Resumen de Consecuencias de la estructura espacial de los datos en el diseño y análisis de experimentos en campo

Rafael Zas Arregui

• español

  Las variables analizadas en los estudios ecológicos de campo muestran con frecuencia estructuras espaciales no aleatorias que pueden condicionar los resultados de las técnicas de análisis de la estadística convencional. Aunque la aplicación de diseños experimentales más o menos complejos mejora la eficiencia estadística de los análisis, en muchas ocasiones estos diseños no se pueden acoplar suficientemente bien al patrón espacial real de las variables objeto de estudio, siendo necesario la aplicación de técnicas más depuradas de análisis espacial para un correcto análisis de los datos. En este artículo se discuten los efectos que la autocorrelación espacial de los datos tiene sobre su análisis mediante técnicas de estadística paramétrica y se propone un método de ajuste espacial, basado en técnicas de geoestadística, para analizar datos espacialmente autocorrelacionados. A su vez se presenta un caso concreto real donde se puede observar como el análisis convencional de datos espacialmente autocorrelacionados puede generar conclusiones totalmente erróneas.

• English

  Many traits assessed in field ecological trials show nonrandom spatial structures that may affect the efficiency of standard statistical analyses. Although several more or less sophisticated experimental designs may improve this efficiency by controlling the spatial variation, there are many situations where designs can not be properly arranged to actual spatial patterns. In such cases, spatial analysis techniques become essential to correctly analyse spatial autocorrelated data. In this paper, the effects of spatial autocorrelation on the results of conventional statistical analysis are discussed, and a spatial adjustment procedure, based on geostatistics, is proposed to be used when data are spatially autocorrelated. A case study is presented to show how conventional analysis of spatially autocorrelated data may give completely erroneous conclusions.