ESTIMACIÓN DE RENDIMIENTO DE MAÍZ UTILIZANDO EL MÉTODO DE CLASIFICACIÓN Y REGRESIÓN A TRAVÉS DE LA OPTIMIZACIÓN ENTERA

Abstract

Habitualmente, se tienen débiles relaciones entre rendimiento y variables de fertilidad de suelos (que son las más usadas por los productores), imposibilitando la realización de apropiadas estimaciones de rendimiento. En esta memoria se presenta la obtención de un modelo capaz de predecir el rendimiento, particularmente de maíz, gracias a un análisis de los datos previo a la generación de regresiones, que consiste en un análisis de conglomerados con diversas variantes que dependen de cómo se trabajen las variables, es decir, de manera estandarizadas o con análisis de componentes principales; y, además, con la variante extra que corresponde a la incorporación (o no) de la única variable extrínseca de la base de datos, la dosis de Nitrógeno aplicada, evaluando el efecto que el manejo de ésta produce en las estimaciones. La muestra total de datos de 180 observaciones se obtuvo de un estudio realizado por Ortega y colaboradores (2002), en el cual los datos fueron recolectados espacialmente, demarcando los límites de campo y obteniendo muestras de suelo y rendimiento con la intensidad adecuada para lograr la dependencia espacial. Las propiedades del suelo intrínsecas medidas fueron: elevación (Cota), P, N disponible, K extraíbles, pH, materia orgánica, bases intercambiables (Ca, Mg, Na y K), DTPA micronutrientes (Fe, Cu, Zn, Mn). El método utilizado para la obtención de las regresiones entre las diversas variables predictoras y la variable dependiente, Rendimiento, es el método CRIO, el cual trabaja minimizando el error absoluto de la estimación y tiene la principal ventaja de eliminar las observaciones que considere como atípicas dentro de la matriz de datos, antes de estimar la regresión, a diferencia de otros métodos que las eliminan una vez estimada la regresión. Es por ello que se generan las regresiones por medio de la aplicación de este método en el software Lingo y además se genera una regresión por medio de la estimación con Mínimos Cuadrados Ordinarios (MCO), en SPSS que sirve de parámetro comparativo para determinar cuánto aporta el método CRIO. Se consiguió una excelente validación del modelo propuesto, en donde se validaron todos los supuestos estadísticos, aunque no se consiguieron resultados tan buenos en la validación cruzada. Además se encontraron excelentes ventajas al incluir el manejo en la regresión, es decir, al incluir la variable extrínseca.