Agronomíacolombiana, 1994, VolumenXINo. 1;pág.83-89

CONTROL DE LA CORRELACION ESPACIAL EN EXPERIMENTOS PE
CAMPO EN EL SECTOR AGRICOLA

Control of spatial variability in field plot experiments

Ricardo Martinez B 1

RESUMEN

El objetivo primordial de la mayoría de los
experimentos agrícolas de campo es la estimación
eficiente e insesgada de los contrastes entre
tratamientos. La manera común de lograr esa
estimación es mediante la aplicación de mínimos
cuadrados ordinario a un modelo lineal, en elcual
el valor esperado de cada observación es la suma
de una media general, un efecto de tratamiento y
varios efectos ambientales tales como bloques o
efectos de filas y columnas. Si el modelo supuesto
es correcto, este enfoque da lugar a estimadores
que son funciones lineales de las observaciones y
son insesgados. Para analizar los datos
provenientes de experimentos de campo,se han
propuesto otras alternativas: los métodos
espaciales. Estas alternativas buscan neutralizar
el efecto que pueda tener la heterogeneidad
espacial de las unidades experimentales sobre la
estimación de los contrastes entre tratamientos.
El propósito de este artículo es analizar y comparar
críticamente algunas de las metodologías
espaciales usadas en los experimentos de campo
del sector agrícola.

Palabras claves

Variabilidad espacial, efecto de vecinos.

SUMMARY

The primary objective 01most agricultural lield ex-
periments and other spatial experiments is the
unbiased and efficient estimation 01treatment con-
trasts. The most common way to their estimation
is to apply ordinary least squares to a linear model
in which the expected value 01 each observa-

Profesor, Facultad de Agronomía, Universidad
Nacional de Colombia, Santafé de Bogotá, D.C.

tion is taken to be the sum 01 an over atl mean, a
treatment eltect, and various environmental el-
fects such as block or row and column effects.
This aproach yields estimators which are linear
lunctions 01 the observations and which are
unbiased il the assumed model es correct. Other
alternatives, the spatial methods, have been pro-
posed lor the analysis 01 data Irom lield-plot
experiments. These alternatives attempt to neu-
tralize the effect that the spatial heterogeneity 01
the experimental units can have on the estima-
tion 01 treatment contrasts. The purpose of this
paper is to analyze and compare critically sorne
01 the most important approaches about
«neighbour .. or «spatial » methods 01 analysis
01 lield experiments, where an attempt is made
to estimate and remove the effects 01 associa-
tion 01neighbouring plots Irom the treatment con-
trast.

Keywords

spatial variability, neighbor effect.

INTRODUCCION

El interés de todos los investigadores que hacen
experimentos espaciales en el sector agrícola es
estimar elicientemente los contrastes entre los
tratamientos. En esos experimentos, las unidades
experimentales ocupan sitios fijos y, típicamente,
presentan heterogeneidad sistemática (causada por
la heterogeneidad del suelo, manejo experimental
y otros lactores ambientales) entre esas unidades,
lo cual produce una apreciable correlación entre
parcelas vecinas, hecho que puede llevar a que los
supuestos que, tradicionalmente se hacen para
lograr a cabo los análisis de varianza, bajo los
diseños clásicos, no se cumplan a pesar de que
se tengan en cuenta los principios básicos en
los cuales descansan tales diseños. Esto es, se
conlía en que la aleatorización neutralice los
electos negativos de la correlación espacial.
Además, el control local que hacen los modelos

83



de bloques es de tipo discontinuo, pero en
muchos ensayos de campo, las parcelas
presentan un patrón continuo lo cual puede llevar
a que el tamaño y la forma de los bloques sea de
alguna manera, arbitrario. De esta forma, el
modelo de bloques bien puede resultar artificial,
aunque logre dar una aproximación razonable
de la variabilidad del sitio, con la ventaja de que
los estimadores de la precisión de los contrastes
de los tratarnientos pueden demostrar su validez
bajo el principio de la aleatorización.

