Modelo aditivo generalizado de ubicación, escala y forma en el estudio del peso vivo de aves de corral
Resumen
En la producción animal, desde el punto de vista biológico y económico, es importante el análisis de relaciones entre diferentes variables, específicamente, entre el peso vivo y las variables morfométricas, y la estimación del mismo a través de estos rasgos cuantitativos, en distintas especies zootécnicas, incluyendo los recursos locales, en este caso, un grupo aviar localizado en Paraguay. No obstante, la naturaleza de estas características no siempre se ajusta a los supuestos requeridos en los análisis estadísticos clásicos. En ese contexto, el objetivo de este trabajo consistió en explorar y encontrar un modelo plausible para el peso vivo de aves de corral, a partir de variables morfométricas y la edad, teniendo en cuenta la naturaleza intrínseca de los datos del peso. Fueron consideradas 34 aves hembra criadas en una granja de la Facultad de Ciencias Veterinarias de la Universidad Nacional de Asunción, Paraguay. Se analizó la estructura de regresión con enfoque en el modelo aditivo generalizado de ubicación, escala y forma, procediendo a seleccionar el modelo según criterio de información generalizado de Akaike. Los resultados revelaron que, la distribución gaussiana inversa se ajustó mejor a los datos del peso vivo de las aves hembra. Asimismo, la edad, la longitud del cuello y longitud del muslo influyeron en la estimación del peso vivo medio, mientras que, en la dispersión, influyo la longitud del cuello, el ancho del cráneo y la longitud del dedo medio. Fueron establecidas expresiones matemáticas derivadas del modelo para el peso con distribución de probabilidad gaussiana inversa, con sus respectivos parámetros identificados.
Descargas
Citas
Tahtali Y. Use of factor scores in multiple regression analysis for estimation of body weight by certain body measurements in Romanov lambs. PeerJ. [Internet]. 2019; 7:e7434. doi: https://doi.org/prnk DOI: https://doi.org/10.7717/peerj.7434
Pelea LP. ¿Cómo proceder ante el incumplimiento de las premisas de los métodos paramétricos? o ¿cómo trabajar con variables biológicas no normales? Rev. Jard. Bot. Nac. [Internet]. 2018 [consultado 20 Mar. 2025]; 39:1-12. Disponible en: https://goo.su/i4Kk8R
Pelea LP. Valores atípicos en los datos, ¿cómo identificarlos y manejarlos? Rev. Jard. Bot. Nac. [Internet]. 2019 [consultado 20 Mar. 2025]; 40:99-107. Disponible en: https://goo.su/JfGohy
Martínez–López R, Centurión Insaurralde LM. Aplicación de pruebas estadísticas de distribución de datos y su utilidad en producción animal. Rev. Lasallista Investig. [Internet]. 2024; 21(1):8-22. doi: https://doi.org/prnm DOI: https://doi.org/10.22507/rli.v21n1a1
Rigby RA, Stasinopoulos DM. Generalized additive models for location, scale and shape. J. R. Stat. Soc. C: Appl. Stat. [Internet]. 2005; 54(3):507–554. doi: https://doi.org/b26cqh DOI: https://doi.org/10.1111/j.1467-9876.2005.00510.x
Hernández–Barajas F, Torres M, Arteaga L, Castro C. Modelos GAMLSS aplicados en el tratamiento de residuos agroindustriales.Commun. Statist. [Internet]. 2015; 8(2):245-254. doi: https://doi.org/prnn DOI: https://doi.org/10.15332/s2027-3355.2015.0002.07
Palamarchuck P, Álvarez–Vaz R. Modelos GAMLSS: una alternativa para la modelización de la espirometría en niños uruguayos. En: XIV Semana Internacional de la Probabilidad y la Estadística. [Internet]; 14–18 Mar 2021; Puebla, México; 2021. [consultado 7 Mar. 2025]; p. 1–8. Disponible en: https://goo.su/sluiFU
Marmolejo–Ramos F, Tejo M, Brabec M, Kuzilek J, Joksimovic S, Kovanovic V, González J, Kneib T, Bühlmann P, Kook L, Briseño–Sánchez G, Ospina R. Distributional regression modeling via generalized additive models for location, scale, and shape: an overview through a data set from learning analytics.WIREs Data. Mining. Knowl. Discov. [Internet]. 2023; 13(1):e1479. doi: https://doi.org/gswbkh DOI: https://doi.org/10.1002/widm.1479
