FACTORES
RELACIONADOS CON EL INGRESO POR HECTÁREA DEL SISTEMA VACA-TERNERO, PANAMÁ[1]
Pedro Guerra-Martínez[2]; Carlos I. Martínez-Delgado[3]; José L. Bernal-Rosas[4]; María M. De Gracia-Victoria[5]; Olegario Ibarra-Guerra5
RESUMEN
El objetivo fue evaluar los factores que determinan
el ingreso bruto por hectárea (Iha) en el sistema vaca-ternero. Se aplicó una
encuesta estructurada a 20 pequeños ganaderos de ASOPEGA (Gualaca, Chiriquí).
Las variables seleccionadas fueron: kilogramos de ternero destetado por vaca
expuesta a toro (Kgvet), kilogramos de ternero vendido (Kgtrnvnd), unidad
animal por hectárea (UAha), área de finca (Areafca), tasa de descarte
(Tasadsc), kilogramos de ternero destetado por hectárea de pastura (Kghapast),
tamaño del hato (Tamhato), cosecha de terneros (Cosecha) y número de vaca
(Numvaca). La selección de las variables se basó en un análisis de correlación
de Pearson. Los datos se analizaron a través del Análisis de Sendero basado en
ecuaciones estructuradas. Se propusieron tres modelos hipotetizados. El modelo
se seleccionó de acuerdo con criterios estadísticos preestablecidos. El tercer
modelo fue seleccionado. Las mayores correlaciones fueron entre Kgtrnvnd vs.
Kgvet (r=0,93***); Tamhato vs. Numvaca (r = 0,90***) y Tamhato vs. Areafca (r =
0,67***). Los efectos directos de Kgtrnvnd y UAha en Iha fueron 0,477 ± 0,140 y 0,532 ± 0,134, respectivamente. El efecto directo de Kgvet
en Kgtrnvnd fue 0,928 ± 0,024; de Numvaca y Areafca en UAha fueron 0,982 ± 0,184 y -0,988 ± 0,183, respectivamente. El efecto directo de
Tamhato en Numvaca fue 0,902 ± 0,043. El efecto indirecto en Iha de Kgvet a
través de Kgtrnvnd fue 0,522 ± 0,134 y de Numvava y Areafca a través UAha fueron
0,522 ± 0,163 y -0,525 ± 0,156, respectivamente. El efecto indirecto de
Tamhato en Iha a través de Numvaca, y UAha fue 0,471 ± 0,156. El análisis de sendero resultó una buena
herramienta metodológica para la investigación y predicción en sistemas de
fincas ganaderas al determinar estadísticamente los factores que inciden en el
Iha.
Palabras clave: Análisis
de sendero, correlaciones, ingreso por hectárea, regresión múltiple, sistema vaca-ternero.
RELATED FACTORS WITH THE INCOME PER HECTARE OF THE
COW-CALF SYSTEM, PANAMA
ABSTRACT
The objective was to evaluate the factors that
relate to the gross income per hectare (Iha) in the cow-calf system. It was
applied a structured survey to 20 small cattlemen of ASOPEGA (Gualaca,
Chiriquí). Selected variables were kilograms of weaned calf per exposed cow to
bull (Kgvet), kilograms of sold calf (Kgtrnvnd), stocking rate (UAha), farm
size (Areafca), discard rate (Tasadsc), kilograms of weaned calf per pasture
hectare (kghapast), herd size (Tamhato), calf crop (Cosecha), and number of
cows (Numvaca). Selection of variables were based on a Pearson correlation
analysis. Data was analyzed by a path analysis based on structural equations.
There were three proposed hypothesized models. Model was selected according to
pre-established statistical criteria. The third model was selected. Highest
correlations were between Kgtrnvnd vs. Kgvet (r = 0,93***); Tamhato vs. Nmvaca
(r = 0,90***), and Tamhato vs. Areafca (r = 0,67***). Direct effects of
Kgtrnvnd and UAha on Iha were 0,477 ± 0,140 and 0,532 ± 0,134, respectively.
