Biomatemática

Aplicación del análisis de componentes principales categóricos en el estudio de los sistemas de producción de ovinos en la provincia Ciego de Ávila

Verena Torres Cárdenas^{1  *} 
http://orcid.org/0000-0002-7451-8748

J. O. Serrano Torres² 
http://orcid.org/0000-0003-1710-6322

J. Martínez Melo² 
http://orcid.org/0000-0003-4767-9746

N. Fonseca Fuentes³ 
http://orcid.org/0000-0001-6635-3165

Angela Borroto Pérez² 
http://orcid.org/0000-0001-9261-3995

C. A. Mazorra Calero² 
http://orcid.org/0000-0002-3431-9824

¹Instituto de Ciencia Animal, Apartado Postal 24, San José de las Lajas, Mayabeque, Cuba

²Facultad de Ciencias Agropecuarias, Universidad de Ciego de Ávila Máximo Gómez Báez (UNICA), Carretera a Morón, km 9 ½. CP: 69450, Ciego de Ávila, Cuba

³Centro de Estudio de Producción Animal (CEPA), Universidad de Granma (UDG), carretera de Manzanillo km 17 ½ CP: 85100, Granma, Cuba

RESUMEN

Se presenta la aplicación del análisis de componentes principales categórico, con 22 variables cualitativas medidas en el estudio de los sistemas de producción de ovinos en la provincia Ciego de Ávila. Se expone la descripción matemática del método utilizando la función de pérdida que se minimiza al aplicar los mínimos cuadrados alternantes, que contemplan la transformación de cualquier variable cualitativa en variables de naturaleza cuantitativa a través del escalamiento óptimo. Se utilizó el coeficiente de Cronback para medir la fiabilidad del cuestionario. Se determinaron las tablas cruzadas para comprobar la asociación entre las variables mediante el coeficiente de contingencia, que se basa en χ² y su significación. Todos los procesamientos se realizaron mediante el IBM-SPSS, versión 22. La aplicación del análisis de componentes principales categórico permitió identificar las variables categóricas que mayor varianza explicaron en el sistema de producción de ovinos en la provincia Ciego de Ávila.

Palabras clave: Variable cualitativa; sistemas de producción; análisis multivariado

Los programas de extensión e innovación tecnológica en la agricultura permiten la transformación de sistemas productivos, al tener en cuenta los diferentes factores que influyen en la producción agropecuaria. En la actualidad, estos estudios se acompañan de la aplicación de encuestas que abordan los aspectos cuantitativos como cualitativos de los sistemas en los que se introducen los resultados.

Según la ^{Oficina Nacional de Estadística e Información (2020)}, la producción ovina en Cuba se encuentra mayormente en la región oriental y central, con 55.7 y 31.4 %, de las cabezas totales, respectivamente. En los sistemas de crianza de esta especie predomina el pastoreo extensivo y como dieta básica los pastos naturales, con pobre valor nutritivo y bajos rendimientos productivos (^{Herrera et al. 2020}). La crianza de ovinos en la provincia Ciego de Ávila es de gran importancia para los productores y sus familias, por servir principalmente para el consumo de carne, y como una vía secundaria para la obtención de ingresos económicos por venta de animales. Se caracteriza por presentar rebaños integrales con todas las categorías de animales, de hasta 20 y entre 20 y 40 ovinos (^{Borroto et al. 2011}), y requiere la aplicación de tecnologías que contribuyan al desarrollo sostenible de la crianza de esta especie.

En los sistemas de producción de ovinos se deben utilizar opciones tecnológicas que contribuyan al bienestar animal en las condiciones tropicales, cada vez más afectadas por las altas temperaturas y humedad relativa, que condicionan estrés por calor y que pueden afectar el consumo de alimento, la ganancia de peso y el comportamiento reproductivo, como parámetros fisiológicos y bioquímicos (^{Macías-Cruz et al. 2018} y ^{Vicente et al. 2020}). En este sentido, la transformación del microclima en sistemas silvopastoriles desempeña una función importante para regular la radiación solar (^{López-Vigoa et al. 2017}) y favorecer el bienestar térmico (^{Sousa et al. 2015}). Sin embargo, en la región, los sistemas de pastoreo para los ovinos pueden o no encontrarse asociados con árboles de diferentes especies. Estos sistemas no se encuentran caracterizados desde sus diferentes componentes, lo que permitiría interpretar los factores que pueden afectar la producción ovina y serviría como base para el diseño de estrategias de mejora.

