1 / 33

Plan na dziś

Plan na dziś. Ogólny model liniowy (GLM) Model mieszany (MIXED). Ogólny model liniowy. OML ł ączy zalety ANOVA i analizy regresji. gr. słoniny = stado + masa półtuszy + reszta. zm. klasyfikująca. zm. ciągła. Parametry modelu. β 0 = efekt wspólny β 1 = efekt stada A

jaimin
Télécharger la présentation

Plan na dziś

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Plan na dziś • Ogólny model liniowy (GLM) • Model mieszany (MIXED)

  2. Ogólny model liniowy • OML łączy zalety ANOVA i analizy regresji gr. słoniny = stado + masa półtuszy + reszta zm. klasyfikująca zm. ciągła

  3. Parametry modelu β0 = efekt wspólny β1 = efekt stada A β2 = efekt stada B efekt stada C = 0 β3 = regr. na masę półtuszy Jeden poziom efektu stałego jest zawsze wyzerowany!

  4. 23 mm stado A 42 kg 24 mm stado B 40 kg 22 mm stado C 41 kg 23 = 1β0+ 1β1 + 0β2+ 42β3+ e1 24 = 1β0+ 0β1 + 1β2+ 40β3+ e2 22 = 1β0+ 0β1 + 0β2+ 41β3+ e3

  5. Zapis macierzowy β0 β1 β2 β3 23 24 = 22 e1 + e2 e3 1 1 0 42 1 0 1 40  1 0 0 41 y = X + e

  6. General Linear Model data swinie ; infile “C:\...\mojplik.txt” ; input slonina stado $ waga ; procGLMdata=swinie; class stado ; model slonina = stado waga ; run ;

  7. Sumy kwadratów • Typu I-ego: zależą od pozycji efektu w modelu! Oszacowany efekt masy półtuszy uzględnia wpływ stada, ale nie odwrotnie. • Typu III-ego: nie zależne od pozycji efektu w modelu! Każdy efekt jest poprawiony względem pozostałych.

  8. Rozwiązania procGLMdata=swinie; class stado ; model slonina = stado waga / solutions; run ; Testowanie efektów: H0 1 = 0 H1 1  0 (test dwustronny) poziom istotności w kolumnie Pr > |t| Jeden poziom wyzerowany!

  9. Średnie najmniejszych kwadratów to średnie jakich byśmy oczekiwali dla zbalansowanych danych. Średnie NK Układ niezbalanowany Tu brakuje obserwacji

  10. Średnie NK procGLMdata=swinie; class stado ; model slonina = stado waga ; lsmeans stado / stderr ; run ; Oblicza błąd standardowy i testuje hipotezę średnia=0 Oblicza średnie least-squares

  11. Interakcja Y = ABA*B Interakcja A1 A2B1 B2A1B1 A1B2 A2B1 A2B2

  12. Efekty zagnieżdżone A1 A2 B1 B2 B1 B2 Y = AB(A) A1 A2B1 B2A1B1 A1B2 A2B1 A2B2 B nie występuje jako efekt główny.

  13. Porównania wielokrotne procGLMdata=swinie; class stado ; model slonina = stado waga ; means stado / opcja; run ; DUNCAN LSD – najmniejsza istotna różnica TUKEY Means oblicza nie poprawione średnie, SNK Student-Newman-Keuls

  14. Porównania średnich NK lsmeans stado / pdiff=all adjust=tukey; Testuje hipotezę H0: LSM(i)=LSM(j)

  15. Pomiary powtarzane 23 mm 23 mm 22 mm stado A 42 kg 19 mm 18 mm 17 mm stado B 40 kg 22 mm 21 mm 22 mm stado C 41 kg Pomiary wykonywane na tych samych obiektach (świniach) mogą być skorelowane!

  16. Pomiary powtarzane – c.d • y1 y2 y3 stado waga • 23 22 A 42 • 19 18 17 B 40 • 22 21 22 C 41 procGLM; class stado ; modely1-y3 = stado waga ; repeated czas; run ; Dowolna nazwa dla czynnika wewnątrz- obiektowego

  17. Model mieszany y = X +Zu + e Zawiera zarówno efekty stałejak i losoweu

  18. Kiedy efekt losowy? Efekt jest losowy, jeżeli po powtórzeniu próbkowania możemy wylosować inne jego poziomy. Np. losowanie 30 koni I próbkowanie: umaszczenie gniade 20 koni. umaszczenie pstrokate 10 koni II próbkowanie umaszczenie gniade 15 umaszczenie myszate 15

  19. Kiedy efekt losowy? Gdy chcemy wnioskować o czynniku, ale nie mamy wszystkich jego poziomów. Np. Analizujemy wpływ pór roku, ale mamy dane tylko z lata i jesieni.

  20. Kiedy efekt losowy? Gdy chcemy uwględnić fakt, że obserwacje są skorelowane ...lub gdy efekty skorelowane są naszym przedmiotem zainteresowania. Np. Wartość hodowlana świni A jest skorelowana z w.h. świni B, bo A i B są spokrewnione.

  21. Zależności między efektami y = X +Zu + e Zależności między efektami zdefiniowane w macierzy G Zależności między resztami zdefiniowane w macierzy R

  22. Przykład buhaj 2 krowa 3 krowa 4 stado A stado B y=11 y=6 buhaj 3 krowa 5 krowa 6 stado A stado B y=7 y=14 buhaj 1 krowa 1 krowa 2 stado A stado B y=9 y=12 y = X+e 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 V = R = 6 9 12 11 6 7 14 1 0 0 1 1 0 1 0 1 0 0 1 stado A stado B = Y = X = Zakładamy, że obserwacje nie są skorelowane, ale to nieprawda!