Direct effect of Kgvet on Kgtrnvnd was 0,928 ± 0,024; Numvaca and Areafca on
UAha were 0,982 ± 0,184 and -0,988 ± 0,183, respectively. Direct effect of
Tamhato on Numvaca was 0,902 ± 0,043. Indirect effect of Tamhato on Iha through
Numvaca and UAha was 0,471 ± 0,156. Path analysis resulted in a good
methodological tool for research and prediction of cow farm systems to
determinate statistically factors that influence on the Iha.
Keywords: Correlations, cow-calf system, income per hectare,
multiple regression, path analysis.
INTRODUCCIÓN
El éxito del sistema vaca-ternero depende de la genética del hato, el
manejo, recursos logísticos y el medio ambiente. En la genética se incluye la
composición racial del hato, el manejo incluye el sistema de alimentación, plan
sanitario, plan reproductivo, administración de los recursos y toma de
decisión. Los recursos logísticos incluyen la mano de obra, capital disponible
y tierra. Por otra parte, el medio ambiente se refiere a las condiciones
climáticas donde interactúa el bovino, influenciadas por la precipitación,
humedad relativa, velocidad del viento, temperatura ambiental y radiación
solar.
En un ambiente climatológico favorable, con una buena base genética del
hato y un eficiente manejo de los recursos y acertadas decisiones se puede
obtener un producto en cantidad y de alta calidad que incidirá en el ingreso de
la finca. Por lo tanto, la eficiencia bioeconómica de un sistema o subsistema
de producción depende de la cantidad y calidad del producto producido y su valoración
económica dada por la demanda (interna y externa) por unidad de área de la
finca.
La ejecución del Estudio del Mejoramiento de los Sistemas Doble
Propósito de Panamá (1980-1990) auspiciado por el Centro Internacional de
Investigación y Desarrollo (CIID) de Canadá y el Instituto de Innovación
Agropecuaria de Panamá (IDIAP) ha sido la única experiencia exitosa en Panamá
de la investigación-innovación en colaboración de pequeños y medianos ganaderos
de Chiriquí (Gualaca y Bugaba), Veraguas (Soná[6]) y Los Santos (Los Santos) bajo el enfoque de sistema (IDIAP-CIID,
1991).
A través del estudio del
Sistema Doble Propósito en su fase Tradicional[7] (EST) y posteriormente en su fase
Mejorada[8] (ESM) se logró medir el impacto
de las tecnologías IDIAP que fueron introducidas en esta última fase de
estudio. Al comparar ambas fases, se observó que las características
productivas, reproductivas, de salud y económicas fueron mejoradas
significativamente. Las características que más llamaron la atención
fueron: el Margen Bruto promedio, resultando B/. 173,80/ha y de B/. 258,10/ha
en el EST y el Ingreso Neto en Efectivo con B/. 145,00/ha en el EST y de B/.
161,70/ha en el ESM (IDIAP-CIID, 1991).
El análisis de sendero (AS) (Path Analysis) es una
herramienta matemática la cual es utilizada para examinar la relación
causa-efecto entre variables independientes y dependientes (Tyasi et al.,
2018). Se ha utilizado en diferentes ciencias como: sociales (Chaitanya et al.,
2024), agricultura (Bondari, 1990), genéticas (Wright, 1932), desarrollo
corporal del bovino Criollo Ngumi (Tyasi et al., 2020), de ovinos Dorper
(Molabe and Tyasi, 2021), ovinos y caprinos (Okkyla et al., 2014; Temoso et
al., 2017), producción de leche bovina (Sherman et al., 2020), educacionales
(Lleras, 2005) y economía agrícola (Xiao et al., 2015), entre otras. Este es un
método que permite evaluar el ajuste de modelos teóricos en los que se proponen
un conjunto de relaciones de dependencia entre variables (Pérez et al., 2013).
Batista-Foguet y Coendres-Gallart (2000) indican que este método no prueba la
casualidad, sino que solo ayuda a seleccionar o inferir entre hipótesis
causales.
