¿Cómo corregir la heterocedasticidad y autocorrelación de residuales en modelos de ahusamiento y crecimiento en altura?

Resumen: En la modelación del ahusamiento y del crecimiento en altura dominante con datos de series de tiempo, es muy común la presencia de heterocedasticidad y autocorrelación de los errores. Funciones de varianza (varFunc) y estructuras de correlación (corStruct) para corregir la heterocedasticidad y modelar dependencia de los errores, respectivamente. Estas fueron combinadas y evaluadas en ecuaciones de ahusamiento y crecimiento en altura de Pinus teocote en Durango, México. La base de datos se obtuvo de 51 análisis troncales con 768 observaciones de ahusamiento y 634 de altura. Las varFunc utilizadas fueron: 1) función de potencia (varPower); 2) función exponencial (varExp); 3) función constante y de potencia (varConstPower); y 4) función combinada de potencia y exponencial (varComb). Las corStruct incluyeron: simetría compuesta (corCompSymm), autorregresiva de orden 1 (corAR1), autorregresiva continua (corCAR1), autorregresiva de media móvil (corARMA2-0), corARMA1-1, corARMA2-1, corARMA2-2, corARMA3-1 y corARMA3-2. Las ecuaciones se ajustaron por mínimos cuadrados generalizados no lineales; y se evaluaron con un sistema de calificación con los estadísticos de ajuste: RMSE, R2, AIC, BIC, LogLik, CV y sesgo promedio. Con base en la calificación, las mejores combinaciones para el ahusamiento y crecimiento en altura fueron 1-9, 2-5, 3-8 y 4-6 y 1-6, 2-9, 3-7 y 4-4, respectivamente. En el ahusamiento solo la combinación 2-5 fue homocedástica con residuales independientes al igual que las ecuaciones de altura seleccionadas y las varFunc y corStruct presentaron influencia en la trayectoria de las curvas de índice de sitio construidas.