Bajo diferentes metodologías, se ha tratado de
controlar la correlación espacial por métodos
diferentes a los clásicos. AS'I, los procedimientos
empleados por los diseños de Vecino mas
cercano (VC) han tratado de obtener estimadores
mas eficientes de los tratamientos mediante una
modelación mas realística de la variación de
campo, y esta variación se considera como una
gradiente continua y se supone una estructura para
el error. Dentro de este enfoque se han
presentado un número apreciable de modelos,
tales como los construidos por Papadakis (1938),
Bartlett (1978), Wilkinson et al (1983), Green,
Jennison y Seheult (1985), Williams (1986a),
Besag y Kempton (1.986), Gleeson yCullis (1987)
y Cullis y Gleeson (1991). Estos modelos han
buscado controlar la correlación espacial en
forma indirecta, bien sea a través de diferencias
o mediante el uso de desvíos o residuos de las
parcelas vecinas como covariables.

De otra parte Zimmerman y Harville (1991), con su
modelo lineal de campo aleatorio, involucran
directamente la heterogeneidad espacial, a través
de un análisis aleatorio de datos provenientes de
ensayos de uniformidad.

Con este artículo, dada esta diversidad de
propuestas, se pretende hacer un análisis crítico
de comparación de las diferentes metodologías,
para facilitar su uso a los investigadores que usan
experimentos espaciales.

EL PROBLEMA

Cuando las variables son dependientes
espacialmente, por lo general, los métodos
clásicos de análisis no son válidos; por eso,
cuando un experimentador trabaja con datos
orientados espacialmente, se enfrenta a dos
preguntas:

¿Son los datos espacialmente dependientes?

84

- Si es así, los análisis de varianza y regresión
no son apropiados; entonces, ¿qué hacer?

Los datos son espacialmente dependientes cuando
la observación de una unidad vecina da alguna
información sobre la observación de una unidad
experimental, tal como su valor o magnitud. Dado
que una parcela vecina puede estar cerca o
relativamente lejos de una determinada unidad ex-
perimental, las observaciones tomadas en
condiciones similares bien pueden ser
espacialmente dependientes o independientes de
acuerdo con la distancia que exista entre las
observaciones vecinas.

METODOS DE CONTROL DE LA CORRELACION
ESPACIAL

Cuando la correlación espacial se encuentra
presente, bien sea a escala micro o macro es
necesario controlarla mediante:

- Ajuste del diseño experimental,

- Diseños de vecino mas cercano,

- Diseños de Williams,

- Método de Gleeson y Cullis (una dimensión),

Método de Cullis y Gleeson (dos
dimensiones), o

- Métodos de Zimmerman y Harville.

El problema de la escogencia de la metodología a
usar es mayor cuando la correlación espacial no
es detectable aparentemente, situación que se
presenta con mayor frecuencia. .

Primeras propuestas de control de la
correlación espacial.

Aunque originalmente se pretendía corregir el
problema generado por la correlación mediante
el principio de aleatorización en los diseños de
experimentos clásicos propuesto por Fisher y
Yates, varios autores encontraron que la protección
que daba ese principio no era suficiente y que era
mas limitado de lo que originalmente se creía.
Además, consideraban que el supuesto de
iguáldad de los errores para muchos diseños
ortogonales o balanceados clásicos bien podía
ser una ilusión matemática. Entonces aparecen
las primeras propuestas para subsanar las
deficiencias presentadas por las metodologías
tradicionales. Con Papadakis (1937) se inicia la
metodología que propone ajustes mediante el



VECINO MAS CERCANO (VC) usando parcelas
tratadas. Papadakis usa como covariable los
desvíos de las parcelas vecinas con relación a
la media de sus respectivos tratamientos; este
método es relativamente válido pero no muy
eficiente. Seguidamente, Bartlett (1978)
reexaminó las propiedades teóricas del modelo
de Papadakis, en términos de modelos de vecino
mas cercano de la forma autoregresiva simétrica
y entonces, sugiere el uso de un proceso iterativo
en la aplicación del método de Papadakis, esto
es, utilizar la covariable propuesta por este autor,
pero corrigiendo las medias de los tratamientos
y generar una covariable nueva representada
por los desvíos de las parcelas vecinas con
respecto a las medias corregidas de los
tratamientos. Este proceso se repite
iterativamente hasta que no haya diferencias
apreciables entre los sucesivos ajustes. Este
método resultó mas eficiente, pero presentaba
un sesgo positivo en el valor de F del análisis
correspondiente, era menos válido y no era
robusto.