En la caracterización de los sistemas productivos se utilizan métodos para la recolección de información a partir de encuestas. La mayoría de las preguntas (ítems) dan lugar a respuestas que son de tipo cualitativo, por lo que los métodos a utilizar deben ser adecuados para este tipo de variables Según ^{Navarro et al. (2010)}, en las investigaciones de corte social intervienen, fundamentalmente, conjuntos de datos que reflejan alguna cualidad o categoría y pueden contener una mezcla de diferentes tipos de variables, muchas de las cuales están medidas en categorías, ordenadas o no.

El uso de las técnicas multivariadas es una vía que analiza de forma conjunta las variables que se miden para respuestas integrales a las diferentes interrogantes de los cuestionarios. En Cuba, en los últimos años, el modelo estadístico de medición de impacto (^{Torres et al. 2008}, ²⁰¹³), basado en la combinación del análisis de componentes principales (ACP), con el análisis de conglomerados ha sido utilizado para caracterizar la alimentación con el uso de forrajes en fincas lecheras del municipio Florencia (^{Martínez-Melo et al. 2020}), para determinar la incidencia de las prácticas ganaderas en la productividad de los rebaños (^{Benítez et al. 2016}), así como para analizar la eficiencia de la producción de leche en las fincas de productores del sector cooperativo y campesino (^{Alonso et al. 2020}). También se aplica en la medición del impacto de los bancos de biomasa (^{Gudiño et al. 2020}), con la utilización de variables cuantitativas.

El análisis de componentes principales no lineal o el análisis de componentes principales no lineal o el análisis de componentes principales categórico (ACPcat) es el método multivariado análogo para analizar variables cualitativas. Al igual que el ACP, busca maximizar la varianza total de las primeras componentes principales, transformando las variables cualitativas en cuantitativas, al maximizar las correlaciones entre todas las variables y permitir la existencia de relaciones lineales entre ellas y preservar el nivel de medida de las variables (nominal, nominal múltiple, ordinal y de intervalo), así como reducir la dimensionalidad del sistema mediante el escalamiento óptimo, descrito por primera vez por Gifi (1990, cit. por ^{Linting 2007}).

El objetivo de este trabajo es mostrar el uso del ACPcat con variables cualitativas, medidas en el estudio de los sistemas de producción de ovinos en la provincia Ciego de Ávila.

Materiales y Métodos

El estudio se llevó a cabo en la provincia Ciego de Ávila, ubicada en la región central del país, con una extensión superficial de 6971.64 km² y un área de tierra firme de 6194.90 km². Limita al norte con el canal de Bahamas y en su plataforma insular se encuentran las bahías de Los Perros y Buena Vista, bordeadas por algunos cayos que forman el archipiélago Sabana - Camagüey, entre ellos, Cayos Coco y Guillermo con 776.74 Km². Al Sur limita con el Mar Caribe, donde se encuentra una vasta plataforma ocupada por el golfo de Ana María, numerosos cayos con 776.74 km² y una línea de cayos que forman parte del archipiélago Jardines de la Reina. Las principales actividades económicas de esta provincia son la agrícola, ganadera, forestal y turística.

Según ^{Sorí et al. (2017)}, Ciego de Ávila se caracteriza por veranos muy calientes e inviernos cortos. Durante el transcurso del año, la temperatura generalmente varía de 18 °C a 33 °C, y rara vez baja a menos de 14 °C, o sube a más de 36 °C, con vientos del este al noreste desde Cayo Coco hasta Júcaro. La precipitación promedio mensual acumulada se halla en un rango de 20 a 230 mm, dependiendo del período lluvioso (mayooctubre) y poco lluvioso (noviembre-abril) y la humedad relativa fluctúa entre 72 y 85 % en el transcurso del año. La llanura Júcaro-Morón ocupa la mayor parte del territorio, constituido por llanuras planas, suavemente onduladas y colinosas. Los diferentes tipos de suelos que se presentan están vinculados a la topografía, siendo predominantes los del tipo ferralítico rojo, profundos y de buen drenaje.

Según ^{Serrano et al. (2020)}, en la provincia Ciego de Ávila, existen 53 403 cabezas ovinas totales. La muestra del estudio estuvo compuesta por 296 productores de ovinos, de ellos 74 pertenecientes al sector estatal y 222 del sector privado. Se registraron 22 variables cualitativas, contenidas en un cuestionario aplicado a los productores de ovinos en la provincia, distribuidos en las tres regiones y en los diez municipios (figura 1).

Figure 1 North, Central and South regions of Ciego de Ávila province 

Los nombres de las variables, sus características y tipos se muestran en la tabla 1.

