Nonlinear quantile regression to describe the dry matter accumulation of garlic plants / Regressão quantílica não linear para descrever o acúmulo de matéria seca de alho

ABSTRACT: The objective of this study was to adjust nonlinear quantile regression models for the study of dry matter accumulation in garlic plants over time, and to compare them to models fitted by the ordinary least squares method. The total dry matter of nine garlic accessions belonging to the Vegetable Germplasm Bank of Universidade Federal de Viçosa (BGH/UFV) was measured in four stages (60, 90, 120 and 150 days after planting), and those values were used for the nonlinear regression models fitting. For each accession, there was an adjustment of one model of quantile regression (τ=0.5) and one based on the least squares method. The nonlinear regression model fitted was the Logistic. The Akaike Information Criterion was used to evaluate the goodness of fit of the models. Accessions were grouped using the UPGMA algorithm, with the estimates of the parameters with biological interpretation as variables. The nonlinear quantile regression is efficient for the adjustment of models for dry matter accumulation in garlic plants over time. The estimated parameters are more uniform and robust in the presence of asymmetry in the distribution of the data, heterogeneous variances, and outliers.

RESUMO: Este trabalho teve como objetivo ajustar modelos de regressão quantílica não linear para o estudo do acúmulo de matéria seca total em plantas de alho ao longo do tempo, e compará-los com modelos ajustados pelo método dos mínimos quadrados. A matéria seca total de nove acessos de alho pertencentes ao Banco de Germoplasma de Hortaliças da Universidade Federal de Viçosa (BGH/UFV) foi avaliada em quatro períodos (60, 90, 120 e 150 dias após plantio), e estes valores foram utilizados para o ajuste de modelos de regressão - não linear - logística. Para cada acesso, foram ajustados um modelo de regressão quantílica (τ=0,5) e um modelo pela metodologia dos mínimos quadrados. Para avaliar a qualidade de ajuste dos modelos foi utilizado o Critério de Informação de Akaike. Os acessos foram agrupados pelo algoritmo UPGMA, utilizando as estimativas dos parâmetros com interpretação biológica como variáveis. A regressão quantílica não linear foi eficiente no ajuste de modelos para descrição do acúmulo de matéria seca ao longo do tempo. As estimativas de parâmetros foram mais uniformes e robustas na presença de dados assimétricos, variâncias heterogêneas e de valores discrepantes.

Quantile regression of nonlinear models to describe different levels of dry matter accumulation in garlic plants / Regressão quantílica de um modelo não linear para descrição de diferentes níveis de acúmulo de matéria seca em plantas de alho

ABSTRACT: Plant growth analyses are important because they generate information on the demand and necessary care for each development stage of a plant. Nonlinear regression models are appropriate for the description of curves of growth, since they include parameters with practical biological interpretation. However, these models present information in terms of the conditional mean, and they are subject to problems in the adjustment caused by possible outliers or asymmetry in the distribution of the data. Quantile regression can solve these problems, and it allows the estimation of different quantiles, generating more complete and robust results. The objective of this research was to adjust a nonlinear quantile regression model for the study of dry matter accumulation in garlic plants (Allium sativum L.) over time, estimating parameters at three different quantiles and classifying each garlic accession according to its growth rate and asymptotic weight. The nonlinear regression model fitted was a Logistic model, and 30 garlic accessions were evaluated. These 30 accessions were divided based on the model with the closest quantile estimates; 12 accessions were classified as of lesser interest for planting, 6 were classified as intermediate, and 12 were classified as of greater interest for planting.

RESUMO: Análises de crescimento de plantas são importantes, pois geram informações sobre a demanda e os cuidados necessários para cada etapa de seu desenvolvimento. Modelos de regressão não linear são apropriados para descrever curvas de crescimento por apresentarem parâmetros com interpretação prática biológica. Entretanto, estes modelos apresentam informações em termos médios, e estão sujeitos a problemas no ajuste proporcionados por possíveis valores extremos ou assimetria na distribuição dos dados. A regressão quantílica pode contornar estes problemas, e ainda permite estimativas de diferentes quantis, gerando resultados mais completos e robustos. Assim, o objetivo deste trabalho foi ajustar um modelo de regressão quantílica não linear para o estudo do acúmulo de matéria seca em plantas de alho (Allium sativum L.) ao longo do tempo, estimando seus parâmetros em três diferentes quantis e classificando cada acesso de alho de acordo com sua taxa de crescimento e peso assintótico. O modelo de regressão não linear ajustado foi o Logístico, e foram utilizados 30 acessos de alho. Estes foram divididos de acordo com a curva do quantil de estimativas mais próximas, sendo classificados 12 acessos como de baixo interesse para o plantio, 6 de interesse intermediário e 12 como de alto interesse.

Abordagem Bayesiana das curvas de crescimento de duas cultivares de feijoeiro / Bayesian approach in the growth curves of two cultivars of common bean

Neste trabalho foi utilizada a metodologia Bayesiana para ajustar o modelo não-linear logístico para dados de crescimento de duas cultivares de feijoeiro, "Neguinho" e "Carioca". O delineamento experimental utilizado foi o inteiramente casualizado, com vinte repetições, no esquema de parcelas subdivididas, sendo que os tratamentos principais foram constituídos pelas cultivares e as subparcelas foram constituídas por 17 períodos de avaliações, do plantio até aos 85 dias. A metodologia permitiu comparar as curvas de crescimentos sem utilizar a teoria assintótica e estes resultados mostraram um maior incremento em altura para a cultivar "Carioca".

In this paper the Bayesian methodology was used to fit the logistic nonlinear model to growth data of two common bean cultivars, 'Neguinho' and 'Carioca'. The experiment was a split plot under a completely randomized design with twenty replicates, being the main treatments constituted by cultivars and the sub plots constituted by seventeen periods of evaluations, from planting to 85 days. The methodology allowed comparing the growth curves without using the asymptotic theory, and these results showed a larger height increment for the 'Carioca' cultivar.