Se ha asumido que el Iha está relacionado por los kilogramos de terneros
destetados por vaca expuesta a toro (Kgvet), kilogramos de terneros vendidos
(Kgtrnvnd), la carga animal (UAha), área de la finca (Areafca), tasa de
descarte (Tasadsc), kilogramos por hectárea de pasturas (Kghapast), tamaño del
hato (Tamhato) y cosecha de teneros (Cosecha). Sin embargo, ningún estudio se
ha realizado en relacionar estadísticamente estas variables con el Iha del
sistema vaca-ternero de Panamá. Por lo tanto, el objetivo en construir un
modelo con ecuaciones estructurales es encontrar uno que ajuste,
suficientemente bien, los datos para servir como una útil representación de la
realidad.
MATERIALES Y MÉTODOS
Área de estudio: El estudio se realizó en el distrito de Gualaca, provincia de Chiriquí
(Figura 1). La zona pertenece al ecosistema Bosque Húmedo Tropical y Bosque
Húmedo Pre-Montano de acuerdo con Holdrigde (1979). Las localidades fueron:
Paja de Sombrero y Los Ángeles.
Fuente de datos: Los datos provienen de una encuesta cara a cara realizada a 20 pequeños
ganaderos de la Asociación de Pequeños Ganaderos de Paja de Sombrero (ASOPEGA)
del distrito de Gualaca, Chiriquí en el año 2022.
Modelos
hipotetizados: Para este estudio se
propusieron los siguientes modelos hipotetizados (Figura 2).
Las variables exógenas son aquellas cuya
causa es externa al modelo y cuyo rol es explicar otras variables o productos,
de acuerdo con Lleras (2005); mientras que las variables endógenas son
aquellas que son causadas por una o más variables dentro del modelo. Las
variables intervinientes son aquellas que causan y son causadas por
otras variables dentro del modelo. Los residuales (ei) son llamadas las variables latentes y son encerradas en
círculos; también son exógenas independientes, normalmente distribuidos
con media cero y no están correlacionados con otras variables.
Variables
en estudio: En el Modelo 1, las
variables exógenas son: Cosecha, Areafca, Tasadsc, Kghapast, Kgtrnvnd y
Tamhato; las variables endógenas fueron: Iha y errores o residuales (ei);
las variables intervinientes fueron: UAha y Kgvet. En el Modelo 2, las
variables exógenas fueron: Tasadsc, Kghapast, Cosecha, Tamhato y Areafca. Las
variables intervinientes fueron: Kgtrnvnd y UAha y las variables endógenas
fueron Iha y el error o residual (ei). En el Modelo 3, las
variables exógenas fueron: Kgvet, Tamhato y Areafca, las variables
intervinientes fueron Numvaca, UAha y Kgtrnvnd y las variables endógenas
fueron: Iha y error o residual (ei).
Análisis
de datos: La información obtenida de
las encuestas fue analizada a través del Análisis de Sendero (Path Analysis) de
acuerdo con Wright (1934) y Li (1975), el cual evaluará el ajuste de los
modelos teóricos en los que se proponen un conjunto de relaciones de dependencia
entre variables (Pérez et al., 2013). De acuerdo con Lleras (2005), los
Coeficientes de Senderos (Ryxi) son coeficientes
parciales de regresión estandarizados en puntaje-z utilizados para comparar
relativamente la magnitud de los efectos de las diferentes variables, donde У es la variable producto (endógena o interviniente) y xi es la variable causal (interviniente o exógena). Para la significancia
de los efectos se obtuvieron a través de la prueba de radio crítico (dividir
los coeficientes no estandarizados por el error estándar) en donde valores de z
superiores a 1,96 indican un efecto significativo a P<0,05 (Weston and Gore,
2006). Para nuestros modelos, los coeficientes de senderos se calcularon
siguiendo los procedimientos de Molabe y Tyasi (2021) y Norris et al. (2015):
Dónde: Ryxi = es el coeficiente de
sendero de la variable endógena o interviniente (y) en la variable causal Xi; bi = coeficiente parcial de regresión; Sxi = desviación estándar de Xi; Sy = desviación estándar de y.
El estadístico-t de regresión múltiple es usado
para probar la significancia del coeficiente de sendero. Los efectos directos
son aquellos que van directamente de una variable a otra (Ryxi) y los efectos indirectos son aquellos que ocurren cuando la relación
entre dos variables es mediada por una o más variables. De acuerdo con Lleras
(2005), la magnitud se mide al tomar el producto de los coeficientes de
senderos, a lo largo del sendero, entre dos variables casualmente relacionada.