Table 1 Definition of categorical variables of the survey 

Name of variables	Levels	Type	Scale
Municipalities	10	*	Nominal
Region	3	North, center and south	Nominal
Educational level	5	Primary, secondary, high school, technical and university	Nominal
Gender	2	Male or female	Nominal
More than one job	2	Yes or no	Nominal
Sector (private or state)	2	State or private	Nominal
Training	2	Yes or no	Nominal
Land tenure	2	Yes or no	Nominal
EGAME contract	2	Yes or no	Nominal
Production objective	3	Sale to enterprises, self-consumption and sale to others	Nominal
Relevance degree	3	Great importance, medium importance and low importance	Nominal
Sire rotation	2	Yes or no	Nominal
Selection criteria	2	Phenotypical and reproductive characteristics	Nominal
Castration	2	Yes or no	Nominal
Registration	2	Yes or no	Nominal
Facilities	4	Very rudimentary, rudimentary, modern or has no facilities	Nominal
Trees	6	In grazing areas, in life fences, protein Banks, integration to fruit trees, has no trees	Nominal
Choraspast (classification according to grazing hours)	2	Continuous or semi-stabulated grazing	Nominal
Ctipopast (classification according to grazing type)	5	Extensive, rotational, semi-transhumance, integrated to crops and in agroforestry systems	Nominal
Grasses	2	Natural and improved	Nominal
Forages	2	Yes or no	Nominal
Supplementation	4	Vitamins and minerals, protein, byproducts and no supplementation	Nominal

*Chambas, Bolivia, Morón, Florencia, Ciro Redondo, Majagua, Ciego de Ávila, Baraguá, Venezuela and 1^ro de Enero

Descripción matemática del ACPcat. La descripción que se presenta ha sido descrita por ^{Morales (2004)} y ^{Navarro et al. (2010)}. Se parte de la matriz de datos H_nxm, la cual contiene las puntuaciones observadas de n casos en las m variables contenidas en el cuestionario. Cada variable puede ser denotada como la j -ésima columna de H; hj como un vector n × 1, con j = 1, . . . ,m. Si las variables hj no tienen nivel de medición numérico, se espera que la relación entre ellas no sea lineal, por lo que es necesario aplicar una transformación no lineal. La transformación de cada categoría obtiene un valor escalado óptimo, denominado cuantificación categórica H, la cual se reemplaza por una matriz Q_ij , que contiene las variables transformadas q_j= ø_j(h_j). En la matriz Q, las puntuaciones observadas de los casos se reemplazan por las cuantificaciones categóricas.

El modelo ACPCAT es igual al ACP clásico, capturando las posibles no linealidades de las relaciones entre las variables en las transformaciones. El objetivo del ACPcat se alcanza al minimizar la denominada función de pérdida, que acomoda las ponderaciones de acuerdo con las transformaciones nominales múltiples. A las puntuaciones de los casos en las componentes principales obtenidas, se le denominan puntuaciones de los objetos en ACPCAT. Estas componentes, multiplicadas por un conjunto de ponderaciones óptimas, se identifican como saturaciones en componentes y aproximan los datos originales tan cerca como sea posible.

Si X_nxp es la matriz de las puntuaciones de las componentes, donde p es el número de las componentes, y A_m×p la matriz de las saturaciones en componentes, siendo su j-ésima fila indicada por a_j , la función de pérdida (estrés), que para la minimización de la diferencia entre los datos originales y las componentes principales se expresa como:

$L\left(Q,A,X\right)=n^{-1}{\sum }_{j=1}^{m}tr\left({q_j{a}_j^{,}-X)}^{\text{'}}\right(q_j{a}_j^{,}-X)$

Esta función de pérdidas está sujeta a un número de restricciones. Primero, las variables transformadas se estandarizan, a fin de que q'_jq_j = n. Esta restricción es necesaria para resolver la indeterminación entre q_j y a_j en el producto escalar q_ja'_j . Esta normalización implica que q_j contenga z-scores y garantice que las saturaciones en componentes en a_j estén correlacionadas entre las variables y las componentes. Para evitar la solución trivial A = 0 y X = 0, las puntuaciones de los objetos se limitan y se requiere que X'X = nI, donde I es la matriz identidad. Se necesita además, que las puntuaciones de los objetos estén centradas, por lo tanto 1'X = 0, donde 1 representa el vector unidad.

Las dos restricciones anteriores implican que las columnas de X (componentes) son z-scores ortonormales (su media es cero, su desviación estándar es uno) y están incorrelacionadas. Para los niveles no lineales (nominal y ordinal), q_j= ø_j(h_j) denotan una transformación acorde con el nivel de medición seleccionado para la variable j.

La función de pérdida se minimiza al aplicar los mínimos cuadrados alternantes, actualizando cíclicamente uno de los parámetros X, Q y A. Según ^{Young (1972)} y ^{Portillo y Mar (2007)}, esta metodología de mínimos cuadrados alternantes contempla la transformación de cualquier variable cualitativa en variables de naturaleza cuantitativa mediante el escalamiento óptimo.

