DISEOS ANIDADOS

MEDIDAS REPETIDAS SPLIT-PLOT

Aplicacin del SAS al Diseo de Experimentos en Produccin Animal-8

DIFERENCIA BLOQUES VS. COMPLETAMENTE AL AZAR

Ejemplo: Prueba de degustacin de carne. Diez jueces + cuatro muestras
de carne diferentes.

Juez Carne1 Carne2 Carne3 Carne4 Total

1
10

Total

9
6
66

8
6
49

9
7
63

5
4
45

31
23
223

Fuentes var.

g.l.

S.C.

C.M.

Carnes

31.9

10.6

5.53 (3.27)

Bloques

58.5

6.5

3.39 (9.27)

Error

27

51.4

1.9 (s2)

Total

39

141.8

DISEO ANIDADO/JERRQUICO
En cada unidad experimental se hacen varias
observaciones. Estas observaciones no se
consideran repeticiones sino SUBMUESTRAS
(no son observaciones independientes).
Ejemplo: Degustacin de carne. Idem a diseo
completamente al azar (40 jueces), pero cada
juez valora tres veces cada carne:

40 UD. EXPERIMENTALES Y 120 OBSERVACIONES

DISEO ANIDADO/JERRQUICO
Carne 1

Carne 2

Carne 3

Carne 4

Total

(8,9,10)

(7,8,9)

(8,9,10)

(4,5,6)

93

27

24

27

15

(5,6,7)

(3,4,5)

18
Total

198

69

12
147

189

135

669

Fuentes

g.l.

SC

CM

Carnes

95.7

31.9

3.48 (3.36)

Error Experim. (entre jueces)

36

329.7

9.1

9.16(36.80)

Error Muestreo (entre submuestras)

80

80.0

1.0

1982
1352 669 2
SC carnes :
...

95.7
30
30
120
27 2
12 2 1982
1352

329.7
SC error exp. :
...
...
3 30
30
3
27 2
SC error mues. : (8 9 10
) ... 80
3
2

2 NIVELES DE TRATAMIENTOS
PADRE (k)

1
2

MADRE (r)

HIJOS (n)

4,2

6,4

10

8,6

14

3,9

12

12,10

22

9,11

20

X ...

X ...

30

84
54

Las madres se comparan dentro de los padres

y los hijos dentro de las madres

2 NIVELES DE TRATAMIENTOS
Fuente

Padres (k)
Madres (r)
Progenie (n)
Total

g.l.
1
(k-1)
4
k(r-1)
6
kr(n-1)
11
krn-1

SC

CM

48

48

4.36 (1.4)

44

11

2.36 (4.6)

28

4.7

120

30 2 54 2 84 2
SC padres :

48
6
6
12
6 2 10 2 14 2 30 2

SC madres :

... 44
2
2 6
2
62
2
2
SC progenie (4 2 ) ... 28
2
2
84
SC Total (4 2 ... 112 )
120
12

3 NIVELES DE TRATAMIENTOS
In the following study glycogen content was evaluated in rats after fed three
different diets (treatments). Duplicate reading were made on each of three
preparations of rat livers from each of two rats for three different
treatments. (Note: this is a 3-level nested ANOVA.)

Treatments (a=3)

Rats (b=2)
Preparations (c=3)
Readings (n=2)

2
3

1
3

2
3

1
3

2
3

131 131 136 150 140 160 157 154 147 151 147 162 134 138 135 138 139 134

130 125 142 148 143 150 145 142 153 155 147 152 125 138 136 140 138 127

proc glm;
class treat rat prep;
model gli=treat rat (treat) prep (rat treat);
Test h=treat e=rat (treat);
Test h=rat(treat) e=prep(treat rat);
Means treat rat(treat) prep (treat rat); Run;
proc mixed;
class treat rat prep;
model gli=treat;
random rat(treat) prep(treat rat);
lsmeans treat; run;

NESTED

PROC
MIXED

PROC GLM

DISEOS ANIDADOS-3 NIVELES DE FACTORES

proc sort;
by treat rat;
proc nested;
class treat rat prep;
var gli;
run;

DISEO CON MEDIDAS REPETIDAS

La estructura de tratamientos con medidas repetidas tiene al menos dos factores
(uno generalmente tiempo) y al menos dos tamaos de unidades experimentales.
Por otra parte, el tiempo no puede asignarse al azar a las unidades
experimentales.
Ejemplo (Milliken y Johnson): 6 condiciones de ambiente se dividen utilizando
36 individuos y 6 cmaras climticas; 6 individuos se asignan al azar a cada
cmara. El aparato estima confort de los individuos en 3 momentos (T1, T2 y T3)
despus de entrar en la cmara.

