Resumen de Comparación de modelos lineales y no lineales para estimar el riesgo de contaminación de suelos

Nancy Toriz Robles, Martha E. Ramírez Guzmán, Yolanda M. Fernández Ordoñez, Jesús Soria Ruiz, Ma Carmen Ybarra Moncada

• español

  El estudio de datos de contaminantes en áreas geográficas se caracteriza por la dependencia espacial, distribución no normal y heteroscedasticidad. Pero, estas características no se han considerado en la modelación de datos edafológicos.

  Por lo anterior, en este estudio se analiz ó y compar ó el comportamiento de estimadores de modelos de regresión lineal generalizados (GLM), lineales generalizados mixtos (GLMM), aditivos generalizados (GAM) y aditivos generalizados mixtos (GAMM) a través de la simulación de una variable respuesta generada con distribuciones estadísticas diferentes, con cinco tipos de matrices de pesos (W, B, C, U y S) y niveles diferentes de autocorrelación. Los resultados mostraron que la matriz de vecindad U fue robusta a todos los niveles de autocorrelación espacial. Como se esperaba, los modelos GAM y GAMM fueron superiores a GLM y GLMM, debido a su flexibilidad representada por las funciones de suavización (splines) y la incorporación de efectos mixtos. Mapas de predicción de concentración de metales pesados y de probabilidad de riesgo de exceder los límites permisibles se elaboraron para el Valle del Mezquital, Hidalgo.

• English

  The study of pollution in geographical areas includes spatial dependence, non-normal distribution, and heteroscedasticity.

  However, the modelling of edaphological data has not taken these features into consideration. Therefore, this study included the analysis and comparison of the behavior of the estimators of generalized linear regression (GLM), generalized linear mixed (GLMM), generalized additive (GAM), and generalized additive mixed (GAMM) models, through the simulation of a response variable generated with different statistical distributions, with five weighing matrixes (W, B, C, U, and S) and several autocorrelation levels. The results showed a strong U-adjacency matrix for all spatial autocorrelation levels. As was expected, GAMs and GAMMs were higher than GLMs and GLMMs, as a consequence of their flexibility which is represented by smoothing splines and the incorporation of mixed effects. The concentration of heavy metals and the risk probability of surpassing permissible limits in the Mezquital Valley, Hidalgo, were subject to prediction mapping.