ABSTRACT
Em experimentos de competição de cultivares de citros, geralmente são utilizados muitos tratamentos, o que requer o emprego de grandes blocos e parcelas com poucas plantas. Tem sido debatido que, nessas condições, pode ocorrer a correlação entre parcelas vizinhas, violando assim a pressuposição de erros independentes da análise de variância. O presente trabalho teve por objetivo avaliar diferentes parametrizações de modelos, considerando ou não a dependência espacial entre parcelas, em dois experimentos de competição de clones de laranjeira Pêra (Citrus sinensis L. Osbeck). Foi utilizada a estrutura auto-regressiva separável de primeira ordem (AR1 x AR1) como modelo de dependência espacial entre os erros. Os resultados encontrados apontam que a modelagem espacial dos erros utilizando modelos auto-regressivos separáveis de primeira ordem para experimentos de seleção de clones de laranjeira Pêra, normalmente trazem pequenos ganhos em termos de qualidade de ajuste. A análise desconsiderando o fator blocos mais o ajuste espacial auto-regressivo separável de primeira ordem apresentou melhor qualidade de ajuste entre os modelos avaliados.
In competition experiments of citrus cultivations one generally uses many treatments, which requires the use of big blocks and plots with few plants. One has debated that in these conditions there can occur the correlation between neighboring plots, violating, thus, the presupposition of errors independent from the variance analysis. The present work has had as objective to evaluate different model parametrizations, considering or not the spatial dependence between plots, in two competition experiments of Pera orange tree clones (Citrus sinensis L. Osbeck). One has utilized the separable auto-regressive structure of first order (AR1 x AR1) as a model of spatial dependence between the errors. The results found indicate that the spatial modeling of the errors by utilizing separable auto-regressive models of first order for selection experiments of Pera orange tree clones normally bring small gains in terms of quality of adjustment. The analysis not considering the block factor plus the separable auto-regressive spatial adjustment of first order has presented better quality of adjustment between the models evaluated.