El ACPCAT posee una relativa libertad respecto a supuestos básicos. Los datos pueden estar medidos en cualquier escala, nominal múltiple, nominal, ordinal o de intervalo. La técnica representa bien las relaciones lineales como las no lineales. Lo importante es la existencia de asociación y/o covariación entre las variables.

Se utilizó el coeficiente de Cronback para medir la fiabilidad del cuestionario (^{Dominguez-Lara y Merino-Soto 2015}) mediante la fórmula:

$\mathrm{A}\mathrm{l}\mathrm{f}\mathrm{a}\mathrm{}\mathrm{d}\mathrm{e}\mathrm{}\mathrm{C}\mathrm{r}\mathrm{o}\mathrm{n}\mathrm{b}\mathrm{a}\mathrm{c}\mathrm{k}=\alpha =\frac{K}{K-1}\left[1-\frac{\sum {S_i}^2}{{S^2}_T}\right]$

K:	el número de ítems
Si:	varianzas de cada ítem
S2T=	varianza total

El procesamiento estadístico se realizó mediante el procedimiento de tablas cruzadas para comprobar la asociación entre variables mediante el coeficiente de contingencia, basado en χ² y su significación, y el escalamiento óptimo para las variables escaladas de forma nominal, ya que poseen un número pequeño de categorías (^{Navarro et al. 2010}) mediante el procedimiento ACPCAT en el programa IBM-SPSS, versión 22 (2013)

Resultados y Discusión

Para conocer las correlaciones existentes entre las diferentes variables se determinaron los coeficientes de contingencia según χ², específicos para variables nominales. En la tabla 2 se muestran los porcentajes de los coeficientes que fueron significativos (P ˂ 0.05; P ˂ 0.01 y P ˂ 0.001) para cada una de ellas.

Table 2 Percentage of significant relationships for variables. 

Variables	%
Municipality	71
Region	52
Educational level	95
Gender	33
More than one job	76
Sector (private or state)	86
Training	76
Land tenure	81
EGAME contract	86
Production objective	90
Relevance degree	67
Sire rotation	90
Selection criteria	24
Castration	76
Registration	81
Facilities	95
Trees	86
Choraspast	76
Ctipopast	81
Grasses	76
Forages	71
Supplementation	71

La mayoría de las variables tuvieron porcentajes de relaciones significativas superiores a 71, solo las variables región, sexo, grado de importancia y criterios de selección tuvieron porcentajes bajos, inferiores a 70, por lo que se pudieran eliminar. No obstante, se mantuvieron en el primer análisis.

El primer paso en la desarrollo del ACPCAT es el método de normalización, denominado principal por variables, cuyo objetivo es optimizar la asociación entre las variables. Las coordenadas de las variables en el espacio de los casos son las saturaciones en componentes (las correlaciones con las componentes principales o dimensiones y las puntuaciones de los objetos).

En la tabla 3 se muestran las estadísticas de la solución con todas las variables, que incluyen la varianza contabilizada y las pérdidas en la primera y última iteración para un nivel de convergencia que se establezca, en este caso 0.0001.

Table 3 Iteration history 

Number of iteration	Contabilized variance for		Losses
	Total	Increase	Total	Centroid coordinates	Centroid restriction in vector coordinates
0^a	12.632	0.002	97.368	94.804	2.564
58^b	13.931	0.000009	96.069	94.454	1.615

El algoritmo iterativo se detuvo cuando la diferencia del ajuste total entre las dos últimas iteraciones fue menor que el valor de convergencia prefijado, que se alcanzó en la iteración 58. La varianza explicada fue de 13.93, con incremento de 000009 y pérdida de 96,069 para un modelo de cinco dimensiones, ya que el ACPCAT, al igual que su homólogo ACP para variables numéricas, permite generar tantas dimensiones como variables se incluyen. Sin embargo, su objetivo fundamental es la reducción de dimensiones, por lo que se muestra el resumen del modelo ajustado para estas dimensiones en la tabla 4.

Table 4 CATPCA model fit for five dimensions 

Dimension	Cronbach alpha	Contabilized variance for
		Total (self-value)	% of variance
1	0.864	5.708	25.946
2	0.699	3.004	13.656
3	0.596	2.318	10.537
4	0.374	1.557	7.075
5	0.268	1.343	6.107
Total	0.972	13.931	63.321

El porcentaje total de la varianza explicada por las cinco primeras dimensiones es de 63.32 %, que se puede considerar como adecuado. ^{Vázquez et al. (2017)} encontraron un valor de 61.409, al realizar un estudio en la Empresa Pecuaria Valle del Perú, del municipio San José de las Lajas, donde incluyeron variables cuantitativas. La tabla también muestra el valor del coeficiente Alfa de Cronbach (0.972), que indica una elevada consistencia interna de los datos y escala altamente fiable.

