Aplicación de pruebas estadísticas de distribución de datos y su utilidad en producción animal

Application of statistical tests of data distribution and its usefulness in animal production

Introducción: La elección adecuada de herramientas estadísticas para el análisis inferencial de datos, es fundamental en la ciencia. Así, identificar el comportamiento de las observaciones, es indispensable; para seleccionar con la mayor precisión posible, la técnica estadística que conduzca hacia resultados acertados y conclusiones enriquecedoras. Objetivo: Se estudió la distribución de datos en bruto y residuales, procedentes de la cría de bovinos y gallinas mediante la verificación de supuestos paramétricos; a su vez, fueron comparados tres métodos estadísticos, por especie zootécnica, discutiendo su plasticidad, ajuste y precisión. Materiales y métodos: Se analizaron en bovinos: condición corporal, peso vivo, longitud de pelo y constantes bioquímicas (calcio, fósforo, magnesio). En aves: peso vivo, ancho de pecho, longitud de muslo, longitud de cresta, presencia de endo y ectoparásitos. Se aplicaron pruebas de normalidad (Shapiro Wilk y Kolmogorov (Lilliefors)) y homogeneidad de varianzas (Levene). Se consideraron en bovinos: ANOVA con Tukey; ANOVA de Welch con Games Howell y Kruskal Wallis con Dunn. En aves: el test Student, con corrección de Welch y Wilcoxon- Mann-Whitney. Resultados: Las pruebas de normalidad mantuvieron resultados similares. Se constató diferencia en criterios de decisión entre los análisis inferenciales, para nivel de magnesio y en longitud de muslo. Conclusiones: Se recomienda explícitamente, en estudios veterinarios y zootécnicos, con rigor científico, analizar la normalidad y la homogeneidad de varianza, para identificar y conocer apropiadamente el patrón de comportamiento de los datos provenientes del trabajo, para de esta forma implementar adecuadamente la herramienta estadística inferencial que contribuirá a discriminar la casualidad y la causalidad en los eventos tratados.

1. Amini-Seresht, E., & Milošević, B. (2020). New non-parametric tests for independence. Journal of Statistical Computation and Simulation, 90(7), 1301-1314. https://doi.org/10.1080/00949655.2020.1725007
2. Barrios, Y. D., Guerrero, Z. E., Zambrano, D. F., & Ponce Solórzano, H. X. (2022). Análisis estadístico cuando no se cumplen los supuestos de las pruebas paramétricas, en el contexto de la investigación de la Cultura Física. Universidad y Sociedad,14(S1), 591-600.
3. Barton, N. (2017). How does epistasis influence the response to selection? Heredity,118, 96-109. https://doi.org/10.1038/hdy.2016.109
4. Blanca, M. J., Alarcón, R., Arnau, J., Bono, R., & Bendayan, R. (2017). Non-normal data: is ANOVA still a valid option? Psicothema, 29(4), 552-557. https://doi.org/10.7334/psicothema2016.383
5. Blanca, M. J., Alarcón, R., Arnau, J., Bono, R., & Bendayan, R. (2018). Effect of variance ratio on anova robustness: Might 1.5 be the limit? Behavior Research Methods, 50(3), 937-962. https://doi.org/10.3758/s13428-017-0918-2
6. Blanca, M. J., Arnau, J., García-Castro, F. J., Alarcón, R., & Bono, R. (2023). Non-normal data in repeated measures ANOVA: Impact on type I error and power. Psicothema, 35(1), 21-29. https://doi.org/10.7334/psicothema2022.292
7. Borges, P., Mendoza, Z., & Morais, P. (2019). Redes neurales artificiales para estimar las pérdidas en la producción lechera. Archivos de Zootecnia, 68(262), 206-212. https://doi.org/10.21071/az.v68i262.4138
8. Cabrera, G., Zanazzi, J. F., Zanazzi, J. L., & Boaglio, L. (2017). Comparación de potencias en pruebas estadísticas de normalidad, con datos escasos. Revista de la Facultad de Ciencias Exactas, Físicas y Naturales, 4(2), 47-52.
