Métodos de selección de predictores para la construcción de modelos de riesgo de enfermedad en cultivos a partir de variables climáticas

Abstract

La alta dimensionalidad y la correlación entre las múltiples variables candidatas a predictoras para la estimación de un modelo estadístico capaz de predecir la enfermedad de un cultivo en función del ambiente determina la necesidad de recurrir a herramientas metodológicas estadísticas que permitan reducir la dimensionalidad. El objetivo de este trabajo fue comparar el desempeño de métodos de selección de variables en su capacidad para detectar variables climáticas relevantes para la construcción de un modelo logístico que será usado para la predicción de probabilidad de presencia de enfermedad en un patosistema. En este trabajo se compararon tres métodos de selección de variables: Método de Filtrado (F), algoritmo genético (AG) y Boruta (B), en tres patosistemas (MRCV en maíz, Begomovirus en poroto y en soja). Las variables seleccionadas por cada método fueron sometidas a un análisis de componentes principales (ACP) para una nueva reducción de dimensión y obtención de variables sintéticas no correlacionadas. El desempeño de los métodos comparados se evaluó mediante la estimación de la precisión, especificidad y sensibilidad para un modelo lineal predictivo. B y F fueron más eficientes en la predicción. La combinación de estos con el ACP aumentó la eficiencia del modelo de predicción.