Este experimento fue realizado por los estudiantes de ecotoxicología del semestre 2018-2. Se sometieron plántulas de lechuga a distintas dosis de fertilizante diluidas en masas de tierra. Para analizar los efectos del fertilizante en la lechuga se utilizo un diseño experimental Dosis respuesta analizado con un análisis de varianza (ANOVA).
Hipótesis anova \[H_0 : \mu_1\; =\; \mu_2\; =\; \mu_3\; =\; ...\mu_n\; \equiv\; \] \[H_0 : \forall_i\; : \mu_i\; = \mu_\;\] \[H_1 : Al\;menos\;una\;media\;difiere\;de\;las\;demas\] \[\alpha =\; 0,05\]
Valor F:
El valor F mide el grado de similitud que existe entre las medias que se están comparando. El valor F aumenta a mayor diferencia en las medias
\[F =\; \frac{Suma\; de\; cuadrados\;entre\;grupos}{Suma\; de\; cuadrados\;dentro\;de\;grupos}\;\;\ \equiv\; \frac{Variabilidad\; del\; Tratamiento\;}{Variabilidad\; del\;Error} \]
Tamaño del efecto (\(\eta^{2}\)):
El tamaño del efecto de una ANOVA permite cuantificar cuánto afecta la variable independiente (factor) a la variable dependiente.
\[\eta^{2} =\; \frac{Suma\; de\; cuadrados\;entre\;grupos}{Suma\; de\; cuadrados\;total\;}\;\;\ \equiv\; \frac{Variabilidad\; del\; Tratamiento\;}{Variabilidad\; Total\;}\]
g <- ggplot(data = df, aes(x = Dosis, y = Area)) + theme_minimal()+
geom_jitter(width = 0.1, height = 0,size=2,alpha=0.2,shape=19) +
expand_limits(y=c(0,100))+
stat_summary(fun.y = "mean", geom = "pointrange", col = "#E69F00",
shape = 19, size=0.7, fun.ymin = function(x) mean(x) - sd(x),fun.ymax = function(x) mean(x) + sd(x)) +
stat_summary(fun.y = "mean", geom = "errorbar", width=0.2,lwd=1, col = "#E69F00",fun.ymin = function(x) mean(x) - sd(x),fun.ymax = function(x) mean(x) + sd(x)) +
stat_summary(fun.y = "mean", geom = "line", col = "#E69F00", group = 1,lwd=0.7) +
geom_hline(yintercept = mean(df$Area), lwd = 1, color = "#56B4E9",
lty = 2) +
geom_text(mapping=aes(x=5.2,y=13),label="",vjust=-0.3,color="blue",size=2) +
labs(x = "", y = "Area(cm2)",title = "Lactuca sativa")
#labs(x = "", y = expression('Area '*('cm'^'2')),title = "Lactuca sativa")
ggplotly(g)
modelo<-aov(data = df,formula = Area~Dosis )
summary(modelo)
## Df Sum Sq Mean Sq F value Pr(>F)
## Dosis 4 25751 6438 114.3 <2e-16 ***
## Residuals 94 5296 56
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
model.tables(x = modelo, type = "means")
## Tables of means
## Grand mean
##
## 24.0903
##
## Dosis
## Control Dosis 1 Dosis 2 Dosis 3 Dosis 4
## 52.3 29.72 19.3 13.24 6.174
## rep 20.0 19.00 20.0 20.00 20.000
model.tables(x = modelo, type = "effects")
## Tables of effects
##
## Dosis
## Control Dosis 1 Dosis 2 Dosis 3 Dosis 4
## 28.21 5.633 -4.791 -10.85 -17.92
## rep 20.00 19.000 20.000 20.00 20.00
#Residuales estandarizados
resid.estandar <- rstandard(model = modelo)
#Agregando residuales a la base de datos
df$Residuales <- resid.estandar
# Gráfico Q-Q
car::qqPlot(df$Residuales, main = "Residuales del modelo",id=FALSE,ylab = "res")
#Prueba de normalidad
shapiro.test(df$Residuales)
##
## Shapiro-Wilk normality test
##
## data: df$Residuales
## W = 0.96226, p-value = 0.006191
bartlett.test(df$Residuales ~ df$Dosis)
##
## Bartlett test of homogeneity of variances
##
## data: df$Residuales by df$Dosis
## Bartlett's K-squared = 45.509, df = 4, p-value = 3.115e-09
lsr::etaSquared(modelo)
## eta.sq eta.sq.part
## Dosis 0.8294305 0.8294305