Analisis de datos - Analisis de la estructura espacial

3.2. Análisis de la estructura espacial

Análisis de los patrones de variación geográfica
Se estudió si las variables respuesta y las variables climático-ambientales presentes en los
modelos de análisis de vías presentaron estructura espacial dentro de los ambientes de estudio
(bosque, matorral-estepa y el gradiente completo). Para esto, se aplicaron dos enfoques diferentes
y complementarios:
1. Se analizó la presencia de autocorrelación espacial en cada variable. La autocorrelación espacial
mide la similitud entre observaciones de una variable en función de la distancia espacial. Para
analizar la autocorrelación en las variables estudiadas, se computó el Índice de Moran que es
uno de los coeficientes más utilizados en este tipo de estudios (Legendre y Legendre 1998). Se
utilizó el programa Spatial Analysis in Macroecology (SAM 1.1: Rangel et al. 2006). El Índice
de Moran varía entre -1 y 1 para valores máximos negativos y positivos de autocorrelación
respectivamente. Valores significativos mayores o menores a 0 para una clase de distancia
indican que los pares de observaciones incluidos en esa clase son mas similares (autocorrelación
positiva), o menos similares (autocorrelación negativa), que lo esperado por azar (Legendre y
Legendre 1998). En este trabajo, se graficó un correlograma para cada variable estudiada para
estudiar el patrón de autocorrelación en función de la distancia en kilómetros. Para calcular
el Índice de Moran para cada clase de distancia, se incluyen todos los pares de observaciones
existentes a esa distancia. Un correlograma se consideró significativo si al menos una clase de
distancia presentó autocorrelación significativa con un α = 0,05.
2. Se construyeron mapas de isolíneas que mostraron los patrones de variación geográfica en
todas las variables estudiadas en el gradiente completo. Las isolíneas se obtuvieron por
interpolación de los valores reales de cada variable en cada sitio de muestreo, aplicando una
técnica geoestadística que utiliza una estimación de la semivarianza de los datos para realizar
interpolaciones (‘kriging’; Legendre y Legendre, 1998). Se utilizó el programa SURFER 5.01
(Golden Software, Inc). Estos mapas se examinaron visualmente para estudiar los patrones de
variación espacial. Se observaron las zonas de alta diversidad de hormigas y se superpusieron
los mapas para evaluar en qué medida las zonas de mayor abundancia de hormigas tuvieron
mayor riqueza de especies de hormigas. De esta forma se estudiaron también los patrones
geográficos en las variables climático-ambientales.
Análisis de la interacción entre la estructura ecológica y la espacial
Se realizó un análisis de regresión parcial (Borcard et al. 1992) para determinar qué
proporción de la varianza total en las variables respuesta se explica por: (a) el efecto ‘puro’ de
las variables climático-ambientales, (b) el efecto de variables climático-ambientales espacialmente
estructuradas, (c) el efecto ‘puro’ de las variables espaciales, y (d) que proporción de la varianza
queda sin explicar (varianza no explicada por el efecto simultaneo de variables climático-ambientales
y espaciales). Para esto, se utilizó el programa SAM 1.1:
1. Para cada ambiente se estimó, a partir de las coordenadas geográficas de cada sitio, la
proporción de varianza en la riqueza de especies y abundancia explicada por efecto de un
modelo espacial (polinomio de segundo grado en latitud y longitud, con interacción,Z ) Si
bien se podría haber utilizado un polinomio de mayor grado para incorporar tendencias más
complejas, esto no se hizo debido al bajo número de estaciones de muestreo.
Z = b
1
lat + b
2
long + b
3
lat
2
+ b
4
long
2
+ b
5
latlong
2. Para cada ambiente se estimó la proporción de varianza explicada por las variables climático-
ambientales de los modelos aplicando un análisis de regresión múltiple. Cabe aclarar, que los
R
2
obtenidos en este paso practicamente no difieren de los obtenidos para cada variable en el
análisis de vías. Se decidió trabajar con los R
2
obtenidos con el SAM (regresiones múltiples)
para que todo se estime con la misma técnica y el mismo programa computacional.
3. Finalmente se generó para cada caso un modelo que incluyó el efecto simultáneo de las variables
climático-ambientales y las espaciales.
15
Page 18
3. Análisis de datos
4. Se particionó la varianza en cada variable respuesta siguiendo el método de Borcard et al.
(1992) en las fracciones a, b, c y d (descriptas previamente) donde:
R
2
mcae
(modelo climatico−ambiental−espacial) = (a + b + c)
R
2
mca
(modelo climatico−ambiental) = (a + b)
R
2
me
(modelo espacial) = (c + b)
Y entonces:
b = R
2
mca
+ R
2
me
− R
2
mcae
= (a + b) + (c + b) − (a + b + c)
a = R
2
mca
− b = (a + b) − b
c = R
2
me
− b = (c + b) − b
Debido a que el objetivo de este análisis fue estimar en que medida las variables climático-
ambientales explicaron los patrones de variación espacial se puso énfasis en el estudio de la fracción
b (variación en las variables respuestas, explicada en forma compartida por las variables espaciales
y las climático-ambientales).