A continuación, aparece el trabajo de Wilkinson
et al (1983) con el Análisis del Vecino más
cercano en experimentos de campo. Se basa
en un modelo de tendencia suave con error
independiente aplicable en varias áreas,
especialmente en los ensayos varietales usados
en fitomejoramiento. Su mayor ventaja consistía
en la flexibilidad en el diseño bajo un número
grande de tratamientos, pero, no presentan una
forma satisfactoria de estimar la estructura de
correlación en presencia de los efectos de los
tratamientos. De otra parte la validez y la robustez
de la metodología necesitaba mucha mas
investigación y elaboración. El método
proporciona una forma continua de control local
para el control de las gra<;lientes.

Las propuestas posteriores, especialmente las de
Williams (1986a) y Besag y Kempton (1986), de
alguna manera se parecen al trabajo de Wilkinson
et al, en el sentido de que casi todos usan alguna
forma de diferenciación de las parcelas vecinas
para eliminar las gradientes supuestas en el
terreno experimental, además casi todas se
basan en modelos de gradiente y error
independiente o variables dentro del error. Las
mayores diferencias entre estas diferentes
metodologías estaban en las técnicas de
estimación, en especial en la varianza de los
parámetros. Este hecho generó mucho
desacuerdo y ambigüedad, a pesar de ser

modelos válidos para un rango amplio de
respuestas de rendimiento y de ser mas eficientes
que los modelos clásicos.

Modelos más recientes

En 1987, Gleeson y Cullis consideran que el er-
ror de los dates de los experimentos de campo
pueden tratarse como un proceso ARIMA
(p,d,q), o sea, como un promedio móvil integrado
auto regresivo con el cual se obtienen estimadores
mas exactos de los tratamientos que los diseños
de bloques incompletos aleatorizados y permi-
ten diagnosticar los datos dependientes cuando
se trabaja con una dimensión y con parcelas y
áreas experimentales rectangulares. Sin em-
bargo, cuando las parcelas y áreas
experimentadas eran cuadrados o cuando se
presentaban gradientes bajo dos dimensiones
este modelo no era eficiente, por esta razón,
Cullis y Gleeson (1991) extienden el modelo a
dos dimensiones, usando como técnica de
estimación la misma usada para una dimensión,
es decir, la técnica de máxima verosimilitud
restringida (REML) y derivan chequeos de
diagnóstico para probar lo adecuado de los
modelos. Con 24 ensayos de uniformidad ilustran
la necesidad de los modelos de dos dimensio-
nes, a pesar de que las unidades experimentales
fueran muy rectangulares y, en comparación con
los análisis de filas mas columnas, encuentran
una ganancia potencial apreciable. Encontraron
que la mayoría de los datos de esos ensayos se
ajustaban a la subclase de modelos ARIMA (o, '
d, ' q.) X ARIMA (P2 ' d2 ' q2) con P,=P2=O y
q,=q2=O,1 yd,=d2=O,1.

Casi simultáneamente Zimmerman y Harville
(1991) elaboran su Modelo Lineal de Campo
Aleatorio (MLCA), donde tienen en cuenta en
forma directa la heterogeneidad espacial. La
rnetodotoqia es similar al análisis Kriging usado
en geoestadística para hacer predicciones
espaciales; consideran las observaciones como
el resultado parcial de una campo aleatorio. En
el MLCA la heterogeneidad espacial se visualiza
asi, la de gran escala (las gradientes) se modela
mediante una estructura de medias y la de
pequeña escala mediante una estructura de
correlación. Basados en una análisis aleatorio
de datos provenientes de ensayos de
uniformidad, encontraron que: su MLCA
proporciona estimadores mas exactos para los
contrastes entre tratamientos que los métodos
de vecino mas cercano (VC); que el método de

85



Papadakis 2 es bastante bueno; que su
metodología es bastante flexible y que puede
usarse para diferentes dimensiones en
conjunción con cualquier sistema de bloqueo sin
importar el tamaño y forma de parcela.