A pesar de la gran difusión que tiene este coeficiente, ^{Ventura-León y Caycho-Rodríguez (2017)} lo han criticado, ya que plantean que tiene limitaciones al estar afectado por el número de preguntas, el número de alternativas de respuesta y la proporción de la varianza del test, proponiendo en su lugar el coeficiente Omega (ω), según refieren ^{Domínguez-Lara y Merino-Soto (2015)}. Se propone entonces por ^{Domínguez-Lara (2016)}, el coeficiente H, que funciona como una estimación de la confiabilidad del cuestionario y se interpreta como el porcentaje de la variabilidad de la variable latente, explicada por los indicadores. Este autor concluye que H es una medida complementaria, que puede ser de ayuda en los procesos analíticos orientados al informe de las propiedades psicométricas de los instrumentos de evaluación. Según señala, aunque algunos desarrollos metodológicos quedan pendientes, es una alternativa interesante en el marco analítico de los modelos de ecuaciones estructurales. Sin embargo, en el presente estudio se considera que el coeficiente de Cronbach se puede utilizar, debido a que no se van a sustituir las variables originales por los factores seleccionados.

Las cinco dimensiones seleccionadas poseen valores propios mayores que la unidad (tabla 4). Dichos valores son equivalentes a los propios del ACP clásico, y advierten sobre el porcentaje de información retenida en cada dimensión, donde el criterio de raíz latente ayuda a seleccionar aquellos factores con valores propios, mayores que la unidad y coeficientes de Cronbach positivos en cada dimensión. Aunque las dos últimas dimensiones poseen valor Cronbach cercano a cero y valor propio cercano a uno, su inclusión se decidirá en la matriz de pesos o saturaciones.

La matriz de saturaciones es una matriz de correlaciones, que considera en las columnas las dimensiones, y en las filas las variables iniciales transformadas. Cada coeficiente en el interior de la matriz mide la relación entre una variable y la dimensión y se interpreta como coeficiente de correlación, que asume valores entre menos uno y uno. Variables con saturaciones altas en una dimensión (independiente del signo) son indicadores de asociación entre variable y dimensión. El valor máximo de los pesos es uno y corresponde a una variable cuya variabilidad se explica totalmente por la dimensión. El número mínimo cero indica que la variable no tiene relación con la dimensión. Por último, la dimensión se identifica o bautiza con una etiqueta, según los coeficientes más altos que posea (tabla 5)

Table 5 Saturation matrix of the fitted model 

Variables (items)	Dimensions
	1	2	3	4	5
Municipality	0.01	0.85	0.07	-0.39	0.27
Region	0.02	0.82	0.07	-0.39	0.28
Educational level	0.71	-0.08	0.03	-0.12	0.23
Gender	0.15	-0.13	-0.15	-0.04	0.13
More than one job	-0.53	-0.02	-0.56	-0.15	0.32
Sector (private or state)	0.74	-0.18	-0.01	-0.20	0.26
Training	0.42	-0.34	-0.32	-0.30	0.14
Land tenure	0.64	0.20	0.59	-0.14	-0.28
EGAME contract	-0.65	0.04	-0.29	-0.41	-0.41
Production objective	0.66	-0.07	0.23	0.40	0.41
Relevance degree	0.16	0.46	0.23	0.17	-0.24
Sire rotation	0.43	-0.71	-0.06	-0.02	-0.10
Selection criteria	-0.15	-0.18	0.11	0.31	-0.10
Castration	0.48	-0.07	-0.28	0.08	-0.28
Registration	0.76	-0.26	-0.03	-0.27	0.25
Facilities	0.49	0.38	-0.31	0.12	0.02
Trees	-0.01	0.39	-0.22	0.63	0.20
Choraspast	-0.41	-0.33	0.41	-0.20	0.25
Ctipopast	-0.65	-0.14	-0.58	0.09	0.28
Grasses	-0.56	-0.37	0.49	-0.08	0.23
Forages	0.64	0.07	-0.40	-0.24	-0.12
Supplementation	-0.57	-0.07	0.43	0.01	0.22

Para realizar un análisis detallado de estos resultados, la primera decisión a tomar es acerca de la magnitud a establecer como límite inferior positivo o límite superior negativo, o ambos, para la selección de las variables que más influyen en la explicación de cada dimensión. Como este valor indica la correlación en cada dimensión con las variables, es lógico analizar las variables que poseen bajas saturaciones en cada dimensión y la dimensión con bajos coeficientes de saturación en la mayoría de las variables.