Para el caso de una serie de juegos de variables exógenas (xi’), intervinientes (xi) y otra exógena (y)
sería:
EIYXi’ = SRyxi x Rxixi´
A través de la correlación entre
dos variables (Xi y Xj) sería:
EIYXi = rXiXjRYXj
Dónde: EIYXi = efecto indirecto de Xi vía Xj en Y; rxixj = coeficiente de correlación entre las variables ith y jth; Ryxj = coeficiente de sendero indicando el efecto directo de la jth variable.
Ecuaciones
estructurales: De acuerdo con Lleras
(2005), el método analítico de sendero sigue las asunciones usuales de la
regresión ordinaria por mínimo cuadrado. Todas las relaciones mostradas en la
Figura 2 son asumidas ser lineales, aditivas y causales. Por lo tanto, los modelos
pueden ser especificados por una serie de senderos o ecuaciones estructurales
que describen la relación directa causal entre variables. Estas ecuaciones
estructurales fueron analizadas por mínimos cuadrados (Draper & Smith,
1981). En este estudio el nivel de alfa escogido fue 0,10.
Las ecuaciones estructurales de cada modelo son las siguientes:
Modelo 1:
Iha = b1Kgvet
+ b2UAha + e1 (1)
UAha = b3Cosecha
+ b4Areafca + e2 (2)
Kgvet = b3Areafca + b5Tasadsc
+ b6Kghapast + b7Kgtrnvnd + b8Tamhato + e3 (3)
Modelo 2:
Iha = b1Kgtrnvnd
+ b2UAha + e1 (4)
Kgtrnvnd = b3Tasadsc
+ b4Kghapast + b5Cosecha + e2
(5)
UAha = b6Tamhato
+ b7Areafca + e3 (6)
Modelo 3:
Iha = b1Kgtrnvnd
+ b2UAha + e1 (7)
Kgtrnvnd = b3Kgvet
+ e2 (8)
UAha = b4Numvaca
+ b5Areafca + e3 (9)
Numvaca = b6Tamhato
+ e4 (10)
Con estos modelos se
procede a la estimación de los valores de los parámetros especificados a partir
del análisis estructural de las varianzas y covarianzas muestrales. Se utilizó
el método de estimación de máxima verosimilitud de acuerdo con Pérez et al. (2013).
Evaluación de ajuste del
modelo: Esta evaluación tiene por objeto determinar si las
relaciones entre las variables del modelo reflejan adecuadamente las relaciones
observadas de los datos (Weston & Gore, 2006). De acuerdo con estos
autores, la evaluación del ajuste se debe dar en términos de (a) magnitud y
significancia de los parámetros estimados, (b) varianza explicada por las
variables, y (c) ajuste del modelo a los datos. Siguiendo a Bentler, (1995) y
Byrne, (2001) se utilizaron los siguientes indicadores de ajuste del modelo:
Chi-Cuadrado del modelo independiente (c2); raíz
cuadrada media residual estandarizada (SRMR), índice de bondad de ajuste (GFI),
GFI ajustado (AGFI), GFI de parsimonia (GFIP), raíz cuadrada media del error de
aproximación (RMSEA), criterio de información de Akaike o AIC (Akaike, 1987),
índice de ajuste comparativo (CFI), índice de ajuste normalizado (NFI) y ajuste
por parsimonia[9] (PNFI).
RESULTADOS Y DISCUSIÓN
La mayor variación (CV) se encontró en la Tasadsc, seguida de Kghapast,
Kgvet y Kgtrnvnd con 133,5%, 190,9%, 101,5% y 99,5%, respectivamente. Sin
embargo, el menor CV fue el reportado en Cosecha (13,6%). Además, las
correlaciones de Pearson entre las variables en estudio están detalladas en el
Cuadro 1.
Las más altas correlaciones fueron encontradas entre Kgtrnvnd vs Kgvet
(0,93; P<0,01***), seguida por Numvaca vs Tamhato (0,90; P<0,01), Tamhato
vs Areafca (0,67; P<0,01), UAha vs Iha (0,63; P<0,01). A excepción de la
correlación entre Kgtrnvnd vs Kgvet, y Numvaca vs Tamhato, el resto de las
correlaciones están por debajo del límite de 0,85 que señala Pérez et al.