EFECTO DEL TIPO DE PIENSO Y DE LA INTERACCIN

PIENSO * SEMANA SOBRE LA PRODUCCIN DE LECHE

LEAST SQUARES MEANS, STARDARD ERRORS, AND ASSOCIATED SIGNIFICANCE FOR

THE EFFECT OF TREATMENT WITH BST ON PRODUCTION, INTAKE, AND FEED
CONVERSION DURING PERIODS 1 TO 4 OF THE BST TREATMENT PERIOD

bST treatments1

DMI,kg/d 3.5%FCM,
kg/d

Milk,
kg/d

Period

1CO

1
2
3
4
1
2
3
4
1
2
3
4

CO
Med
31.64
28.08
22.77
17.52
32.18
28.78
23.66
19.47
21.15
21.22
20.06
18.26

DI
SE
0.80
1.05
1.43
1.46
0.96
1.04
1.34
1.51
0.63
0.60
0.62
0.69

Med
33.11
29.53
25.15
19.77
33.33
30.23
26.87
22.24
20.10
20.59
21.18
19.69

SR
SE
0.75
0.98
1.34
1.37
0.90
0.97
1.26
1.43
0.59
0.56
0.58
0.64

Med
32.22
29.51
25.93
22.07
32.43
29.45
26.76
23.48
19.98
21.24
21.06
20.44

SE
0.81
1.05
1.43
1.48
0.96
1.04
1.35
1.53
0.64
0.60
0.63
0.70

CO
vs.
DI

NS
NS
NS
NS
NS
*

NS

Contrast
CO
DI
vs.
vs.
SR
SR
NS3
NS
NS
NS
*
NS
**
NS
NS
NS
NS
NS
*
NS
**
NS

NS
NS
NS
NS
NS
**
NS

= Control, DI = Daily injection, SR = Sustained-release

= Fat-corrected milk
J. Dairy Sci. 75, 3122-3130
3P > 0.10, P < 0.10 *P < 0.05; **P < 0.01
2FCM

EJEMPLO MEDIDAS REPETIDAS

Treatment group
Pregnant

Nonpregnant

Rat#
1
2
3
4
5
6
Avg
7
8
9
10
11
12
Avg

8-12
7.5
10.6
12.4
11.5
8.3
9.2
9.92
13.3
10.7
12.5
8.4
9.4
11.3
10.93

Period of lactation (days)

12-16
16-20
8.6
6.9
11.7
8.8
13.0
11.0
12.6
11.1
8.9
6.8
10.1
8.6
10.82
8.87
13.3
12.9
10.8
10.7
12.7
12.0
8.7
8.1
9.6
8.0
11.7
10.0
11.13
10.28

20-24
0.8
1.6
5.6
7.5
0.5
3.8
3.30
11.1
9.3
10.1
5.7
3.8
8.5
8.08

Gill and Hafs, 1971, J. Anim. Sci. 33: 331-336.

ORDENES SAS-MIXED/RANDOM
(CS: las correlaciones no dependen del tiempo)

proc mixed;
class trat udexp t;
model y=trat t trat*t;
Random udexp;
lsmeans trat/pdiff;
Run;
(Variables dependientes 1 x 1)

PROC MIXED PARA MEDIDAS REPETIDAS

Yijk = + i + dij + k + ( )ik + eijk

Dos observaciones en una misma ud exp estn ms

relacionadas que las de dos ud exp independientes.
El 2 tratamiento (tiempo) no se asigna al azar (
split-plot).
Los residuos dentro de las ud exp pueden estar o no
correlacionados con el tiempo de distintas formas.
Proc mixed: vlido para datos desequilibrados y para
diferentes estructuras de varianzas/covarianzas
Little et al., 1998

ESTRUCTURA MATRIZ VARIANZAS-COVARIANZAS

SIMTRICA COMPUESTA
proc mixed;
class trat udexp t;
model y=pienso*t;
repeated/subject=udexp type=CS R=1 Rcorr=1;
ods listing select r rcorr;
Run;
ROW COL 1 COL 2
COL 3
1

582

277

277

277 582
277 277
1
0.48
0.48
1
0.48 0.48

277
582
0.48
0.48
1

3
1

2
3

VAR T1 T2 T3
COV 1-2, 1-3
MATRIZ
CORRELACIONES
0.48 = 277/582

ESTRUCTURA MATRIZ VARIANZAS-COVARIANZAS

Estructura

2 (ti)

r [1-2, 2-3, 1-3,

etc..]