9. Centurión, L. (2018). Caracterización de las herramientas estadísticas empleadas en las tesis de grado en el área de la zootecnia[Tesis de Maestría, Universidad Nacional de Asunción]. www.conacyt.gov.py
10. Delacre, M., Lakens, D., & Leys, C. (2017). Why psychologists should by default use Welch’s t-test instead of Student’s t-test. International Review of Social Psychology, 30(1), 92-101. https://doi.org/10.5334/irsp.82
11. Fernández-Lozano, C., Gestal, M., Munteanu, C. R., Dorado, J., & Pazos, A. (2016). A methodology for the design of experiments in computational intelligence with multiple regression models. PeerJ, 4, 1-22. https://doi.org/10.7717/peerj.2721
12. Flores-Muñoz, P., Muñoz, L., & Sánchez, T. (2019). Estudio de potencia de pruebas de normalidad usando distribuciones desconocidas con distintos niveles de no normalidad. Revista Perfiles, 1(21), 4-11.
13. Galeano, L., Galván, I., Aler, R., & Cerón Muñoz, M. F. (2018). Forecasting egg production curve with neural networks. Archivos de Zootecnia, 67(257), 81-86.
14. Hadi, A. N. (2018). A comprehensive study on power of tests for normality. Journal of Statistical Theory and Applications, 17(4), 647-660. https://doi.org/10.2991/jsta.2018.17.4.7
15. Hernández Barajas, F., Cano Urrego, B.& Caicedo Chamorro, E. (2021). Modelos GAMLSS para analizar el grado secado de calcio dihidratado. Revista EIA, 18(35), 1-13. https://doi.org/10.24050/reia. v18i35.1439
16. Herrera Villafranca, M., Galindo Blanco, J., Padilla Corrales, C., Guerra Bustillo, C., Medina Mesa, Y., & Sarduy García, Lucia. (2020). Propuesta del modelo lineal mixto y generalizado mixto para el análisis de un experimento de la microbiología del rumen. Cuban Journal of Agricultural Science, 54(2), 149-156. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2079-34802020000200149&lng=es&tlng=es.
17. Hopkins, S., Dettori, J. R., & Chapman, J. R. (2018). Parametric and nonparametric tests in spine research: Why do they matter? Global Spine Journal, 8(6), 652-654. https://doi.org/10.1177/219256821878267
18. Iglesias, C., Navas González, F. J., Ciani, E., Camacho Vallejo, M. E., & Delgado Bermejo, J. V. (2022). Bayesian linear regression and natural logarithmic correction for digital image-based extraction of linear and tridimensional zoometrics in dromedary camels. Mathematics, 10(19), 1-24. https://doi.org/10.3390/math10193453
19. Kim, T., & Park, J. (2019). More about the basic assumptions of t-test: normality and sample size. Korean Journal of Anesthesiology, 72(4), 331-335. https://doi.org/10.4097/kja.d.18.00292
20. Kim, Y., & Cribbie, R. (2018). ANOVA and the variance homogeneity assumption: Exploring a better gatekeeper. British Journal of Mathematical and Statistical Psychology, 71(1), 1-12. https://doi.org/10.1111/bmsp.12103
21. Le Boedec, K. (2016). Sensitivity and specificity of normality tests and consequences on reference interval accuracy at small sample size: a computer-simulation study. Veterinary Clinical Pathology, 45(4), 648–656. https://doi.org/10.1111/vcp.12390
22. Lee, S., & Lee, D. K. (2018). What is the proper way to apply the multiple comparison test? Korean Journal of Anesthesiology, 71(5), 353-360. https://doi.org/10.4097/kja.d.18.00242
