Modelos estatísticos permitem representar conjuntos de dados, assim como estimar e prever o comportamento de uma variável por meio da sua interação com as demais variáveis envolvidas no fenômeno. Entre os modelos estatísticos encontram-se modelos autorregressivos em espaço de estados (AEE) e modelos de regressão linear (RL) que permitem quantificar as relações entre variáveis do sistema solo-planta-atmosfera. Neste trabalho, com o objetivo de se comparar a qualidade dos modelos AEE e RL para a modelagem das relações entre a produtividade da soja e atributos físicos do solo, utilizou-se o critério de informação de Akaike, o qual fornece um coeficiente que permite a seleção do melhor modelo. O conjunto de dados foi amostrado, em um Latossolo Vermelho distroférrico, ao longo de uma transeção com 84 pontos espaçados de 3 m entre si. Em cada ponto, foram coletadas amostras de soja para quantificar a produtividade e mediu-se a resistência do solo à penetração, assim como retiradas amostras de solo, nas camadas de 00,10 e 0,100,20 m, para mensurar a sua densidade. Os resultados mostraram que os dados de produtividade da soja e resistência do solo à penetração apresentaram autocorrelação e estrutura de correlação cruzada. A densidade do solo, entretanto, apresentou autocorrelação apenas na camada de 00,10 m e não mostrou correlação cruzada com a produtividade da soja. Os resultados mostraram a maior eficácia dos modelos autorregressivos de Espaço de Estados em relação aos modelos equivalentes de regressão linear simples e múltipla com o emprego do Critério de Informação de Akaike, o qual resultou em valores comparativamente mais baixos do que os obtidos com os modelos de regressão, para todas as combinações das variáveis explicativas.
Statistical models allow the representation of data sets and the estimation and/or prediction of the behavior of a given variable through its interaction with the other variables involved in a phenomenon. Among other different statistical models, are the autoregressive state-space models (ARSS) and the linear regression models (LR), which allow the quantification of the relationships among soil-plant-atmosphere system variables. To compare the quality of the ARSS and LR models for the modeling of the relationships between soybean yield and soil physical properties, Akaike's Information Criterion, which provides a coefficient for the selection of the best model, was used in this study. The data sets were sampled in a Rhodic Acrudox soil, along a spatial transect with 84 points spaced 3 m apart. At each sampling point, soybean samples were collected for yield quantification. At the same site, soil penetration resistance was also measured and soil samples were collected to measure soil bulk density in the 0-0.10 m and 0.10-0.20 m layers. Results showed autocorrelation and a cross correlation structure of soybean yield and soil penetration resistance data. Soil bulk density data, however, were only autocorrelated in the 0-0.10 m layer and not cross correlated with soybean yield. The results showed the higher efficiency of the autoregressive space-state models in relation to the equivalent simple and multiple linear regression models using Akaike's Information Criterion. The resulting values were comparatively lower than the values obtained by the regression models, for all combinations of explanatory variables.