Os objetivos deste trabalho foram: a) desdobrar correlações genotípicas em efeitos diretos e indiretos de componentes primários e secundários sobre a produção de frutos, em genótipos de pimentão (Capsicum annuum L.), por meio de análises de trilha; b) comparar métodos alternativos de estimação dos coeficientes de trilha para contornar os efeitos adversos da multicolinearidade. Com base nas magnitudes dos efeitos diretos e indiretos, nenhum dos componentes primários ou secundários mostrou ser importante na seleção dos genótipos mais produtivos. Em populações segregantes, o caráter altura da planta poderá ser útil em resposta correlacionada, por meio de seleção indireta. Na ocorrência de multicolinearidade de moderada a severa entre os caracteres, a eliminação de variáveis do modelo de regressão e a análise de trilha em crista mostraram-se eficientes para reduzir as altas variâncias dos coeficientes de trilha encontradas. Contudo, quando várias variáveis necessitam ser eliminadas, o processo de descarte torna-se difícil e muitas análises podem ser necessárias. A análise de trilha em crista, por sua vez, deve contornar os efeitos adversos da multicolinearidade, sem que haja grande redução nos valores dos coeficientes de determinação dos modelos de regressão.
The main goals of this work were: a) to display genotype correlations in direct and indirect effects of primary and secondary components on the production of fruits, in green pepper (Capsicum annuum L.) genotypes, by mean of path analysis; b) to compare alternative methods of estimation of the path coefficients to avoid the adverse effects of multicollinearity. Based on the magnitude of direct and indirect effects, none of the primary or secondary components showed to be more important in the selection of more productive genotypes. In segregating populations, the character height of the plant might be useful in correlated response, by means of indirect selection. In the occurrence of moderate to severe multicollinearity between the characters, the elimination of variables from the regression model and the ridge path analysis showed to be efficient in reducing the high variances of the path coefficients found. However, when several variables need to be eliminated, the disposal process becomes difficult and many analysis might be necessary. Ridge path analysis, although, should by-pass the adverse effects of multicollinearity, without having great reduction on the coefficient determination values of the regression models.