Las variables sexo, grado de importancia y criterio de selección son las de más baja saturación en todas las dimensiones, y fueron además las que tuvieron más bajos porcentajes de relación con el resto de las variables (tabla 1). El municipio y la región poseen coeficientes similares, lo que parece indicar que ambas explican la ubicación de las fincas. Por último, la dimensión cinco posee coeficiente de Cronbach más cercano a cero, razón por la cual se eliminan estas variables y dicha dimensión. Al respecto, plantea ^{Morales (2004)} que no se debe olvidar que el objetivo fundamental del método es reducir información. Los resultados se muestran en la tabla 6.

Table 6 CATPCA model, fitted for four dimensions 

Dimension	Cronbach alpha	Contabilized variance for
		Total (self-value)	% of variance
1	0.873	5.704	31.690
2	0.609	2.353	13.073
3	0.589	2.255	12.528
4	0.318	1.428	7.936
Total	0.969	11.741	65.227

En este modelo, con las variables eliminadas y con cuatro dimensiones se alcanza 65.23 % de la varianza total explicada, que es superior al modelo de cinco dimensiones (63.32). La primera dimensión explica más del 30 % de la variabilidad, mientras que la segunda, tercera y cuarta explican el 30 % restante. Las saturaciones para el modelo con cuatro dimensiones se presentan en la tabla 7.

Table 7 Saturation matrix of the fitted model with four dimensions 

Variables	Dimensions
	1	2	3	4
Municipality	0.171	0.729	-0.270	0.047
Educational level	0.717	-0.071	0.100	-0.151
More than one job	-0.541	-0.455	-0.344	0.227
Sector (private or state)	0.738	-0.250	0.172	-0.104
Training	0.411	-0.575	0.022	-0.039
Land tenure	0.649	0.461	0.339	0.386
EGAME contract	-0.655	-0.260	-0.195	0.578
Production objective	0.648	0.206	0.178	-0.592
Sire rotation	0.426	-0.532	0.363	-0.011
Castration	0.476	-0.237	-0.205	0.101
Registration	0.756	-0.308	0.205	-0.061
Facilities	0.522	0.121	-0.450	-0.031
Trees	-0.076	0.323	-0.450	-0.523
Choraspast	-0.403	-0.108	0.614	-0.088
Ctipopast	-0.663	-0.442	-0.350	-0.348
Grasses	-0.549	0.004	0.659	-0.150
Forages	0.627	-0.320	-0.315	0.221
Supplementacion	-0.575	0.175	0.431	-0.129

En la dimensión uno existe una representación del nivel escolar, pluriempleo, sector privado o estatal, tenencia de tierras, contrato EGAME, objetivo de producción, registro, instalaciones, ctipopast, forrajes y suplementación, con la selección de valores de saturación superiores 0.50. Estas variables caracterizan los sistemas de producción de ovinos en la provincia y es importante señalar que aquellas con signos negativos se relacionan con los aspectos de tenencia de la tierra y la suplementación. Lo anterior puede estar explicado por el tipo de sistema de pastoreo, pues se desarrolla el pastoreo semitrashumante en 30 % y extensivo en 68 %. Predominan los productores con tierras (69 %), aunque 50 % la utilizan para otros fines, como cultivos agrícolas y ganadería mayor. Asimismo, existe ausencia de suplementación y de forrajes en 70,6 y 87,2 % de los sistemas productivos, respectivamente.

La dimensión dos relaciona los municipios, la capacitación y el sistema de rotación del semental. Estos últimos con signos negativos, lo que parece indicar las diferencias entre los municipios, de acuerdo con estas variables. Lo anterior se relaciona con la incorporación de nuevos productores que no se han capacitado. Además, 50 % de los municipios se beneficiaron por un proyecto de capacitación desarrollado durante 2018. En este sentido, se afecta la rotación de los sementales en 69,6 % de las fincas, por falta de criterio técnico y capacitación.

La dimensión tres relaciona las variables choraspast (clasificación del sistema según horas de pastoreo) y la presencia de pastos naturales y mejorados, con una relación positiva, ambas variables con la dimensión. Predominan los sistemas de pastoreo continuo y la utilización de pastos naturales en 96,3 y 94,3 % de los casos, respectivamente.

En la dimensión cuatro, se ubicó la variable presencia de árboles, con una relación negativa, lo que se explica porque no hay una dependencia entre los diferentes sistemas estudiados y la incorporación de árboles. Existe un desconocimiento de la importancia de incorporar sistemas silvopastoriles en todas sus variantes, se destaca que 71,3 % de los sistemas no utilizan este recurso natural.