En la Facultad de Agronomía de Bogotá de la
Universidad Nacional de Colombia, Martínez (1992),
está trabajando en la comparación de diferentes
metodologías, con especial atención al uso de
variables regionalizadas (análisis Kriging), el
método Papadakis 2 y el modelo lineal de campo
aleatorio. A continuación se presentan algunos
resultados de ensayos realizados en Colombia en
cultivos de arroz y flores.

Variables Regionalizadas

Los investigadores pueden trabajar con variables
espacialmente dependientes mediante la teoría
de las variables regionalizadas, cuya rama mas
importante es el análisis Kriging. Este método
es excelente para analizar datos con correlación
espacial porque: 1) Es un método no sesgado;
2) Proporciona un estimativo de la varianza del valor
interpolado y esa varianza es mínima comparada
con todos los posibles métodos de estimación no
sesgados.

Cuando una variable se distribuye en el espacio
se dice que está regionalizada. Ejemplos típicos
de esas variables son: la producción de un
cultivo, la distribución de un elemento en el suelo,
el precio de los cerdos en el mercado, etc. Una
variable regionalizada es una función f(x) que
toma un valor en cada punto (sitio) x¡ con las
coordenadas Xu ' Xv ' Xw en un espacio tridi-
mensional; Xu' representa la posición del punto
en la primera dimensión, Xv' la posición en la
segunda dimensión y Xw' la posición en la tercera
dimensión. Para ilustrar, consideremos muestras
de suelos tomadas en un campo para determinar
la distribución de calcio. La localización de la
muestra puede describirse así: Xu localización
en el sentido norte-sur, Xv localización en la
dirección este-oeste y Xw profundidad. La
localización del calcio para este ejemplo se
cohsidera como una variable regionalizada tridi-
mensional. El punto (Xu ' Xv ' X) se denota median-
te Xi donde i va de 1 a n, o sea el número de
puntos u observaciones tomados. La variable
regional izada, que con frecuencia es muy irregu-
lar, posee dos características: una característica
de tipo local que es aleatoria y una característica
estructural general. Para tener en cuenta ambas

86

características se usan funciones aleatorias.
Entonces, Z(x) es un conjunto de variables
aleatorias y Z(x;) definida en cada punto del
conjunto D.

Z(x) = ( Z(x¡) para todo x¡ E O}

donde:
- Los Z(x;) están correlacionados
- La correlación entre los Z(x) depende de h
(módulo o distancia y dirección absolutas)
separando x¡ y x¡+h.

La primera etapa para la obtención de los
estimativos Kriged de las localidades consiste en
calcular un semivariograma.

Ahora bien, para evaluar cuantitativamente la
dependencia espacial de un proceso bajo estudio
debe definirse una relación funcional entre el patrón
espacial de los puntos muestreados y sus valores
observados.

La función del variograma se define como la varianza
del incremento [Z(x¡ - Z(x¡)] y se designa mediante:

Una estacionalidad de segundo orden implica que
el variograma es:

2f(h) = E[(x + h) - Z(X))2 [2)
2f(h) = V[Z(x + h) - Z(X))2

Se usa la mitad del variograma, el cual se define
como F(h) y se llama semivariograma. El

. semivariograma permite una interpretación fácil de
la variabilidad espacial.

COMPARACION DE ALGUNAS METODO-
LOGIAS USADAS PARA CONTROLAR LA
CORRELACION ESPACIAL.

Para comparar los diferentes enfoques usados
en el análisis de datos con variación espacial, se
presenta a continuación la información obtenida de
algunos experimentos llevados a cabo en Colom-
bia, Martínez (1992) (Cuadro 1).

