Aplicações dos modelos lineares mistos na pesquisa agropecuária

Autores

  • Érica M Pereira
  • Geraldo A Gravina
  • José Tarcísio L Thiébaut

Resumo

Os modelos mistos são tradicionalmente estudados com o uso do procedimento da análise de variância, quando os componentes de variância são estimados pela solução de um sistema linear de equações. Para a análise dos modelos lineares mistos, alguns pontos são relevantes: a predição dos efeitos aleatórios, testes e estimação dos componentes de variância, estimação e testes de hipóteses para os efeitos definidos como fixos. Na análise dos modelos lineares mistos desbalanceados, o problema não é tão simples e o uso do pacote estatístico SAS (Statistical Analysis System) pode ser utilizado, demandando um volume maior de conhecimento teórico, em razão da opção pela estrutura da matriz de variância e co-variância e da escolha do método de estimação dos componentes. No procedimento MIXED estão disponíveis os métodos ML Maximum Likelihood, REML (Restricted Maximum Likelihood) e MIVQUE (Minimum Variance Quadratic Unbiared), descritos respectivamente por Hartley e Rao (1967), Rao (1971a) e Patterson e Thompson (1971). Para uso otimizado do SAS é necessário também que se defina o tipo de soma de quadrados mais adequado: ss1, ss2, ss3 ou ss4, segundo o SAS. Por suas propriedades, o método REML é o mais indicado e, para dados com desbalanceamento, a soma de quadrados do tipo ss3 deve ser escolhida. Quando os dados estão balanceados, os quatro tipos de soma de quadrados apresentam os mesmos resultados.

Palavras-chave:

Modelos mistos, delineamento inteiramente casualizado, balanceados, SAS e genes

Downloads

Não há dados estatísticos.

Biografia do Autor

Érica M Pereira

Estudante de Pós-Graduação - LEAG/CCTA/UENF.

Geraldo A Gravina

Estudante de Pós-Graduação - LEAG/CCTA/UENF.

José Tarcísio L Thiébaut

Professor Assocido - LEAG//CCTA/UENF.

Referências

Analla M, Sanchez-Palma A, Munoz-Serrano A, Serradilla JM (1995) Simulation analysis with BLUP methodology of different data structures in goat selection schemes in Spain. Small Ruminant Research 17: 51-55.

Bereskin B, Lush JL (1965) Genetic and environmental factors in dairy sire evaluation. III. Influence of environmental and others extraneous correlations among the daughters. Journal of Dairy Science 48: 356-360.

Boldman KG, Freeman AE (1990) Adjustment for heterogeneity of variances by herd production level in dairy cow and sire evaluation. Journal of Dairy Science 73: 503-512.

Boldman KG, van Vleck LD (1991) Derivative-free restricted maximum likelihood estimation in animal models with a sparse matrix solver. Journal of Dairy Science 74: 4337-4343.

Dickerson GE (1962) Implications of genetic-environmental interactions in animal breeding. Animal Production 4: 47-57.

Dodenhoff J, Swalve HH (1998) Heterogeneity of variances across regions of northern Germany and adjustment in genetic evaluation. Livestock Production Science 53: 225-236.

Dong MC, Mad IL (1990) Heterogeneity of (co)variance and heritability in different levels of intra herd milk production and of herd average. Journal of Dairy Science 73: 843-851.

Falconer DS (1952) The problem of environment and selection. American Naturalist 86: 293-298.

Foulley JL, Im S, Gianola D, Höschele I (1987) Empirical Bayes estimation of parameters for n polygenic binary traits. Genetics, Selection, Evolution 19: 197-224.

Hartley HO, Rao JNK (1967) Maximum-likelihood estimation for the mixed analysis of variance model. Biometrika 54: 93-108.

Henderson CR (1953) Estimation of variance and covariance components. Biometrika 9: 226-52.

Kennedy BW (1975) Comparison of genetic group and relationship methods for mixed model sire evaluation. Journal of Dairy Science 58: l507-15144,.

Kennedy BW (1988) Workshop on estimation of breeding values with the animal model. Guelph, Ontario: University of Guelph.

Lush J. (1945) The Built Index problem in the light of modern genetics. Journal of Dairy Science 16: 501-522.

Meyer DJ (1987) The management of cytology specimens. Compendium on Continuing Education - Small Animal Practice 9: 10-17.

Meyer K (1989) Restricted maximum likelihood to estimate variance components for animal models with several random effects using a derivative-free algorithm. Genetics, CelectionEvolution 21: 317-340.

Mirande SL, Van Vleck LD (1985) Trends in genetic and phenotypic variances for milk production. Journal of Dairy Science 68: 2278-2286.

Mohammad WA, Lee AJ, Grossman M (1982) Genotype-environment interaction in sire evaluation. Journal of Dairy Science 65: 857-860.

Ojala M, Syvajarvi J, Hellman T (1984) Effect of the size of the comparison on the accuracy of a sire’s evaluation. Journal of Animal Breeding 102: 91-94.

Patterson HD, Thompson R (1971) Recovery of inter-block information when block sizes are unequal. Biometrika 58: 545-554.

Rao CR (1970) Estimation of heteroscedastic variance in linear models. Journal of the American Statistical Association 65: 161-172.

Rao CR (1971a) Minimum variance quadratic unbiased estimation of variance components. Journal of Multivariate Analysis 1: 445-456.

Rao CR (1971b) Estimation of variance and covariance components minque theory. Journal of Multivariate Analysis 1: 257-275.

Rao R (1972) Estimation of variance and covariance components in linear models. Journal of the American Statistical Association 67: 112-115.

Robertson A, O’Connor LK, Edwards J (1960) Progeny testing dairy bulls at different management levels. Animal Production 2: 141-152.

Schaeffer LR(1978) Simultaneous estimation of variance and covariances components from multitrait mixed model equations. Biometrics 34: 199-208.

Schenkel FS (1991) Aplicação da metodologia de modelos mistos na avaliação genética de suínos. Dissertação Mestrado. Porto Alegre, Universidade Federal do Rio Grande do Sul.

Searle SR (1971) Topics in variance component estimation. Biometrics 27: 1-76.

Searle SR (1982) Matrix Algebra Useful to Statistics. New York, John Wiley and Sons.

Searle S, Casella G, McCulloc CE (1992) Variance Components. New York, John Wiley and Sons.

Short RE, Bellows RA, Staigmiller RB, Berardinelli JG, Custer EE (1990) Physiological mechanisms controlling anestrus and infertility in postpartum beef cattle. Journal of Animal Science 68: 799-816.

Spike PL, Freeman AE (1978) Prediction of genetic differences among herds with estimates of breeding values. Journal of Dairy Science 61: 1476-1482.

Stanton TL, Blake RW, Van Vleck LD, Quaas RL (1991) Genotype by environment interaction for Holstein milk yield in Colombia, Mexico, and Porto Rico. Journal of Dairy Science 74: 1700-1714.

Tong AKW, Kennedy BW, Moxley JE (1980) Potential errors in sire evaluation from regional genetic differences. Journal of Dairy Science 63: 627-633.

Torres RA (1998) Efeito da heterogeneidade de variância na avaliação genética de bovinos da raça holandesa no Brasil. Belo Horizonte, UFMG.

Publicado:

2012-04-02

Downloads

Como Citar

Pereira, Érica M., Gravina, G. A., & Thiébaut, J. T. L. (2012). Aplicações dos modelos lineares mistos na pesquisa agropecuária. Natureza Online, 10(2), 52–58. Recuperado de https://naturezaonline.com.br/revista/article/view/298

Artigos mais lidos pelo mesmo(s) autor(es)