En la figura 2 se muestra la saturación de las variables en las primeras dos dimensiones. Fuera de la selección, las variables pastos y clasificación, según horas de pastoreo, fueron las que presentaron mayor saturación en la dimensión tres, y árboles en la cuatro.

Figure 2 Saturation of variables for dimensions one and two 

Conclusiones

El coeficiente de Cronbach se aplicó correctamente para medir la fiabilidad del cuestionario utilizado, debido a que no se sustituyeron las variables originales por los factores seleccionados.

La aplicación del análisis multivariado mediante el ACPCAT permitió identificar las variables categóricas que mayor varianza explicaron en el sistema de producción de ovinos en la provincia Ciego de Ávila.

Las variables que más peso tuvieron con la aplicación del ACPCAT y, que fundamentalmente explican el sistema productivo de ovinos, fueron: nivel escolar, pluri-empleo, sector, posesión de tierra, contrato con la EGAME, objetivo de la producción, registro, instalaciones, clasificación según tipo de pastoreo, forrajes, suplementación, municipio, capacitación, sistema de rotación, horas de pastoreo y presencia de pastos naturales y mejorados.

References

Alonso-Vázquez, A.C., Torres-Cárdenas, V., Herrera-Hernández, J.A, Iriban-Díaz, C.A. & Chongo-García, B. 2020. "Caracterización de factores que influyen en la producción de leche en fincas de usufructuarios del municipio Consolación del Sur". Cuban Journal of Agricultural Science, 54(4): 481-492, ISSN: 2079-3480.

Benítez, D.G., Vargas, J.C., Torres, V. & Soria, S. 2016 "La incidencia de las prácticas ganaderas en la productividad de los rebaños de cría en la provincia de Pastaza de la Amazonia ecuatoriana". Avances en Investigación Agropecuaria, 20(3): 43-61, ISSN: 0188-7890.

ONEI (Oficina Nacional de Estadística e Información). 2020. Existencia de ganado ovino y caprino. Distribución de la tierra del país y su utilización por provincias. La Habana, Cuba.

Borroto, A., Pérez-Carmenate, R., Mazorra, C.A., Pérez-Carmenate, A., Barrabí, M. & Arencibia, A.C. 2011. "Caracterización socioeconómica y tecnológica de la producción ovina en Ciego de Ávila, región Central de Cuba (Parte I) ". Pastos y Forrajes, 34(2): 199-210, ISSN: 2078-8452.

Dominguez-Lara, S. 2016. "Evaluación de la confiabilidad del constructo mediante el coeficiente H: breve revisión conceptual y aplicaciones". Psychologia. Avances de la Disciplina, 10(2): 87-94, ISSN: 1900-2386.

Dominguez-Lara, S. & Merino-Soto, A. M. 2015. "Por qué es importante reportar los intervalos de confianza del coeficiente Alfa de Cronbach". Revista Latinoamericana de Ciencias Sociales, Niñez y Juventud, 13(2):1326-1328, ISSN: 1692-715X.

Gudiño, R.S., Díaz-Untoria, J.A., Torres-Cárdenas, V., Retureta, C., Padilla C.R., Martínez, R. & Vega-Murillo, V.E. 2020. "Análisis del impacto de la tecnología del banco de biomasa con el pasto CT-115 en una lechería comercial representativa de la zona tropical del centro de Veracruz, México". Cuban Journal of Agricultural Science, 54(3): 299-308, ISSN: 2079-3480.

Herrera, R.S. 2020. "Relación entre los elementos climáticos y el comportamiento de los pastos y forrajes en Cuba". Avances en Investigación Agropecuaria, 24(2): 23-38, ISSN: 0188-7890.

Linting, M. 2007. Chapter 2: Nonlinear principal components analysis: Introduction and Application. In: Nonparametric Inference in Nonlinear Principal Components Analysis: Exploration and beyond. PhD Thesis. Leiden University, Holland, ISBN: 978-90-9022232-5.

López-Vigoa, O., Sánchez, T., Iglesias, J.M., Lamela, L., Soca, M., Arece, J. & Milera, M. 2017. "Los sistemas silvopastoriles como alternativa para la producción animal sostenible en el contexto actual de la ganadería tropical". Pastos y Forrajes, 40(2): 83-95, ISSN: 2078-8452.

Macías-Cruz, U., Gastélum, M.A., Avendaño-Reyes, L., Correa-Calderón, A., Mellado, M., Chay-Canul, A. & Arechiga, C.F. 2018. "Variaciones en las respuestas termoregulatorias de ovejas de pelo durante los meses de verano en un clima desértico". Revista Mexicana de Ciencias Pecuarias, 9(4), ISSN: 2428-6698. http://dx.doi.org/10.22319/rmcp.v9i4.4527.