(2013) de no presentar problemas de multicolinealidad que permita sobrestimar
las varianzas de las variables correlacionadas (Cuadro 2).
Los modelos de las ecuaciones estructurales
analizadas por mínimos cuadrados del Modelo 1 se presentan a continuación:
Modelo 1.
Iha = -15,827±22,171ns + 2,918±0,906***Kgvet + 68,770±18,765***UAha (1)
R2aj
= 0,581; CV = 56,1%
UAha = 2,717±0,894*** - 0,016±0,010*Cosecha – 0,003±0,002*Areafca (2)
R2aj
= 0,211; CV = 54,9%
Kgvet = 2,195±2,279ns – 0,003±0,042nsTasadsc + 0,025±0,049nsKghapast + 0,036±0,005***
Kgtrnvnd – 0,021±0,020nsTamhato (3)
R2aj
= 0,841; CV = 40,5%
En la ecuación (1), ambas variables
independientes fueron (P<0,01) diferentes de cero, aunque el intercepto no
fue así (P>0,10). Sus R2aj y CV son moderados. En la
ecuación (2), el intercepto fue P<0,01, pero las variables Cosecha y Areafca
tuvieron significancia al P<0,10; pero, su R2aj fue
relativamente bajo y CV moderado. Por otra parte, en la ecuación (3), solamente
la variable dependiente Kgtrnvnd resultó P<0,01, el resto no fue
significativo (P>0,10). Sin embargo, la R2aj fue de
las más altas (0,841), y bajo CV (40,5%).
Los coeficientes de sendero y sus errores estándares, de los cuales
resultaron, altamente significativo (P<0,01) los senderos Iha Ü UAha, Iha Ü Kgvet y
Kgvet Ü Kgtrnvnd. Con una significancia al 5% resultaron los senderos UAha Ü Cosecha y
UAha Ü Areafca. El resto de los senderos no fueron significativamente
diferentes de cero (P>0,10). La variable UAha tuvo un efecto directo mayor
(0,547±0,129) sobre Iha, mientras que la diferencias en efecto directo de
Cosecha y Areafca sobre UAha fueron bastante similares y significativos al 10%
de probabilidad. Se resalta para la variable dependiente Kgvet, la variable
independiente Kgtrnvnd fue la que mostró mayor efecto directo (0,876±0,082;
P<0,01) (Cuadro 3).
Los efectos indirectos de Cosecha y Areafca sobre Iha a través de UAha
fueron muy similares y ambos con P<0,10 (Cuadro 4). Además, con efecto
P<0,01, la variable tiene un efecto indirecto marcado sobre Iha a través de
Kgvet (0,421±0,120). El resto de las variables no mostraron significancia alguna
(P>0,10).
Las ecuaciones estructurales del Modelo 2 se detallan a continuación con
sus respectivos coeficientes e interceptos.
Modelo 2.
Iha = -14,660±22,529ns + 0,117±0,038***Kgtrnvnd + 67,809±9,177***UAha
R2aj
= 0,566; CV = 57,1% (4)
Kgtrnvnd = 246,261±434,886ns +
3,532±1,884*Tasadsc + 4,411±2,197*Kghapast - 1,057±4,483ns
Cosecha
R2aj
= 0,341; CV = 80,8% (5)
UAha = 1,045±0,154*** + 0,008±0,002***Tamhato – 0,009±0,002***Areafca
R2aj
= 0,478; CV = 44,7% (6)
En el Modelo 2, tomando en cuenta la ecuación (4),
en Iha, las dos variables independientes, Kgtrnvnd y UAha fueron P<0,01 y
diferentes de cero; sin embargo, el intercepto no resultó estadísticamente
significativo. Tanto en R2aj (0,566) como el CV (57,1%)
fueron moderados, quedando aun mucha variabilidad en los datos por explicar.
