En el marco de un programa clásico de evaluación de cultivares, la información que usualmente proviene de ensayos multiambiente es altamente desbalanceada por selección o por pérdida circunstancial de datos, es además frecuente la presencia de interacción genotipo por ambiente (GEI), y los supuestos de homogeneidad de varianzas de los términos de la GEI entre ambientes no se sustentan. El enfoque de modelos mixtos para el análisis estadístico de los datos con las características antes mencionadas provee un marco de análisis más flexible ya que: no depende de información completa, y es posible modelizar efectos fijos y efectos aleatorios, permitiendo a éstos últimos diferentes situaciones de homogeneidad/heterogeneidad a través de una estructura de varianzas-covarianzas más conveniente. De las diferentes estructuras existentes, la estructura de factores analíticos (FA) permite modelizar de forma más parsimoniosa la variación GEI. El presente trabajo tiene como objetivo el análisis de la estructura de covarianza e interpretación de la GEI en situación de incremento gradual de desbalance, generado a través de la simulación de diferentes grados de pérdida aleatoria de datos, bajo la hipótesis de que el desbalance generado tiene un efecto importante en el análisis de la GEI. Dicho efecto dependería del grado de pérdida en que se ven afectados nuestros datos, así como el tipo de información que se pierde (pérdida en parcelas, genotipos y/o sitios). Para llevar a cabo el trabajo se utilizaron datos de rendimiento en grano de diferentes ambientes y genotipos provenientes de ensayos de trigo semi-árido del CIMMYT. La comparación entre las estructuras de varianza se basó en la correlación del test de Mantel y la técnica de Procrustes. Surgen como resultados del trabajo una consistente pérdida de similaridad evidenciada en la caída de los valores de correlación entre la matriz completa y la que presenta desbalance, se pierde el patrón de respuesta de los diversos materiales y se manifiestan efectos de escala del ajuste Procrustes. Los resultados del presente trabajo permitirían a los investigadores tomar decisiones respecto a la confiabilidad que puedan presentar los resultados de sus análisis dependiendo de la pérdida de información que tengan.