Práctica

Cálculo del Índice de la Calidad del Suelo de Olivar (ICSO)

Material complementario I: Ecuación de Regresión para Humedad del suelo a Capacidad de Campo

En el presente complemento a la práctica se estimará la ecuación de regresión para el único indicador analítico que participa en el cálculo del Índice Global de la Calidad del Suelo (GSQI) y no ha sido estudiado en las prácticas, % Humedad a Capacidad de Campo. Se empleará el paquete estadístico SPSS v.17.

Paso I: Hallar la matriz de correlación de los ICS analíticos

Para ello vamos a emplear la Base de Datos de Suelos de Jaén. Se abre el archivo con la Base de Datos...

Base de datos

En primer lugar, vamos a obtener la matriz de correlación para ver qué indicadores están más correlacionados con la variable dependiente que queremos estimar. En la barra de menú pulsamos "Analizar" > "Correlaciones" > "Bivariadas".

Bivariadas

Introducimos los indicadores, pulsamos aceptar y obtenemos en el archivo de resultados la matriz de correlación.

Correlaciones

Si analizamos con detalle la matriz de regresión vemos que las variables más correlacionadas con "% Humedad a Capacidad de Campo" (código W33) son:

W33
Densidad aparente -,768**
CO ,639**
Ntotal 0,101
Carbonatos -0,069
pH 0,07
arena -,602**
limo ,498**
arcilla ,355**
grava ,395**
CE25 -0.062

Densidad aparente, CO, limo y arena (p < 0.01). Éstas serán (todas o algunas de ellas) las variables independientes del modelo de regresión que calcularemos a continuación.

Paso II: Hallar el modelo de Regresión

Se pulsa en el cuadro de diálogo "Analizar" > "Regresión" > "Lineales"

Lineales

Se introducen todos los indicadores analíticos en "variables independientes" y "% Humedad a Capacidad de Campo" (código W33) en "variables dependientes"

Variables dependientes

Se pulsa aceptar y obtenemos, en el archivo de resultados correspondiente una serie de tablas:

Resumen del modelob
Modelo R R2 R2 corregida Error típ. de la estimación
1 ,861a ,742 ,723 5,03326
a. Variables predictoras: (Constante), arcilla, limo, grava, CO, arena, densidad aparente

En esta tabla se nos confirma que nuestro modelo predice el 72,3% de la variabilidad (R2 corregida), con un coeficiente de correlación múltiple r = 0.861. Además, en la siguiente tabla:

ANOVAb
Modelo Suma de cuadrados gl Media cuadrática F Sig.
1 Regresión 6108,877 6 1018,146 40,189 ,000a
Residual 2128,029 84 25,334    
Total 8236,906 90      
a. Variables predictoras: (Constante), arcilla, limo, grava, CO, arena, dens.apa

Se nos indica que el modelo es significativo (p < 0.001). Nos queda conocer los coeficientes de la ecuación de correlación:

Coeficientesa
Modelo Coeficientes no estandarizados Coeficientes tipificados t Sig.
B Error típ. Beta
1 (Constante) -240,441 254,104   -,946 ,347
CO 4,017 2,003 1,009 2,006 ,048
arena -,191 ,284 -,358 -,671 ,504
limo ,267 ,161 ,361 1,652 ,102
dens.apa 154,856 163,594 ,943 ,947 ,347
grava ,066 ,027 ,159 2,476 ,015
arcilla ,730 ,397 ,960 1,840 ,069

Lo que nos indica, desgraciadamente, que algunos de nuestros coeficientes no son significativos. Volvemos al menú

Variables dependientes

Y eliminamos como variables dependientes densidad aparente y arena, no significativas al 10% (valor que hemos puesto como umbral). Recalculamos el modelo:

Resumen del modelob
Modelo R R2 R2 corregida Error típ. de la estimación
1 ,860a ,739 ,727 5,00226
a. Variables predictoras: (Constante), grava, limo, arcilla, CO

Y observamos que, sin perder en absoluto significación global, los coeficientes de la ecuación:

Coeficientesa
Modelo Coeficientes no estandarizados Coeficientes tipificados t Sig.
B Error típ. Beta
1 (Constante) 3,009 2,188   1,375 ,173
arcilla ,352 ,042 ,463 8,294 ,000
limo ,224 ,043 ,303 5,168 ,000
CO 2,140 ,266 ,537 8,051 ,000
grava ,064 ,026 ,154 2,411 ,018

Pasan a ser ahora plenamente significativos. Como última consideración, comprobaremos la normalidad de los residuos:

Residuos

Que nos demuestran la plena validez y significación de nuestro modelo.

Paso III: Ecuación de Regresión Múltiple

En base a la tabla de coeficientes anterior, establecemos la ecuación de regresión final para "Humedad a Capacidad de Campo" (%W33):

formula

A partir de la cual, podremos realizar los cálculos pendientes para los índices de calidad del suelo.



Volver a la página anterior

Adscrito al Proyecto de Innovación Docente "Elaboración de una herramienta web para el cálculo de un Índice de la Calidad del Suelo de Olivar (ICSO) a partir de datos obtenidos en prácticas docentes" (PID15B), correspondiente a la V Convocatoria de Proyectos de Innovación Docente realizada por la Universidad de Jaén.

Aranda V., Calero J., Montejo A., Serrano J.M.
Departamento de Geología - Departamento de Informática
Universidad de Jaén