MGIDI: An efficient statistical methodology for multivariate analysis of agronomic data
El análisis estadístico de múltiples variables agronómicas es esencial para obtener una comprensión completa y precisa de los rasgos estudiados. Al considerar de manera integrada las diferentes variables, podemos tomar decisiones fundamentadas y efectivas en el ámbito agrícola, maximizando los resul...
Saved in:
| Main Author: | |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Selva Andina Research Society
2023-05-01
|
| Series: | Journal of the Selva Andina Biosphere |
| Online Access: | http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S2308-38592023000100112&lng=es&nrm=iso&tlng=es |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1849396220019081216 |
|---|---|
| author | Santos Mamani Franklin |
| author_facet | Santos Mamani Franklin |
| author_sort | Santos Mamani Franklin |
| collection | DOAJ |
| description | El análisis estadístico de múltiples variables agronómicas es esencial para obtener una comprensión completa y precisa de los rasgos estudiados. Al considerar de manera integrada las diferentes variables, podemos tomar decisiones fundamentadas y efectivas en el ámbito agrícola, maximizando los resultados y el potencial de mejora genética en las plantas. Sin embargo, en los trabajos de investigación se suele limitar el análisis a una sola variable, utilizando métodos univariados simples, como el análisis de varianza y las pruebas de promedio para comparar las medias de cada tratamiento. Esto implica una pérdida de información valiosa y no permite apreciar las interdependencias entre las variables y tratamientos. Por el contrario, el análisis multivariado permite explorar de manera exhaustiva la variabilidad fenotípica y las relaciones entre las variables de estudio1. Por tanto, analizar un conjunto de múltiples variables, facilita la interpretación, toma de decisiones y una mejor comprensión de los factores que influyen en los resultados de un trabajo de investigación.
MGIDI (Multitrait Genotype-Ideotype Distance Index) un método estadístico relativamente nuevo que se utiliza para evaluar la distancia entre un genotipo y un ideotipo. Se define un ideotipo como una planta hipotética que presenta la combinación ideal de características fenotípicas para un ambiente o uso específico en un programa de mejoramiento genético de plantas. Esta metodología estadística se puede aplicar para identificar o seleccionar genotipos que se acerquen al ideotipo y que tengan características potenciales que puedan ser aprovechadas a través de un proceso de mejoramiento de plantas2-5. En general, el MGIDI es una herramienta útil para la selección de genotipos ideales dentro de un programa de fitomejoramiento. Además, es un método relativamente fácil de analizar e interpretar6, y se puede obtener resultados con el apoyo del paquete estadístico METAN7, la cual fue desarrollado en la plataforma de software libre R8.
Los genotipos seleccionados se representan mediante puntos de color rojo en la Figura 1a, mientras que el círculo de color rojo representa el punto de corte determinado por la presión de selección (~25 %). Sin embargo, este último dato puede ser determinada según el criterio y propósito de cada investigador. Los puntos fuertes y débiles se observan como la proporción de cada factor en el índice MGIDI (Figura 1b). Esto implica que cuanto menor sea la proporción explicada por un factor (más cercano al borde externo), más cerca estarán los rasgos de ese factor del tratamiento "ideal". El círculo discontinuo de color negro en el centro muestra el valor teórico que se obtendría si todos los factores hubiesen contribuido de manera uniforme. Finalmente, la Figura 1c complementa esta metodología al visualizar la relación entre los genotipos, las variables de respuesta, la distribución de grupos y la contribución de cada característica fenotípica.