El experimento involucró 16 tratamientos y 64
unidades experimentales, distribuidos en una red
8x8. Cada uno de los 4 cuadrados tuvo una
replicación completa. Cada replicación. se
distribuyó bajo un diseño látice 4x4. Así, el



experimento se pudo analizar como un diseño de
bloques completos aleatorizados o como un diseño
de bloques incompletos aleatorizados (Iátice).

El análisis de los residuos mostró una fuerte
evidencia de variabilidad espacial. Los datos se
volvieron a analizar mediante el ajuste hecho con
una estructura de vecino mas cercano (AVC) , con
las covariables tanto EO como NS. También se
usó el método de Mínimos Cuadrados
Generalizados (MCG) con estimadores de los
parámetros de Máxima Verosimilitud Restringida
(MVRE) para un modelo de varianza-covarianza
esférico. Los resultados sobresalientes se dan
en los Cuadros 2 y 3.

Cuadro 1. Datos usados para comparar los
análisis de bloques completos aleatorizados,
bloques incompletos (Iátice), Ajuste de Vecino
mas Cercano (AVC) y Mínimos Cuadrados
Generalizados (MCG) esféricos. REP indica
bloques completos, INC-BLK indica bloques
incompletos (Iátice), FILA y COL identifican la
posición espacial de la observación, TRT
corresponde a tratamiento y Y es la respuesta.

OBS REP INC·BLK ALA COL TRT Y

2

3
4

5
6
7
8

9
10
11
12
13
14
15
16
17 2
18 2
19 2
20 2
21 2

22 2

1
2

3
4
1
2

3
4

1
2
3
4

1
2
3
4

1
2
3
4

15,03
12,99
12,90

2

3
1

3
3

3
3
5
5

5
5
7
7
7
7

9
9
9
9
11
11

1
2
2
2
2

3
3
3
3
4
4

4
4

5
5
5
5
6
6 2

4 12,83
5 14,44
6 13,96
7 10,03
8 7,72
9 13,37
10 13,40
11 8,27
12 6,15
13 10,05
14 11,88
15 7,84
16 6,53
1 15,50
5 14,48
9 12,28
13 9,79
2 15,30
6 14,52

Cuadro 1. (Continuación)

OBS REP INC-BLK ALA COL TRT y

23 2
24 2
25 2
26 2
27 2
28 2
29 2

30 2
31 2
32 2
33 3
34 3
35 3
36 3
37 3
38 3

39 3
40 3
41 3

42 3
43 3
44 3
45 3
46 3
47 3
48 3
49 4
50 4

51 4
52 4
53 4
54 4

55 4
56 4
57 4
58 4

59 4
60 4
61 4
62 4

63 4
64 4

11"
11
13
13
13
13
15
15
15
15
2
2

2

2

4

4

4

4

6

6

6

6
8

8
8
8
10
10
10
10
12
12
12
12
14
14
14
14
16
16
16
16

6
6
7

7
7
7

8

8

8

8

2

2

2

2

3

3

3

3
4
4

4
4

5
5

5
f',

6
6
6

6
7

7

7

7

8
8

8
8

3
4
1

2
3
4
1

2

3
4

5
6
7

8

5

6

7

8

5

6

7

8
5
6
7

8

5
6
7

8

5
6
7

8
5

6
7

8
5
6
7

8

10 12,75
14 10,74
13 13,71
7 14,12
11 11,46
15 6,91
4 12,43
8 12,75
12 11,29
16 6,01

13,05
6 8,74
11 6,13
16 3,52
5 8,44
2 11,24'

15 6,62
12 9,58
9 7,79

14 9,70
3 15,72
8 10,42
13 8,76
10 13,88
7 13,02
4 11,22

15,28
14 10,04
7 9,15
12 7,03
13 10,05
2 12,94
11 7,56

8 8,83
5 10,86
10 10,15
3 11,92
16 7,91
9 8,99'
6 12,91
15 8,21
4 13,34

87



Al comparar los diferentes análisis, vale la pena
resaltar algunos hechos:

1. Debido a la variabilidad espacial varias medias
de tratamientos para el diseño BCA, no se
estiman exactamente. Por ejemplo, los
tratamientos 1, 3, 10 Y 14 tienen medias
irrealmente altas, mientras los tratamientos 11
y 16 se subestiman. Ni ellátice, ni el ajuste
llevado a cabo por el vecino mas cercano
son efectivos para controlar estos problemas.
Por ejemplo, AVC corrige la sobreestimación
del tratamiento 2, 3 Y algo la del 1°pero nada
hace para corregir el problema de los
tratamientos 1 y 14 (Cuadro 2).