Zavorsky GS, Cao J. Reference equations for pulmonary diffusing capacity using segmented regression show similar predictive accuracy as GAMLSS models. BMJ Open Respir. Res. [Internet]. 2022; 9(1):e001087. doi: https://doi.org/prnp DOI: https://doi.org/10.1136/bmjresp-2021-001087
Darmawa AS, Anggraeni D, Tirta IM. Application of generalized additive model location, scale and shape (GAMLSS) for rice production in Banyuwangi Regency. J. Phys. Conf. Ser. [Internet]. 2019; 1211:012025. doi: https://doi.org/prnq DOI: https://doi.org/10.1088/1742-6596/1211/1/012025
Diniz FR, Gonçalves FLT, Zilli Vieira CL, Piacenti–Silva M. Impacts of air pollution and thermal discomfort in hospitalizations for multiple sclerosis in Sao Paulo, Brazil. Sclerosis. [Internet]. 2023; 1(3):113-123. doi: https://doi.org/prnr DOI: https://doi.org/10.3390/sclerosis1030012
Narajewski M. Probabilistic forecasting of German electricity imbalance prices. Energies. [Internet]. 2022; 15(14):4976. doi: https://doi.org/prns DOI: https://doi.org/10.3390/en15144976
Hernández–Barajas F, Cano–Urrego B, Caicedo–Chamorro EA. Modelos GAMLSS para analizar el grado secado de calcio dihidratado. Rev. EIA. [Internet]. 2021; 18(35):1-13. doi: https://doi.org/prnt DOI: https://doi.org/10.24050/reia.v18i35.1439
Boucher JP, Turcotte R. A longitudinal analysis of the impact of distance driven on the probability of car accidents. Risks [Internet]. 2020; 8(3):91. doi: https://doi.org/gsjf93 DOI: https://doi.org/10.3390/risks8030091
Hernández–Barajas F, Naranjo–Dueñas G, Monsalve–Lugo E. Estimación del rendimiento de orellana mediante modelos GAMLSS. Rev. Fac. Cienc. [Internet]. 2017; 6(1):67–82. doi: https://doi.org/g6q6mn DOI: https://doi.org/10.15446/rev.fac.cienc.v6n1.61119
Smith A, Hofner B, Lamb JS, Osenkowski J, Allison T, Sadoti G, McWilliams SR, Paton P. Modeling spatiotemporal abundance of mobile wildlife in highly variable environments using boosted GAMLSS hurdle models. Ecol. Evol. [Internet]. 2019; 9(5):2346–2364. doi: https://doi.org/prnv DOI: https://doi.org/10.1002/ece3.4738
Sá ACL, Turkman MAA, Pereira JMC. Exploring fire incidence in Portugal using generalized additive models for location, scale and shape (GAMLSS). Model. Earth Syst. Environ. [Internet]. 2018; 4(1):199–220. doi: https://doi.org/prnw DOI: https://doi.org/10.1007/s40808-017-0409-6
Garcia–Galiano SG, Olmos–Gimenez P, Giraldo–Osorio JD. Assessing nonstationary spatial patterns of extreme droughts from long–term high–resolution observational dataset on a semiarid basin (Spain). Water. [Internet]. 2015; 7(10):5458- 5473. doi: https://doi.org/f7x39b DOI: https://doi.org/10.3390/w7105458
Ramires TG, Nakamura LR, Righetto AJ, Carvalho RJ, Vieira LA, Pereira CB. Comparison between highly complex location models and GAMLSS. Entropy. [Internet]. 2021; 23(4):469. doi: https://doi.org/prnx DOI: https://doi.org/10.3390/e23040469
Roquim FV, Ramires TG, Nakamura LR, Righetto AJ, Lima RR, Gomes RA. Building flexible regression models: including the Birnbaum–Saunders distribution in the GAMLSS package. Semin. Exact. Tech. Sci. [Internet]. 2021; 42(2):163–168. doi: https://doi.org/prnz DOI: https://doi.org/10.5433/1679-0375.2021v42n2p163
Timmerman M, Voncken L, Albers C. A tutorial on regression– based norming of psychological tests with GAMLSS. Psychol. Methods. [Internet]. 2021; 26(3):357–373. doi: https://doi.org/gmdnfd DOI: https://doi.org/10.1037/met0000348
Martínez–López R, Correa K, Centurión–Insaurralde LM. Análisis de variables corporales cuantitativas para determinación de dimorfismo sexual del Grupo Aviar Paraguayo denominado “Rustipollo”. Rev. Cient. FCV–LUZ. [Internet]. 2022; 32:1-10. doi: https://doi.org/prn2 DOI: https://doi.org/10.52973/rcfcv-e32096
Rigby RA, Stasinopoulos MD, Heller GZ, De Bastiani F. Distributions for modeling location, scale, and shape: using GAMLSS in R. [Internet]. Boca Raton (Florida, USA): CRC Press, Taylor & Francis Group; 2020. doi: https://doi.org/prn3 DOI: https://doi.org/10.1201/9780429298547
