Modelos empírico-estadísticos de rendimiento de maíz en los principales estados productores de maíz de los Estados Unidos

• Arakaki Kiyan, Julio Alfonso ^[1] ; Chang Chang Fun, Juan Carlos ^[1]
  1. [1] Universidad Nacional Agraria La Molina

     Universidad Nacional Agraria La Molina

     Perú

     
• Localización: Anales Científicos, ISSN-e 2519-7398, Vol. 75, Nº. 1, 2014 (Ejemplar dedicado a: Enero a Junio), págs. 100-107
• Idioma: español
• Títulos paralelos:
  • Empirical-statistical models for maiz yield in the principal maiz producing states in the United States
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En este trabajo se buscaron modelos de regresión lineal y cuadrática múltiple para cada uno de los principales estados productores de maíz de los Estados Unidos. Se tomó como variable dependiente el rendimiento anual de maíz y como variables independientes, al año, temperaturas promedio mensuales y precipitaciones totales mensuales. Se encontró que el tamaño óptimo de la muestra de observaciones era de 30 años para todos los estados. Se consideró al mejor modelo como aquel que tuviera el coeficiente de correlación múltiple corregido más alto o la desviación estándar más baja. Los modelos, así como sus parámetros estadísticos, fueron obtenidos usando técnicas estándares de regresión múltiple. El criterio usado para validar los modelos fue el coeficiente de correlación entre los rendimientos observados y los rendimientos estimados. En base a esta prueba solamente un modelo, el del estado de Indiana, tuvo significancia estadística para estimar rendimientos de maíz a futuro.

  • English

    In this research, multiple lineal and quadratic regression models for leading maize producing states in the US were generated and assessed. The dependent variable was annual maize yield and the independent variables were year, average monthly temperatures and total monthly rainfall. The optimum observation sample size was 30 years for all states. We considered that the best model was the one that showed the highest adjusted multiple correlation coefficient or the lowest model standard deviation. The models, as well as their statistic parameters, were calculated using standard multiple regression techniques. The criterion used to validate the models was the correlation coefficient found between observed and estimated crop yield. Based on this test, only one model, the one from the State of Indiana, had statistical significance to estimate future maize yields.