Cuadro 2. Comparación de los promedios
estimados mediante cuatro métodos.

Parámetro: Método
Medias SCA') SIA AVC MCG

Tratamiento 1 14,72 15,02 15,21 14,38
Tratamiento 2 13,12 13,20 13,62 13,54
Tratamiento 3 13,56 13,53 12,90 12,94
Tratamiento 4 12,45 12,23 11,40 12,14
Tratamiento 5 12,05 12,17 12,68 12,06
Tratamiento 6 12,53 12,71 12,87 12,64
Tratamiento 7 11,58 11,51 11,51 11,16
Tratamiento 8 9,93 9,83 9,96 10,06
Tratamiento 9 10,61 10,42 10,20 10,56
Tratamiento 1O 12,55 12,44 12,35 11,61
Tratamiento 11 8,36 8,54 9,28 9,29
Tratamiento 12 8,51 8,59 8,60 9,39
Tratamiento 13 9,66 9,44 9,29 8,90
Tratamiento 14 10,59 10,52 10,68 9,74
Tratamiento 15 7,40 7,29 6,83 7,22
Tratamiento 16 5,99 6,17 6,22 6,66

11
BCA: Bloques Completos Aleatorizados
BIA: Bloques Incompletos Aleatorizados
AVC: Ajuste mediante Vecino mas Cercano
MCG: M'mimos Cuadrados Generalizados

Ellátice comparado con BCA no mejora para
nada la situación. De otro lado, el análisis de
MCG esférico sí corrige significativamente el
problema de la sub y sobre estimación.

2. Otro punto de interés tiene que ver con los
errores estándar de las diferencias entre

88

tratamientos [e.s.Idifj]. En el Cuadro 3, se
puede observar que esos errores son
considerablemente mas bajos cuando se usa
el método MCG que cuando se utilizan los
otros métodos. Adicionalmente, los tratamien-
tos 1 y 2 presentaron respuestas mas
cercanas que lo que lo hicieron el 1 y el 4 bajo
esta metodologia particular. Ahora bien, en
presencia de variabilidad espacial se espe-
raría una mejor estimación entre la diferencia
de los tratamientos 1 y 2 que entre 1 y 4.
Obsérvese que el error estándar de la
diferencia del método MCG refleja con mucha
exactitud ese hecho, tal como se puede
observar en el Cuadro 3. El e.s(dif) para el
AVC, también es diferente, pero solo en grado
pequeño. En cambio, los análisis bajo los
diseños BCA y BIA no presentan estas
diferencias.

Cuadro 3. Comparación entre las diferencia de
medias y la varianza de los estimadores de los
parámetros para los diferentes análisis.

Parámetro: Método
SCA SIA AVC MCG

Diferencias de
Tratamientos
Trt. 1 - Trt. 2 1,60 1,82 1,59 0,84
Trt. 1 - Trt. 4 2,26 2,79 3,81 2,24
Error eslandar
de la diferencia
Trt. 1 - Trt. 2 1,20 1,28 1,07 0,61
Trt. 1 - Trt. 4 1,20 1,28 1,11 0,89
Paramelros de
Varianza-covarianza
Rango n.a' n.a' n.a' n.a'
ó2 0,80 0,67 n.a' n.a'ttx,.e
ó2error 2,89 2,98 2,24 2,81

, n.a: No se puede aplicar.