Con respecto a la ecuación (5), en la variable dependiente Kgtrnvnd, Tasadsc y
Kghapast fueron significativas a P<0,10, pero el intercepto y la variable
Cosecha no resultaron significas (P>0,05). El R2aj resultó
bajo (0,341), pero su CV fue alto (80,8%). En la ecuación (6), tanto el
intercepto como las variables independientes Tamhato y Areafca fueron altamente
significativos (P<0,01). Sin embargo, el R2aj (0,478)
y CV (44,7%) fueron moderados. También hay mucha variabilidad en los datos por
explicar.
El efecto directo de UAha sobre Iha fue 15,2% mayor al de Kgtrnvnd, pero
ambos fueron altamente significativos diferentes a cero (P<0,01) (Cuadro 5).
Con respecto a Kgtrnvnd el efecto directo de Kghapast fue 9,7% mayor al efecto
directo de Tasadsc y ambos fueron significativos al 10%. Por otra parte, el
efecto directo de Cosecha fue mucho menor (P>0,10) y negativo. Para la
variable independiente UAha, ambas variables independientes, Tamhato y Areafca
mostraron los mayores efectos directos y altamente significativos, solo que el
efecto directo de UAha Ü Areafca fue negativo.
Los efectos indirectos de Tasadsc y Kghapast sobre Iha a través de
Kgtrnvnd fueron bajos y significativos a P<0,10, siendo el efecto de Kghapast
9,8% mayor que el de Tasadsc (Cuadro 6). Con respecto a los efectos indirectos
de Tamhato y Areafca sobre Iha a través de UAha, ambos fueron moderados y
altamente significativos (P<0,01). Areafca mostró un efecto indirecto
negativo (-0,528±0,168).
Las ecuaciones estructurales que componen el Modelo
3 se detallan a continuación:
Modelo 3.
Iha = -14,660±22,529ns + 0,117±0,038***Kgtrnvnd + 67,809±19,177***UAha
R2aj = 0,566; CV = 57,1% (7)
Kgtrnvnd = 27,118±36,230ns +
22,518±2,134***Kgvet
R2aj = 0,853; CV = 38,1% (8)
UAha = 0,727±0,121*** + 0,028±0,004***Numvaca – 0,009±0,001***Areafca
R2aj = 0,763; CV = 30,1% (9)
Numvaca = 10,100±3,048*** + 0,312±0,035***Tamhato
R2aj = 0,803; CV = 29,1% (10)
En la ecuación (7), las variables Kgtrnvnd y UAha
resultaron altamente significativas (P<0,01) en Iha, pero no así el
intercepto (P>0,10). Su R2aj y CV fueron moderados con
0,566 y 57,1%, respectivamente. Al tomar en cuenta la ecuación (8), la variable
independiente Kgvet fue significativamente (P<0,01) influyente en Kgtrnvnd,
pero su intercepto no (P>0,10). Además, su R2aj fue
alto (0,853) y su CV fue relativamente bajo (30,1%). En la ecuación (9), UAha
fue influenciada significativamente (P<0,01) por Numvaca y Areafca; además
de su intercepto. Su R2aj fue alto (0,763) y su CV fue
bajo (30,1%). Finalmente, en la ecuación (10) se aprecia la altamente
significativa (P<0,01) influencia de Tamhato sobre Numvaca y la alta
significancia del intercepto. Su R2aj fue alto con 0,803
y su CV fue bajo con 29,1%.
Los efectos directos medidos a través del
coeficiente de sendero del Modelo 3 se detallan en el Cuadro 7. Los efectos
directos de Kgtrnvnd y UAha sobre Iha fueron moderadamente significativos
(P<0,01) con una ligera ventaja de 11,5% de Iha Ü UAha. Además, el efecto directo de Kgtrnvnd Ü Kgvet fue alto y altamente significativo
(P<0,01). Los efectos directos de UAha Ü Numvaca y UAha Ü Areafca fueron altos y muy significativos
(P<0,01), pero este último tuvo un efecto directo negativo. El efecto
directo de Numvaca Ü Tamhato fue alto y de alta significancia.
Los efectos indirectos de Kgvet sobre Iha a través
de Kgtrnvnd fue moderado y altamente significativo (P<0,01). Similarmente,
los efectos indirectos de Numvaca y Areafca sobre Iha a través de UAha también
fueron moderados y significativos (P<=0,01), aunque el efecto indirecto de
Areafca fue negativo (-0,525±0,156). El efecto indirecto de Tamhato sobre Iha a través de Numvaca
también fue moderado y altamente significativo (P<0,01) (Cuadro 8).