CS

Simtrica compuesta

cte

cte

CSH

Simtrica compuesta
heterognea

cte

AR(1)

Autoregresiva
orden 1

cte

1-2 > 2-3 (L)

ARH (1)

Autoregresiva
orden 1
heterognea

UN

No estructurada

1-2 > 2-3 (L)

1-2 > 2-3 (NE)

+ test comparacin modelos

ESTRUCTURA MATRIZ VARIANZAS-COVARIANZAS

AUTOREGRESIVA ORDEN UNO
proc mixed;
class trat udexp t;
model y=pienso*t;
repeated/subject=udexp type=AR(1) R=1 Rcorr=1;
ods listing select r rcorr;
Run;
ROW COL 1 COL 2
COL 3
1

566

260

120

260 566
120 260
1
0.46
0.46
1
0.21 0.46

260
566
0.21
0.46
1

3
1

2
3

VAR T1 T2 T3
COV 1-2, 1-3
MATRIZ
CORRELACIONES
0.46 = 260/566 =
120/260
0.21 = 120/566

ESTRUCTURA MATRIZ VARIANZAS-COVARIANZAS

COMPUESTA HETEROGNEA
proc mixed;
class trat udexp t;
model y=pienso*t;
repeated/subject=udexp type=CSH R=1 Rcorr=1;
ods listing select r rcorr;
ROW

COL 1

COL 2

COL 3

537

317

225

317

786

272

225

272

396

COMPARACIN DE MODELOS
Se dan rdenes para distintos modelos con los
mismos datos
Salida (por defecto)
AIC Criterio de informacin de Akaike
BIC Criterio de informacin de Schwarz (+severo)
(elegir modelo que de ms bajo en valor absoluto)
El mejor modelo puede variar s/var dependiente
No siempre se cumple el criterio de convergencia

RDENES SAS-MIXED/REPEATED
proc mixed;
class trat udexp t;
model y=trat t metodo*t;
repeated/type=cs sub=udexp(trat);
lsmeans trat t trat*t ;
Run;
(Variables dependientes y estructuras 1 x 1)

PROC MIXED-OPTIONS
Constrastes polinomiales:
class trat;
model y=trat | t | t | t/htype=1;

Tests comparacin medias:

lsmeans trat/pdiff;
lsmeans trat/adjust = dunnet, bon, tukey, scheffe
Lsmeans trat*t/slice=t;
Estimate treat 1 vs treat2 treat 1 -1 0 0;

L. CALAMARI, A. FERRARI AND G. BERTIN (2009) EFFECT OF SELENIUM SOURCE

AND DOSE ON SELENIUM STATUS OF MATURE HORSES. J ANIM SCI, 87:167-178

Results, with the exception of data pertaining to SeMet and SeCys, were analyzed
using the MIXED procedure (SAS Inst. Inc., Cary, NC) according to Littell et al.
(1998). Sources of variation included treatment, time, and the treatment time
interaction. The random variable was horse within treatment. Preexperimental data
were used for covariate adjustment where appropriate. The PCV values were used
as a covariate in the analysis of total Se in whole blood. Each variable analyzed was
subjected to 3 covariance structures: autoregressive order, compound symmetry,
and spatial power1(Littell et al., 1998). Using the largest Akaike information
criterion and Schwarz Bayesian criterion, the spatial power was the covariance
structure that fitted the model best. Results are presented in tables as least squares
means and SED. A comparison was made between treatments SY03 (Se yeast) and
SS03 (selenite) using the PDIFF option of SAS, because they had similar
concentrations but different sources of Se. The dose response to concentration of
Se yeast in the diet was considered for treatments SY02, SY03, and SY04. If a
significant interaction was detected (P < 0.05), pairwise comparisons of treatment
means at each sampling date and between sampling date within treatment were
made using the PDIFF option of SAS.