23. Martins-Bessa, A., Quaresma, M., Leiva, B., Calado, A., & Navas González, F. J. (2021). Bayesian linear regression modelling for sperm quality parameters using age, body weight, testicular morphometry, and combined biometric indices in donkeys. Animals, 11(1), 1-23. https://doi.org/10.3390/ani11010176
24. Martínez-López, R. (2017). Métodos estadísticos aplicados en Zootecnia. Etigraf.Midway, S., Robertson, M., Flinn, S., & Kaller, M. (2020). Comparing multiple comparisons: practical guidance for choosing the best multiple comparisons test. PeerJ, 8, 1-26. https://doi.org/10.7717/peerj.10387
25. Mircioiu, C., & Atkinson, J. (2017). A Comparison of Parametric and non-parametric methods applied to a Likert scale. Pharmacy, 5(2), 26. https://doi.org/10.3390/pharmacy5020026
26. Mishra, P., Pandey, C. M., Singh, U., Gupta, A., Sahu, C., & Keshri, A. (2019). Descriptive statistics and normality tests for statistical data. Annals of Cardiac Anaesthesia, 22(1), 67-72. https://doi.org/10.4103/aca.ACA_157_18
27. Molina, R. S., Rix, G., Mengiste, A. A., Álvarez, B., Seo, D., Chen, H., Hurtado, J. E., Zhang, Q., García García, J. D., Heins, Z. J., Almhjell, P. J., Arnold, F. H., Khalil, A. S., Hanson, A. D., Dueber, J. E., Schaffer, D. V., Chen, F., Kim, S., Fernández, L. Á., & Liu, C. C. (2022). In vivo hypermutation and continuous evolution. Nature Reviews Methods Primers, 2(36). 1-22. https://doi.org/10.1038/s43586-022-00119-5
28. Pataky T. C., Yagi, M., Ichihashi, N., & Cox P. G. (2021). Landmark-free, parametric hypothesis tests regarding two-dimensional contour shapes using coherent point drift registration and statistical parametric mapping. PeerJ Computer Science, 7, 1-25. https://doi.org/10.7717/peerj-cs.542
29. Pelea, L. P. (2018). ¿Cómo proceder ante el incumplimiento de las premisas de los métodos paramétricos? o ¿cómo trabajar con variables biológicas no normales? Revista Del Jardín Botánico Nacional, 39, 1-12.
30. Pelea, L. P. (2019). Valores atípicos en los datos, ¿cómo identificarlos y manejarlos? Revista Del Jardín Botánico Nacional, 40, 99-107.
31. R Core Team. (2020). A language and environment for statistical computing. R Foundation for Statistical Computing. Vienna, Austria. https://www.R-project.org/
32. Ruffing, A. M., Anthony, S. M., Strickland, L. M., Lubkin, I., & Dietz, C. R. (2021). Identification of metal stresses in arabidopsis thaliana using hyperspectral reflectance imaging. Frontiers in Plant Science, 12, 1-13. https://doi.org/10.3389/fpls.2021.624656
33. Sánchez-Espigares, J. A, Grima, P., & Marco-Almagro, L. (2018). Visualizing type II error in normality tests. American Statistician, 72(2), 158-162. https://doi.org/10.1080/00031305.2016.1278035
34. Sauder, D. C., & DeMars, C. E. (2019). An updated recommendation for multiple comparisons. Advances in Methods and Practices in Psychological Science, 2(1), 26-44. https://doi.org/10.1177/2515245918808784
35. Siegel, S., & Castellan, N. (2015). Estadística no paramétrica: aplicada a las ciencias de la conducta. Trillas.Vetter T. R. (2017). Fundamentals of Research Data and Variables: The Devil Is in the Details. Anesthesia & Analgesia, 125(4), 1375-1380. https://doi.org/10.1213/ANE.0000000000002370
36. Wijekularathna, D. K., Manage, A. B. W., & Scariano, S. M. (2022). Power analysis of several normality tests: A Monte Carlo simulation study. Communications in Statistics–Simulation and Computation, 51(3), 757-773. https://doi.org/10.1080/03610918.2019.1658780