3. Un tercer punto tiene que ver con los
parámetros estimados para varianza y
covarianza. Los análisis bajo BCA y BIA
involucran la estimación de la varianza de
bloques y del error (ó2b10QUey ó2."o,'
respectivamente). Estas componentes de
varianza no tienen mucho sentido dado que
el bloqueo realizado para los datos no se basó
en un criterio de variación claramente definido,
sino, solo esperando que subgrupos mas



pequeños de unidades experimentales
presentasen mayor homogeneidad que grupos
mas grandes. En electo, el valor pequeño de
62 bloque para los dos análisis (BCA y BIA) indica
que el bloqueo no lue electivo para controlar
la variación. De otra parte, los parámetros
estimados bajo el análisis MCG conllevan un
signilicado muy identilicable en el contexto
del problema: el rango es 3,05 -o sea,
unidades experimentales dentro de una
distancia de 3 presentan respuestas
correlacionadas y, a distancias mayores, se
comportan independientemente- además la
varianza es de 2,81.

Por último, el procedimiento MCG converge
bastante rápido a la solución. Acá, tomó cinco
iteraciones. Al usar procesos de simulación con
el modelo eslérico, con 10 iteraciones la
convergencia se presentó en el 75% del tiempo
y con 20 iteraciones en el 95%. Con 50
iteraciones ningún conjunto de datos dejó de
converger. El proceso se implementó en un
computador Mainlrame via SAS-IML y en un PC
con GAUSS (Aptech Systems, 1988).

LITERATURA CITADA

1. Aptech Systems. 1988. GAUSS Version 2.0
System and Graphics Manual, Aptech Sys-
tems, INC, Kent, WA.

2. Bartlett. M. S. J. 1938. Agric. Sci. 38,418-427.

3. .1978. J. Royal Statistical Society, B.
40, 147-174.

4. Besag, J. y Kempton, R. 1986. Statistical analy-
sis 01 lield experiments using neighbouring
plots. Biometrics 42, 231-251.

5. Box, G. E. P. y Pierce, D. A. 1970. Distribution
01 residual autocorrelations in
autoregressive integrated moving average
time series models. Journal 01 American
Statistical Association 65, 1509-1524.

6. Cullis, B. R. Y Gleeson, A. C. 1989. The elli-
ciency 01 neigbour analysis lor replicated
variety tri als in Australia. Journal 01 Agri-
cultural Science, Cambridge 113,233-239:

7. . 1991. Spatial analysis 01 lield
experimenls - An exlension lo two dimen-
sions. Biomelrics 47, 1449-1460.

8. Gleeson, A. C. y Cullis, B. R. 1987. Residual
maximum like lihoodod (REML) estírnation 01
a neigbour model lor lield experimenls. Bio-
rnetrics 43, 277-288.

9. Harville, D. A. 1977.J. ollhe Amer. SIal. Assoc.
72, 320-338.

10. Kemplon, R. A. 1985. Comparison 01 nearest
neighbour and classical melhods 01 anal y-
siso Biomelric Society Workshop on Spalial
Melhods in Field Experimenls, R. A. Kemplon
(ed.), 51-52. Durham: University 01 Durham.

11. Kempton, R. A. Y Howes, C. W. 1991. The
use 01 neighbouring plol values in Ihe analy-
sis 01 variety Irials. Applied Statistics 30,
59-70.

12. Malheron, G. 1962-1963. Traile de
Géoslalislique Appliquee, Vols 1 y 2, Technip,
París.

13. . 1965. Les Variables Regionalisees et
leur Estirnation. Masson, Paris.

14. Martínez, R. 1993. Control de la Correlación
Espacial en Diseños de Experimentos. En
Simposio de Estadistica-Untversidad
Nacional de Colombia.

15. Papadakis, J. S. 1937. Bull, lnst. Amél. Planles
a Salonique, No. 23.

16. Williams, E. R. Y Luckell, D. J. 1988. The use
01 unilormity dala in Ihe design and analysis
01 cotton and barley variely Irials. Austra-
lian Journal 01Agricullural Research 39,339-
350.

17. Zimmerman, D. L. Y Harville, D. A. 1991. A
random lield approach to Ihe analysis 01
field-plol experimenls and olher spatial ex-
perimenls. Biomelrics 47,223-240.

89