¿Cómo corregir la heterocedasticidad y autocorrelación de residuales en modelos de ahusamiento y crecimiento en altura? Translated title: How to correct the heteroscedasticity and autocorrelation of residuals in taper and height growth models?

Abstract

Resumen: En la modelación del ahusamiento y del crecimiento en altura dominante con datos de series de tiempo, es muy común la presencia de heterocedasticidad y autocorrelación de los errores. Funciones de varianza (varFunc) y estructuras de correlación (corStruct) para corregir la heterocedasticidad y modelar dependencia de los errores, respectivamente. Estas fueron combinadas y evaluadas en ecuaciones de ahusamiento y crecimiento en altura de Pinus teocote en Durango, México. La base de datos se obtuvo de 51 análisis troncales con 768 observaciones de ahusamiento y 634 de altura. Las varFunc utilizadas fueron: 1) función de potencia (varPower); 2) función exponencial (varExp); 3) función constante y de potencia (varConstPower); y 4) función combinada de potencia y exponencial (varComb). Las corStruct incluyeron: simetría compuesta (corCompSymm), autorregresiva de orden 1 (corAR1), autorregresiva continua (corCAR1), autorregresiva de media móvil (corARMA2-0), corARMA1-1, corARMA2-1, corARMA2-2, corARMA3-1 y corARMA3-2. Las ecuaciones se ajustaron por mínimos cuadrados generalizados no lineales; y se evaluaron con un sistema de calificación con los estadísticos de ajuste: RMSE, R2, AIC, BIC, LogLik, CV y sesgo promedio. Con base en la calificación, las mejores combinaciones para el ahusamiento y crecimiento en altura fueron 1-9, 2-5, 3-8 y 4-6 y 1-6, 2-9, 3-7 y 4-4, respectivamente. En el ahusamiento solo la combinación 2-5 fue homocedástica con residuales independientes al igual que las ecuaciones de altura seleccionadas y las varFunc y corStruct presentaron influencia en la trayectoria de las curvas de índice de sitio construidas.

Translated abstract

Abstract: In modeling of taper functions and dominant height growth with time series data, the presence of heteroscedasticity and autocorrelation in residuals is common. Variance Functions (varFunc) and correlation structures (corStruct) were used to correct heteroscedasticity and autocorrelation; both were combined and evaluated through taper and height growth equations for Pinus teocote in Durango, Mexico. A dataset of 51 stems analysis with 768 taper observations and 634 height growth observations was used. The varFuncs applied were: 1) power function (varPower); 2) exponential function (varExp); 3) constant plus power function (varConstPower); and 4) a combination of power and exponential functions (varComb). The corStructs were: compound symmetry (corCompSymm), autoregressive of order 1 (corAR1), continuous-time autoregressive of order 1 (corCAR1), autoregressive-moving average (corARMA2-0), corARMA1-1, corARMA2-1, corARMA2-2, corARMA3-1 and corARMA3-2. To fit the equations, the generalized nonlinear least squares method was used and evaluated with a rating system through: RMSE, R2, AIC, BIC, LogLik, VC and average bias. According to the rating system, the best combinations for taper and height growth equations were 1-9, 2-5, 3-8 and 4-6 and 1-6, 2-9, 3-7 and 4-4, respectively. In the taper equation, only the combination 2-5 was homoscedastic with independent residuals, and the selected height growth equations were homoscedastic with independent residuals; the varFunc and corStruct had influence on the trajectories of site index curves.