1type

= sp(pow)

DISEO SPLIT-PLOT
Es un diseo muy utilizado en agricultura. A veces en
experimentos factoriales, un factor requiere un tamao
de unidades experimentales distinto del otro (s).
Ej. Factor 1= abonado de praderas requiere parcelas
grandes (por ej. 1 ha=main plots), pero Factor 2 (por ej.
Pienso) se aplica a cada vaca (por ej. 3 vacas/ha = splitplot).

Split-plot = factorial + anidado

(los piensos se comparan dentro de las parcelas de abonado)

MODELO
Las parcelas de abonado se asignan al azar dentro de los main plots
(12 parcelas de 1 ha, 4 dosis de abonado, 3 repeticiones)
A2

A1

A1

A3

A4

A3

A4

A1

A4

A23

A2

A2

A continuacin, el FACTOR 2 se asigna al azar dentro de cada main plot:

SPLIT-PLOT

es similar a medidas repetidas, pero en este ltimo

caso el factor tiempo (equivalente al segundo factor) no se puede asignar al
azar, lo que altera sobre todo las comparaciones de medias. El anlisis de
varianza, en cambio, se hace de la misma forma: (suponiendo tres bloques)

Yijk i j k ij ( ) jk ijk

SE DE LAS DIFERENCIAS
Al variar el tamao de las unidades experimentales, es necesario calcular
varios SE para las diferentes comparaciones entre medias del modelo.
S2a = cuadrado medio del error (main plots)
S2b = cuadrado medio del error (sub plots)
r = nmero de bloques
A = nmero de niveles factor A (main plots)
B= nmero de niveles factor b (sub plots)

SEd para dos medias de main plots :

2Sa2

SEd para dos medias de split plots :

2S2b

SEd para la interacci n :

4Sa2

(rb)

(ra)

SPLIT-PLOT
Parcela

Tipo de pasto

Suplementacin mineral

Produccin de leche, kg

1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3

4
4
1
1
2
2
3
3
2
2
1
1
4
4
3
3
1
1
2
2
4
4
3
3

2
1
2
1
1
2
2
1
1
2
2
1
1
2
1
2
2
1
1
2
2
1
1
2

30
29
27
25
26
28
26
24
32
37
30
31
34
37
33
32
34
31
30
31
36
38
33
32

DISEOS SPLIT PLOT: GLM

VS

MIXED

filename visas dde

'Excel|C:\Correo\Attach\[parcela.xls]Hoja1!F2C1:F25C4';
data visas;infile visas LRECL=2800;
input parcela pasto suplem leche;
proc glm;
class parcela pasto suplem;
model leche=parcela pasto parcela*pasto suplem pasto*suplem;
test h=pasto e=parcela*pasto;
means pasto suplem pasto*suplem; run;

proc mixed;
class parcela pasto suplem;
model leche=pasto suplem pasto*suplem;
random parcela parcela*pasto;
lsmeans pasto suplem pasto*suplem; run;

DOUBLE BLOCKING

(T.R. MORRIS)

DOUBLE BLOCKING-ANOVA
ANOVA B

ANOVA A
Source

d.f.

Source

d.f.

Breeds
Blocks within breeds
Diets
Breed x diet
Error
Total

1
6
2
2
12
23

Blocks
Breeds
Diets
Breed x diet
Error
Total

3
1
2
2
15
23

ANOVA C
Source

d.f.

Blocks
Breeds
Error (a)
Main plots
Diets
Breed x diet
Error (b)
Sub-plots

3
1
3
7
2
2
12
23

EXAMPLES OF EXPERIMENTAL DESIGNS TO STUDY PRODUCTION RESPONSES

N. STPIERRE, OHIO STATE UNIVERSITY

EXAMPLES OF EXPERIMENTAL DESIGNS TO STUDY PRODUCTION RESPONSES

N. ST PIERRE, OHIO STATE UNIVERSITY

EXAMPLES OF EXPERIMENTAL DESIGNS TO STUDY PRODUCTION RESPONSES

N. STPIERRE, OHIO STATE UNIVERSITY

EXAMPLES OF EXPERIMENTAL DESIGNS TO STUDY PRODUCTION RESPONSES

N. STPIERRE, OHIO STATE UNIVERSITY