, no solo a través de la técnica de mínimos cuadrados ordinarios, sino con la utilización de modelos de econometría espacial que eliminan la autocorrelación proveniente de los tipos de datos que dependen de la ubicación espacial de los mismos.Para cumplir este objetivo de utilizó una base de datos que registra información sobe racimos de uva, teniendo esta una muestra de 100 observaciones y 12 variables, dentro de las que se incluyen: coordenadas en grados sexagesimales y en metros, la producción por unidad de área que equivale al número de racimos de uva, rendimientos tanto de un racimo promedio como del total de producción por unidad de área, variables binarias que indican el tipo de tratamiento utilizado y el número de repeticiones.Primero se estimaron modelos lineales de regresión múltiple a través de MCO que predijeran tanto el rendimiento unitario como el total; sin embargo, dado que estos modelos no consideran los efectos espaciales, se toma como base las muestras y las transformaciones de las variables dependientes de estos modelos, para generar nuevos modelos de econometría espacial que consideren estos efectos; de lo que se obtienen los modelos RU.SARAR y RT.SARAR, los que agregan factores espaciales tanto en los residuales del modelo como en la variable dependiente, por lo que ninguno de los dos casos presentan problemas de autocorrelación; teniendo para cada modelo un R2 corregido de 66.5% y 54.5%.A continuación, tomando como base solos las transformaciones de las variables dependientes y el número de variables dependientes por modelo, se utilizó el agrupamiento de k-medias, que determinó el número óptimo de clusters para cada tipo de modelo, en conjunto con la varianza relativa de los datos, por lo que para cada rendimiento se tenía un número de clusters óptimo de 6 y 10 clases respectivamente, teniendo una varianza relativa de 0.9649 y 0.9642.De los modelos con clusters, para el rendimiento unitario se obtiene el modelo RU.SLM.c y para rendimiento total, RT.SLM.c, en donde el modelo SLM corrige la autocorrelación de la variable dependiente; teniendo para cada modelo un R2 corregido de 69.7% y 98.98%.El mejor modelo, RT.SLM.c obtuvo para la validación cruzada de 8 datos, un R2 de 98.98%, además de los resultados se obtuvo que el mejor Tratamiento es Dormex, mientras que el Tratamiento Bio-Estimulante es óptimo repetirlo solo una vez, generando en promedio un aumento del rendimiento de 8.34 [g] por racimo de uva.