easyModels

Herramientas Automatizadas y Reproducibles para Modelos Lineales, Mixtos y Gráficos Científicos en R

---

📖 Descripción General

easyModels es un paquete de R desarrollado por Paúl Alexander López Peña (Pontificia Universidad Católica de Chile) diseñado para automatizar y democratizar el análisis bioestadístico riguroso en ciencias biológicas, agronomía, ecología y medicina experimental.

Su filosofía central es eliminar la fricción metodológica al trabajar con diseños experimentales y modelos jerárquicos: convierte flujos complejos de fórmulas en lme4/glmmTMB, auditoría automática de supuestos, diagnósticos de DHARMa, comparaciones post-hoc y gráficos de publicación con letras de significancia (Tukey CLD) en una experiencia directa, robusta y 100% reproducible.

Datos Crudos ──► sugerir_modelo() ──► analizar_*() ──► verificar_supuestos() ──► graficar_predichos()
  (Ensayo)        (Asistente Box-Cox)  (LMM / GLMM)     (Auditoría Completa)    (Gráficos con Letras CLD)

---

⚡ Características Principales

• 🌾 Diseños Experimentales Clásicos y Complejos:
  • Wrappers directos para Bloques Completos al Azar (RCBD), Parcelas Divididas (Split-Plot), Cuadrados Latinos (LSD), Franjas Divididas (Strip-Plot / Criss-Cross) y Medidas Repetidas en el tiempo.
• 📈 Jerarquía Unificada de Modelos (Clase S3 easy_model):
  • Modelos Lineales (analizar_lm), Modelos Lineales Mixtos (analizar_lmm), GLM con 17 familias (analizar_glm) y GLMM con 16 distribuciones (analizar_glmm via glmmTMB y lme4).
• 🔍 Auditoría Automatizada de Supuestos (verificar_supuestos()):
  • Batería integrada: Normalidad (Shapiro-Wilk), Homocedasticidad (Breusch-Pagan / Levene), Multicolinealidad (VIF), Sobredispersión y detección de Influyentes (Distancia de Cook $> 4/n$).
• 🤖 Asistente Inteligente de Familias y Transformaciones (sugerir_modelo()):
  • Inspecciona ceros, proporciones $(0,1)$, conteos y sesgo positivo, calculando el parámetro óptimo Box-Cox ($\lambda$) y recomendando la familia de GLM adecuada.
• 📊 Selección y Comparación de Modelos (comparar_modelos()):
  • Ordenamiento por $AIC$, $\Delta AIC$, Pesos de Akaike ($w_i$), $BIC$, $LogLik$ y $R^2$ Marginal/Condicional.
• 🎨 Gráficos Científicos Listos para Publicación (graficar_predichos(), graficar_interaccion()):
  • Gráficos de barras, puntos o líneas con letras de significancia compacta (Tukey CLD), barras de error al 95% y paletas académicas (teal, okabe_ito, viridis, cividis, set2).
• 📄 Tablas Formateadas para Tesis y Artículos:
  • exportar_tabla_anova() y exportar_tabla_posthoc() en formato Markdown, LaTeX y HTML.

---

🚀 Instalación

Puedes instalar la versión de desarrollo de easyModels directamente desde GitHub usando devtools, remotes o pak:

# Opción 1: Usando devtools
if (!requireNamespace("devtools", quietly = TRUE)) install.packages("devtools")
devtools::install_github("PALP31/easyModels")

# Opción 2: Usando pak (recomendado por velocidad)
# if (!requireNamespace("pak", quietly = TRUE)) install.packages("pak")
# pak::pkg_install("PALP31/easyModels")

Cargar la librería e inspeccionar el manual:

library(easyModels)

# Acceder a la documentación global del paquete
?easyModels

---

🛠️ Flujo de Trabajo en 5 Minutos

A continuación se muestra un flujo completo de análisis bioestadístico para un ensayo agronómico en bloques:

library(easyModels)
library(ggplot2)

# 1. Datos simulados: Rendimiento (ton/ha) bajo 3 tratamientos en 5 bloques
set.seed(123)
datos <- data.frame(
  Rendimiento = rnorm(30, mean = rep(c(20, 26, 18), each = 10), sd = 2.5),
  Tratamiento = factor(rep(c("Control", "Bioestimulante", "Fertilizacion"), each = 10)),
  Bloque = factor(rep(1:5, times = 6))
)

# 2. Ajustar el Modelo en Bloques Completos al Azar (RCBD / LMM)
modelo <- analizar_bloques_azar(
  datos = datos,
  formula_fijos = Rendimiento ~ Tratamiento,
  bloque = "Bloque",
  diagnosticos = FALSE
)

