测定日模型及随机模型介绍

1. 概念区分

1.1 测定日模型(Test-day-model)与随机回归模型(Random-regression-model)的区别

• 测定日模型主要是分析奶牛在不同测定日产奶性状的模型

• 随机回归模型, 主要是分析一个个体有多个观测值的数据, 即纵向数据(longitudinal data)或者称为面板数据(panel data)

• 测定日模型是随机模型的一种类型

1.2 动物育种中, 有哪些数据可以用随机回归模型进行分析

• 不同时间点测量的个体的体重, 体长等

• 不同时间点测量的产奶量, 饲料消耗, 脂肪成分变化, 产蛋量等

• 不同胎次的产仔数等

2. 纵向数据的分析方法

2.1 纵向数据模型特点

考虑个体的不同观测值间的联系, 而且每个个体由于个体的特异性, 关系不同. 这些模型将不同个体的差异作为随机因子加入回归模型中, 以反映个体对其重复测量的影响.

2.2 纵向数据分析常用模型

• 随机效应模型

• 方差分量模型

• 多层模型

• 多水平模型

• 两步模型

• 随机效应混合模型

• 随机回归模型

• 分层线性模型

3. 随机回归模型的优势

3.1 随机回归模型与重复力模型的区别

• 动物育种中, 像产蛋量, 羊毛性状, 猪的产仔数等由于有重复测量的数据, 可以计算重复力.

• 表型 = 均值 + 加性效应 + 重复力效应 + 残差

• 之所以能剖分出重复力效应, 主要原因是其有重复观测数据, 就像二因素方差分析中, 只有交互不同水平有重复观测值, 才能分析交互作用的显著性.

3.2 随机回归模型与多性状模型区别

• 多性状模型, 主要是性状间不独立, 这时可以使用多性状模型, 估算性状间的方差协方差组分, 计算遗传相关, 用于育种中的间接选择. 比如猪50天, 100天, 150天的体重, 三者之间是有关联性的, 运用多性状模型, 可以估算出三个性状间的遗传相关, 达到提前选择的目的.

• 当性状比较多时, 比如10性状, 需要估算45个参数. 像奶牛不同测定日(5~305天)的性状, 高达上百个, 需要估算更多的参数, 无法实现, 因此不能使用多性状模型进行分析.

3.3 测定日回归模型的分析优势

• 1, 可以分析多个性状的情况, 比如100天, 300天产奶量

• 2, 利用Legendre多项式, 不同阶数的比较, 选择最优模型, 结果可以转化为常规多性状模型的形式, 包括各性状遗传相关和表型相关, 各性状遗传力, 重复力等

• 3, 相对于多性状模型, 模型更容易收敛, 结果也更准确

3.4 随机回归模型到动物模型的复杂度

4. 测定日模型的分析思路

4.1 测定日回归模型的操作方法1: 书写模型

4.2 测定日回归模型的操作方法2: 参数估算

4.3 测定日回归模型的操作方法3: 结果展示

5. 文献解析: 使用测定日模型评估荷斯坦奶牛的遗传参数

5.1 文献题目

5.2 数据

数据的基本信息
数据根据测定日DIM分成10个月，主要用于残差异质性定义。

5.3 模型书写

5.4 固定因子显著性以及BLUE值

5.5 筛选最优模型评定，加性是4阶，永久环境效应是3阶

5.6 方差组分随时间变化曲线

5.7 遗传力和重复力随时间变化曲线

5.9 不同测定日遗传相关和表型相关