Martínez-Melo, J., Jordán, H., Torres, V., Fontes, D., Mazorra, C. & Serrano, J.O. 2020. "Alimentación a base de forrajes en fincas lecheras del municipio Florencia, Ciego de Ávila". Universidad & Ciencia, 9(2): 1-15, ISSN: 2227-2690.

Morales, J.F.E. 2004. Aplicación e interpretación de técnicas de reducción de datos según Escalamiento óptimo. Bachelor Thesis. Facultad de Ciencias Sociales, Universidad de Chile, Santiago de Chile, Chile.

Navarro, J.M., Casas G.M & González, E. 2010. "Análisis de Componentes Principales y Análisis de Regresión para datos categóricos. Aplicación en la Hipertensión Arterial". Revista de Matemática: Teoría y Aplicaciones, 17(2): 199-230, ISSN: 1409-2483. https://doi.org/10.15517/RMTA.V17I2.2128.

Portillo, F. & Mar, C. 2007. Métodos no lineales de escalamiento óptimo: Aplicación al análisis del empleo en la compañia ferroviaria MZA. Departamento de Economia y Empresa. Facultad de Ciencias Empresariales. Universidad de la Rioja, España. ISSN: 2254-8483.

Serrano, J.O., Mazorra, C.A. & Pérez, M.A. 2020. "Reconversión agroecológica del sistema de producción ovina del Centro de Investigación de Bioalimentos". Universidad & Ciencia, 9(2): 71-84, ISSN: 2227-2690.

Sorí, R., Córdova, O., & Hernández A.A. 2017. Caracterización climática y fenómenos meteorológicos en la provincial de Ciego de Ávila. In: Informe final de proyecto: Cambio Climático. Elaboración de escenarios para el desarrollo fenológico, situación fitosanitaria de cultivos agrícolas y zonas de interés medio ambiental en Ciego de Ávila. Medidas de mitigación y adaptación. Centro Meteorológico Provincial de Ciego de Ávila, Ciego de Ávila, Cuba.

Sousa, L.F., Maurício, R.M., Paciullo, D.S.C., Silveira, S.R., Ribeiro, R.S., Calsavara, L.H. & Moreira. G.R. 2015. "Forage intake, feeding behavior and bio-climatological indices of pasture grass, under the influence of trees, in a silvopastoral system". Tropical Grasslands-Forrajes Tropicales, 3(3): 129-141, ISSN: 2346-3775. https://doi.org/10.17138/tgft(3)129-141.

Torres, V., Cobo, R., Sánchez, L. & Raez, N.R. 2013. "Statistical tool for measuring the impact of milk production on the local development of a province in Cuba". Livestock Research for Rural Development, 25, Article #159, Available: http://www.lrrd.org/lrrd25/9/torr25159.htm.

Torres, V., Ramos, N., Lizazo, D., Monteagudo, F. & Noda, A. 2008. "Modelo estadístico para la medición del impacto de la innovación o transferencia tecnológica en la rama agropecuaria". Revista Cubana de Ciencia Agrícola, 42(2): 133-139, ISSN: 2079-3480.

Vázquez, Y. 2012. Modelación Estadística-Matemática con variables mixtas para el estudio de la sostenibilidad social en una empresa ganadera bovina. PhD Thesis. Facultad de Ciencias Técnicas, Universidad Agraria de la Habana, Mayabeque, Cuba, p. 130.

Vázquez, Y., Guerra, C. W., Sánchez, O. & Domínguez, L. 2017. "Aplicación del CATPCA para el estudio de la sostenibilidad de la empresa pecuaria Valle del Perú". Investigación Operacional, 38(1): 63-69, ISSN: 2224-5405.

Ventura-León, J.L. & Caycho-Rodríguez, T. 2017. "El coeficiente Omega: un método alternativo para la estimación de la confiabilidad". Revista Latinoamericana de Ciencias Sociales, Niñez y Juventud, 15(1): 625-627, ISSN: 2027-7679.

Vicente, R., Macías, U., Avendaño, L., Correa-Calderón, A., López & M., Lara, A. 2020. "Impacto del estrés por calor en la producción de ovinos de pelo. Revisión". Revista Mexicana de Ciencias Pecuarias; 11(1): 205-222, ISSN: 2428-6698. https://doi.org/10.22319/rmcp.v11i1.4923.

Young, F. W. 1970. "Nonmetric multidimensional scaling. Recovery of metric information". Psychometrika, 35:455-473 DOI: https://doi.org/10.1007/BF02291820.

Recibido: 02 de Junio de 2021; Aprobado: 31 de Agosto de 2021

^*Email:[e-mail]