# 3. Auditar supuestos automáticamente
verificar_supuestos(modelo)

# 4. Tabla ANOVA Tipo III formateada
exportar_tabla_anova(modelo, formato = "markdown")

# 5. Generar gráfico de barras de publicación con letras de Tukey (CLD)
grafico <- graficar_predichos(
  modelo = modelo,
  predictor = "Tratamiento",
  tipo_grafico = "barras",
  mostrar_letras = TRUE,
  paleta = "teal",
  titulo = "Efecto de Tratamientos sobre el Rendimiento de Grano",
  eje_y = "Rendimiento (ton/ha)"
)

print(grafico)

---

🔬 Catálogo de Diseños Experimentales

Función	Tipo de Diseño Agronómico / Biológico	Estructura Aleatoria / Fórmulas
analizar_lm()	Diseño Completamente al Azar (CRD)	Efectos fijos gaussianos
analizar_bloques_azar()	Bloques Completos al Azar (RCBD)	(1 | Bloque)
analizar_parcelas_divididas()	Parcelas Divididas (Split-Plot)	(1 | Bloque) + (1 | Bloque:Principal)
analizar_latino()	Cuadrado Latino (LSD)	(1 | Fila) + (1 | Columna)
analizar_medidas_repetidas()	Ensayos con Medidas Repetidas en el Tiempo	(1 | Sujeto) o (1 | Bloque/Sujeto)
analizar_strip_plot()	Franjas Divididas (Strip-Plot / Criss-Cross)	(1 | Bloque) + (1 | Bloque:A) + (1 | Bloque:B)

---

📈 Familias de Distribución Disponibles

GLM (analizar_glm) — 17 Familias

• Continuas / Positivas: gaussian, gamma, gamma_inverse, gaussian_inversa, tweedie.
• Binarias / Tasas: binomial (logit, probit, cloglog), quasibinomial, beta (via betareg).
• Conteos: poisson, quasipoisson, negativa_binomial (via MASS::glm.nb), zip (Zero-Inflated Poisson), zinb (Zero-Inflated Negative Binomial).
• Categóricas: ordinal (via MASS::polr), multinomial (via nnet::multinom).

GLMM (analizar_glmm) — 16 Distribuciones

Modelos jerárquicos mixtos con glmmTMB y lme4::glmer:

• gaussian, binomial (logit, probit, cloglog), poisson, negativa_binomial (nbinom1, nbinom2), gamma, gamma_inverse, lognormal, beta, tweedie, zip, zinb, zifgamma, ordinal.

---

🌟 Novedades Recientes

Versión 0.4.2

• 📋 resumir_ajuste(): Genera una fila resumen lista para informes con fórmula, familia, AIC, BIC, $R^2$ e historial de observaciones usadas vs. excluidas.
• 🧭 Transparencia en datos faltantes: Detección automática de observaciones omitidas por NA para evitar sesgos silenciosos.
• ✅ Validación estricta de variables y fórmulas antes de iniciar ajustes iterativos.

Versión 0.4.1

• 📚 Documentación global del paquete mediante ?easyModels.
• 🛠️ Extracción unificada de coeficientes (obtener_coeficientes_fijos()) y Odds Ratios (analizar_odds_ratio()).
• 🎨 Posicionamiento inteligente position_dodge() para evitar solapamiento de letras Tukey (CLD) en modelos bifactoriales.
• 🧪 80 pruebas unitarias con testthat.

---

📚 Cómo Citar

Si utilizas easyModels en tus investigaciones, tesis o artículos científicos, por favor cita el paquete de la siguiente manera:

citation("easyModels")

O en formato BibTeX:

@Manual{easyModels2026,
  title = {easyModels: Herramientas Automatizadas para Modelos Lineales, Mixtos y Gráficos Científicos},
  author = {Paúl Alexander López Peña},
  year = {2026},
  note = {R package version 0.4.2},
  url = {https://github.com/PALP31/easyModels},
}

---

👨‍🔬 Autor y Contacto

Paúl Alexander López Peña
Profesor de Aplicaciones Estadísticas (Pregrado) • Estudiante de Doctorado en Biotecnología Vegetal
Pontificia Universidad Católica de Chile (PUC)

• 📧 Email: paullopezpena@gmail.com | plopezp7@estudiante.uc.cl
• 🐙 GitHub: @PALP31
• 🌐 Repositorio: https://github.com/PALP31/easyModels