La evaluación de ajuste, de acuerdo con Weston
& Gore (2006), tiene por objeto disminuir si las relaciones entre las
variables del modelo estimado reflejan adecuadamente las relaciones observadas
en los datos. Los criterios recomendados por Pérez et al. (2013) para evaluar
la bondad de ajuste de los modelos que se presentan en el Cuadro 9. Se observa
que el Modelo 3 presenta mayor valor de c2 y es altamente significativo (Cuadro 9). También los índices de bondad
de ajuste no corregido y corregido son altos y el índice de bondad de ajuste
por parsimonia está más próximo a 1,0. Por otra parte, la raíz del residuo
cuadrático medio estandarizado es el más próximo a cero y la raíz cuadrada
media del error de aproximación es cero. Además, el criterio de información de
Akaike o AIC es el menor y los índices de ajuste normalizado y corregido por
parsimonia con es próximo a P>0,95 y próximo a 1,0, respectivamente.
Tomando en cuenta los criterios del Cuadro 9, las
significancias de las variables independientes de las ecuaciones estructurales
del Modelo 3 y de los interceptos de las ecuaciones (9) y (10); así como de la
significancia moderada a alta de los efectos directos de las variables
intervinientes y efectos directos e indirectos de las variables exógenas, este
Modelo es el que mejor se ajusta a los datos y mejor determina las variables
que influyen directa e indirectamente en el Iha del sistema vaca-ternero del
grupo ASOPEGA. La Figura 3 es representativa de las variables que determinan el
Iha del sistema vaca-ternero de pequeños ganaderos de ASOPEGA.
La literatura es muy escaza en este tipo de
estudio, por lo que el presente trabajo es un pionero para el desarrollo de
futuras investigaciones.
CONCLUSIONES
· El presente estudio permitió determinar la relación
entre el ingreso por hectárea (Iha) con características zootécnicas y de la
finca ganadera del sistema vaca-ternero utilizando correlaciones de Pearson y
el análisis de sendero.
· Las ecuaciones predictivas podrían servir como
herramienta predictiva para los ganaderos con características similares a los
de ASOPEGA.
· Mejorar la carga animal de la finca (UAha) y los kilogramos
de ternero destetados vendidos (Kgtrnvnd) podría llevarnos a un aumento directo
en el Iha.
· Mejorar los kilogramos de terneros destetados por vaca
expuesta a toro (Kgvet) mejoraría los Kgtrnvnd.
· Mejorar Tamhato aumentaría el número de vacas
(Numvaca) y esta a su vez aumentaría la UAha.
· Aumentar el área de la finca (Areafca) no mejoraría la UAha
e indirectamente a Iha.
REFERENCIAS
Akaike, H. (1987). Factor analysis and AIC. Psychometrika, 52, 317-332. http://cda.psych.uiuc.edu/psychometrika_highly_cited_articles/akaike_1987.pdf
Batista-Foguete,
J. M., & Coenders-Gallard, G. C. (2000). Modelos de Ecuaciones
Estructurales. La Muralla, S.A. Madrid, España.
Bentler, P. M. (1995). Structural equations program manual.
Multivariate Software, Inc. Encino, CA.
Bondari, K. (April 29 through May 1, 1990). Path analysis in
agricultural research. [Conferencia invitada]. 2nd Annual
Conference on Applied Statistics in Agriculture. Kansas States University,
Manhattan, Kansas. https://doi.org/10.4148/2475-7772.1439
Byrne, B. M. (2001). Structural equation modeling with AMOS: Basic
concepts, applications, and programing. Lawrence Erlbaum. Mahwah, NJ.
Chaitanya, G., Tevari, P., & Hanumanthappa, D. (2024). Path
analysis: an overview and its application in social sciences. International
Journal of Agriculture Extension and Social Development, 7(4), 299-303. https://www.extensionjournal.com/article/view/556/7-4-54
Draper, N. R., & Smith, H. (1981). Applied regression analysis.
2nd Edition. John Wiley and sons. New York, NY.