Giacomet CL, Ramos ACV, Moura HSD, Berra TZ, Alves YM, Delpino FM, Farle JE, Reynolds NR, Alonso JB, Teibo TKA, Arcêncio RA. A distributional regression approach to modeling the impact of structural and intermediary social determinants on communities burdened by tuberculosis in Eastern Amazonia– Brazil. Arch. Public. Health. [Internet]. 2023; 81:135. doi: https://doi.org/prn4 DOI: https://doi.org/10.1186/s13690-023-01147-7
Costa EFS, Teixeira GM, Freire FAM, Dias JF, Fransozo A. Effects of biological and environmental factors on the variability of Paralonchurus brasiliensis (Sciaenidae) density: a GAMLSS application. J. Sea Res. [Internet]. 2022; 183:102203. doi: https://doi.org/g6bdxd DOI: https://doi.org/10.1016/j.seares.2022.102203
Ramires TG, Nakamura LR, Righetto AJ, Pescim RR, Mazucheli J, Rigby RA, Stasinopoulos DM. Validation of stepwise–based procedure in GAMLSS. J. Data Sci. [Internet]. 2021; 19(1):96-110. doi: https://doi.org/prn5 DOI: https://doi.org/10.6339/21-JDS1003
Soul LC, Benson RBJ, Weisbecker V. Multiple regression modeling for estimating endocranial volume in extinct Mammalia. Paleobiology [Internet]. 2013; 39(1):149-162. doi: https://doi.org/f4kjnn DOI: https://doi.org/10.1666/0094-8373-39.1.149
R Core Team. The R Foundation for Statistical Computing. R: a language and environment for statistical computing. [Internet]. 2022 [consultado 1 Nov. 2024]. Disponible en: https://goo.su/ByEL
Martínez–López R, Correa K, Guillen L, Centurión LM, Corrales MP. Aplicación de correlaciones y análisis de componentes principales en el estudio de rasgos cuantitativos de una población reducida de genotipos aviares de Paraguay. Rev. Inv. Vet. Perú. [Internet]. 2024; 35(6):e29626. doi: https://doi.org/prn7 DOI: https://doi.org/10.15381/rivep.v35i6.29626
Punzo A. A new look at the inverse Gaussian distribution with applications to insurance and economic data. J. Appl. Stat. [Internet]. 2018; 46(7):1260–1287. doi: https://doi.org/prn8 DOI: https://doi.org/10.1080/02664763.2018.1542668
Pasari S. Inverse Gaussian versus lognormal distribution in earthquake forecasting: keys and clues. J. Seismol. [Internet]. 2019; 23:537–559. doi: https://doi.org/prn9 DOI: https://doi.org/10.1007/s10950-019-09822-5
Portillo–Salgado R, Cigarroa–Vázquez FA, Herrera–Haro JG, Vázquez–Martínez I. Predicción del peso corporal de guajolotes nativos mexicanos a través de medidas morfométricas. ITEA Inf. Tec. Econ. Agrar. [Internet]. 2020; 116(2):150-160. doi: https://doi.org/prpb DOI: https://doi.org/10.12706/itea.2020.003
Lamido M, Bature I, Aliyu AM. Prediction of body weight from morphometric traits in indigenous normal feathered chickens of Nigeria. Niger. J. Anim. Prod. [Internet]. 2022 [consultado 7 Mar. 2025]; 2022 (NSAP 2022 Proceedings)159–163. Disponible en: https://goo.su/JVE4VtW
Negash F. Predicting body weight of Ethiopian indigenous chicken populations from morphometric measurements.Turk J. Agric. Food Sci. Technol. [Internet]. 2021; 9(6):1138–1143. doi: https://doi.org/prpf DOI: https://doi.org/10.24925/turjaf.v9i6.1138-1143.4119
Contreras JL, Cordero A, Reymundo B, Ramos H, Curasma J, Delgado A. Phenotypic correlation and estimation of bodyweight in creole cattle. Rev. Inv. Vet. Perú. [Internet]. 2020 [consultado 22 Ene. 2025]; 31(1):e17546. Disponible en: https://goo.su/VIyJFB DOI: https://doi.org/10.15381/rivep.v31i1.17546
Castellaro G, Orellana C, Escanilla JP, Ruz Y. Estimación del peso vivo en caprinos a través de medidas morfométricas. Agro Sur [Internet]. 2019; 47(1):23–28. doi: https://doi.org/prpg DOI: https://doi.org/10.4206/agrosur.2019.v47n1-05
García–Neder A, Pérez A, Perrone G. Estimación del peso corporal del caballo criollo mediante medidas morfométricas: validación de ecuaciones publicadas para otras razas y desarrollo de nueva fórmula. REDVET [Internet]. 2009 [consultado 22 Ene. 2025]; 10(9):1–8. Disponible en: https://goo.su/d8fA
Ormachea E, Jahuira F, Calsin B, Olarte U, Tapia M, Olivera L, Zanabria V, Ormachea B. Morphometric study and body weight prediction equations in llamas (Lama glama) Ch’aku and Q’ara. Int. J. Morphol. [Internet]. 2022; 40(5):1247–1252. doi: https://doi.org/prph DOI: https://doi.org/10.4067/S0717-95022022000501247