En el análisis multivariado de datos agronómicos, el uso de metodologías estadísticas eficientes, como el índice MGIDI, proporciona una comprensión más profunda de las relaciones entre variables y tratamientos, lo que permite una selección más precisa de genotipos ideales. En consecuencia, al aprovechar las características potenciales de los genotipos seleccionados, esta metodología estadística conduce a avances significativos en la investigación agronómica y específicamente en el mejoramiento genético de plantas, lo que permite tomar decisiones informadas sobre la selección y el desarrollo de nuevas variedades de plantas con características mejoradas. |
| format | Article |
| id | doaj-art-20693b4094f74690a79271cd2c735c82 |
| institution | Kabale University |
| issn | 2308-3867 2308-3859 |
| language | English |
| publishDate | 2023-05-01 |
| publisher | Selva Andina Research Society |
| record_format | Article |
| series | Journal of the Selva Andina Biosphere |
| spelling | doaj-art-20693b4094f74690a79271cd2c735c822025-08-20T03:39:25ZengSelva Andina Research SocietyJournal of the Selva Andina Biosphere2308-38672308-38592023-05-01111112114doi:10.36610/j.jsab.2023.110100109MGIDI: An efficient statistical methodology for multivariate analysis of agronomic dataSantos Mamani Franklin0https://orcid.org/0000-0002-7509-2910Instituto Nacional de Innovación Agropecuaria y Forestal. Dirección Nacional de Innovación. Zona San Pedro. Calle Cañada Strongest, esquina Otero de la Vega N° 1573. La Paz, Estado Plurinacional de Bolivia.El análisis estadístico de múltiples variables agronómicas es esencial para obtener una comprensión completa y precisa de los rasgos estudiados. Al considerar de manera integrada las diferentes variables, podemos tomar decisiones fundamentadas y efectivas en el ámbito agrícola, maximizando los resultados y el potencial de mejora genética en las plantas. Sin embargo, en los trabajos de investigación se suele limitar el análisis a una sola variable, utilizando métodos univariados simples, como el análisis de varianza y las pruebas de promedio para comparar las medias de cada tratamiento. Esto implica una pérdida de información valiosa y no permite apreciar las interdependencias entre las variables y tratamientos. Por el contrario, el análisis multivariado permite explorar de manera exhaustiva la variabilidad fenotípica y las relaciones entre las variables de estudio1. Por tanto, analizar un conjunto de múltiples variables, facilita la interpretación, toma de decisiones y una mejor comprensión de los factores que influyen en los resultados de un trabajo de investigación. MGIDI (Multitrait Genotype-Ideotype Distance Index) un método estadístico relativamente nuevo que se utiliza para evaluar la distancia entre un genotipo y un ideotipo. Se define un ideotipo como una planta hipotética que presenta la combinación ideal de características fenotípicas para un ambiente o uso específico en un programa de mejoramiento genético de plantas. Esta metodología estadística se puede aplicar para identificar o seleccionar genotipos que se acerquen al ideotipo y que tengan características potenciales que puedan ser aprovechadas a través de un proceso de mejoramiento de plantas2-5. En general, el MGIDI es una herramienta útil para la selección de genotipos ideales dentro de un programa de fitomejoramiento. Además, es un método relativamente fácil de analizar e interpretar6, y se puede obtener resultados con el apoyo del paquete estadístico METAN7, la cual fue desarrollado en la plataforma de software libre R8. Los genotipos seleccionados se representan mediante puntos de color rojo en la Figura 1a, mientras que el círculo de color rojo representa el punto de corte determinado por la presión de selección (~25 %). Sin embargo, este último dato puede ser determinada según el criterio y propósito de cada investigador. Los puntos fuertes y débiles se observan como la proporción de cada factor en el índice MGIDI (Figura 1b). Esto implica que cuanto menor sea la proporción explicada por un factor (más cercano al borde externo), más cerca estarán los rasgos de ese factor del tratamiento "ideal". El círculo discontinuo de color negro en el centro muestra el valor teórico que se obtendría si todos los factores hubiesen contribuido de manera uniforme. Finalmente, la Figura 1c complementa esta metodología al visualizar la relación entre los genotipos, las variables de respuesta, la distribución de grupos y la contribución de cada característica fenotípica. En el análisis multivariado de datos agronómicos, el uso de metodologías estadísticas eficientes, como el índice MGIDI, proporciona una comprensión más profunda de las relaciones entre variables y tratamientos, lo que permite una selección más precisa de genotipos ideales. En consecuencia, al aprovechar las características potenciales de los genotipos seleccionados, esta metodología estadística conduce a avances significativos en la investigación agronómica y específicamente en el mejoramiento genético de plantas, lo que permite tomar decisiones informadas sobre la selección y el desarrollo de nuevas variedades de plantas con características mejoradas.http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S2308-38592023000100112&lng=es&nrm=iso&tlng=es |
| spellingShingle | Santos Mamani Franklin MGIDI: An efficient statistical methodology for multivariate analysis of agronomic data Journal of the Selva Andina Biosphere |
| title | MGIDI: An efficient statistical methodology for multivariate analysis of agronomic data |
| title_full | MGIDI: An efficient statistical methodology for multivariate analysis of agronomic data |
| title_fullStr | MGIDI: An efficient statistical methodology for multivariate analysis of agronomic data |
| title_full_unstemmed | MGIDI: An efficient statistical methodology for multivariate analysis of agronomic data |
| title_short | MGIDI: An efficient statistical methodology for multivariate analysis of agronomic data |
| title_sort | mgidi an efficient statistical methodology for multivariate analysis of agronomic data |
| url | http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S2308-38592023000100112&lng=es&nrm=iso&tlng=es |
| work_keys_str_mv | AT santosmamanifranklin mgidianefficientstatisticalmethodologyformultivariateanalysisofagronomicdata |