Holdridge, L. R. (1979). Ecología basada en zonas de vida. 3rd Ed. Trd.
Jiménez Saa, Humberto. Instituto Interamericano de Ciencias Agrícolas (IICA).
San José, Costa Rica. https://repositorio.iica.int/handle/11324/7936
Instituto de Investigación Agropecuaria de Panamá y Centro Internacional
de Investigación para el Desarrollo (1991). Proyecto Estudio de sistemas de
producción doble propósito (leche y carne) en pequeñas y medianas fincas de
Panamá. Informe Final. IDIAP-CIID. Gualaca, Chiriquí. Panamá. 145p.
Li, C. C. (1975). Path analysis. A primer. The Boxwood Press. Pacific Grove, CA.
Lleras, C. (2005). Path analysis. Encyclopedia of Social
Measurement, 3, 25-30. https://doi.org/10.1016/B0-12-369398-5/00483-7
Molabe, K. M., & Tyasi, T. L. (2021). Application of biometric
traits for predicting weaning weight of Dorper Shep using path analysis. International
Journal of Veterinary Science, 10(4),
335-339. https://www.cabidigitallibrary.org/doi/pdf/10.5555/20210435291
Norris, D., Brown, D., Moela, A. k., Selolo, T. C., Mabelebele, M.,
Ngambi, J. W., & Tyasi, T. L. (2015). Path coefficient and path
analysis of body weight and biometric traits in indigenous goats. Indian
Journal of Animal Research, 49,
573-578. https://research.biust.ac.bw/en/publications/path-coefficient-and-path-analysis-of-body-weight-and-biometrie-t
Okkyla, S., Dwijatmiko, S., & Kurnianto, E. (2014). Path analysis of
recording system innovation factors affecting adoption of goat farmers. Journal
Indonesian Tropical Animal Agriculture,
39(1), 58-64. https://ejournal.undip.ac.id/index.php/jitaa/article/view/7379
Pérez, E., Medrano, L. A., & Sánchez-Rosas, J. (2013). El Path
Analysis: conceptos básicos y ejemplos de aplicación. Revista Argentina de
Ciencias del Comportamiento, 5(1),
51-66. https://revistas.unc.edu.ar/index.php/racc/article/view/5160/5325
Sharma, R., Chaudhary, J. K., Shymsana-Singh, N., Tolenkhomba, T. C.,
Kalita, G., Mayengbam, P., Lalramliana, A., & Hada, R. (2020). Path
analysis of effective factors affecting milk yield of crossbred dairy cattle by
using structural equation modeling (SEM). International Journal of Livestock
Research, 10(10), 169-174. https://www.researchgate.net/publication/346051523
Temoso, O., Coleman, M., Baker, D., Morley, P., Baleseng, L.,
Makgekgenene, A., & Bahta, S. (2017). Using path analysis to predict
bodyweight from body measurements of goats and sheep of communal rangelands in
Botswana. Suth African Journal of Animal
Science, 47(6), 854-863.
https://www.ajol.info/index.php/sajas/article/view/162644
Tyasi, T. L., Mathyne, N. D., Danguru, L. W., Rashijane, L. T., Mokoena,
K., Makgowo, K. M., Mathapo, M. C., Molabe, K. M., Bopape, P. M., &
Maluleke, D. (2020). Correlation and path analysis of body weight and biometric
traits of Nguni cattle breed. Journal of Advanced Veterinary and Animal
Research, 7(1),148-55. https://www.bibliomed.org/mnsfulltext/39/39-1575102777.pdf?1731610915
Weston, R. W., & Gore Jr, P. A. (2006). A brief guide to structural
equation modeling. The Counseling Psychologist, 34, 719-751. https://www.researchgate.net/publication/258192143_A_Brief_Guide_to_Structural_Equation_Modeling
Wright, S. (1934). The method of path coefficients. The Annals of
Mathematical Statistics, 5,161-215.
https://fitelson.org/269/Wright_PC.pdf
Xiao, Y., Cui, Y., & Hu, L. (2015). The path analysis of
farmer´s income structure in Yunnan Province. Asian Agricultural Research, 7(2), 47-49. https://ageconsearch.umn.edu/record/202103/files/11.PDF