  23. Przykład buhaj 2 krowa 3 krowa 4 stado A stado B y=11 y=6 buhaj 3 krowa 5 krowa 6 stado A stado B y=7 y=14 buhaj 1 krowa 1 krowa 2 stado A stado B y=9 y=12 y = X+Zu + e 8 2 0 0 0 0 2 8 0 0 0 0 0 0 8 2 0 0 0 0 2 8 0 0 0 0 0 0 8 2 0 0 0 0 2 8 buhaj 1 buhaj 2 buhaj 3 V=ZGZ`+R = 1 0 0 1 0 0 0 1 0 0 1 0 0 0 1 0 0 1 u = Z = 1 0 0 0 1 0 0 0 1 Teraz obserwacje są skorelowane, ale błędy nie! 2 G =

  24. Poziomy efektów losowych mogą być także skorelowane np. zależności między efektami proporcjonalne do spokrewnień (Animal Model) ojciecmatka córka ojciec1 0 1/2 matka01 1/2 córka1/21/2 1 matka ojciec G=A2A córka

  25. Model mieszany w SASie procMIXED ; class A B ; model Y = A B ; random C ; run ;

  26. BLUP AM Y = stado + animal + reszta Krowa 1 Buhaj 2 stado A y=3,1 • Założenia: • wariancja add. 2A = 1,0 • wariancja reszt 2E = 1,5 • ...czyli G = A×1,0 R = I×1,5 Córka 3 Córka 4 stado B y=3,5 stado B y=3,3

  27. BLUP AM krowa 11 0 0,5 0 buhaj 20 1 0,5 0,5 córka 30,5 0,5 1 0,25 córka 40 0,5 0,25 1 dataG ; inputRow Col1-Col4 ; cards ; 1 1 0 0.5 0 2 0 1 0.5 0.5 3 0.5 0.5 1 0.25 4 0 0.5 0.25 1 ; • dataG ; • inputRow Col Value ; • cards ; • 1 1 0 • 30.5 • 2 1 • 3 0.5 • itd.

  28. BLUP AM data mleko ; input stado $ animal $ Y ; cards ; A 1 3.1 A 2 . B 3 3.5 B 4 3.3 ; procmixeddata=mleko ; class stado animal ; model Y = stado ; random animal / type=un gdata=G s; parms1.5 / hold=1 ; run ;

  29. Zadanie 1 Zbadaj wpływ leku (1-4) i choroby (1-3) oraz interakcji między nimi na wskaźnik wydajnościowy organizmu. Czy układ jest zbalansowany? Który efekt jest istotny? Porównaj średnie najmniejszych kwadratów w parach. Dane: Procedura wczytania danych: 1 1 42 44 36 13 19 22 1 2 33 . 26 . 33 21 1 3 31 -3 . 25 25 24 2 1 28 . 23 34 42 13 2 2 . 34 33 31 . 36 2 3 3 26 28 32 4 16 3 1 . . 1 29 . 19 3 2 . 11 9 7 1 -6 3 3 21 1 . 9 3 . 4 1 24 . 9 22 -2 15 4 2 27 12 12 -5 16 15 4 3 22 7 25 5 12 . data a; input lekchoroba @; do i=1 to 6; input y @; output; end; cards ;

  30. Zadanie 2 Zbadaj skuteczność antybiotyku (a-f) na stopień zakażenia pacjentów (po) uwzględniając stopień zakażenia przed leczeniem (przed) jako drugi efekt w modelu. Wytłumacz różnicę między wynikiem dla antybiotyku obliczonym wg sum kw. typu I i III. data AB; input anty $ przed po @@; cards; a 11 6 a 8 0 a 5 2 a 14 8 a 19 11 a 6 4 a 10 13 a 6 1 a 11 8 a 3 0 d 6 0 d 6 2 d 7 3 d 8 1 d 18 18 d 8 4 d 19 14 d 8 9 d 5 1 d 15 9 f 16 13 f 13 10 f 11 18 f 9 5 f 21 23 f 16 12 f 12 5 f 12 16 f 7 1 f 12 20

  31. Zadanie 3 Analizowano wpływ mutacji w genie leptyny (CC, CG, GG) na ekspresję tego genu (poziom mRNA). Zbadano 14 świń i dla każdej wykonano 3 pomiary ekspresji genu. Zbadaj wpływ genu. http://jay.au.poznan.pl/~mcszyd/dyda/pakiety/index.html dane22.txt kol 1: genotyp Leptyny kol 2: pomiar 1 kol 3: pomiar 2 kol 4: pomiar 3

  32. Zadanie 4 Analizowano wpływ genotypu w genie leptyny (CC, CG) na średnią grubość słoniny. Wykonaj obliczenia (a) ignorując wpływ ojca i (b) traktując wpływ ojca jako efekt losowy. Uwzględnij wiek uboju i masę półtuszy. http://jay.au.poznan.pl/~mcszyd/dyda/pakiety/index.html dane23.txt kol 1: kod rasy kol 2: numer próby kol 3: numer ojca kol 4: genotyp RYR kol 5: genotyp Leptyny kol 6: średnia gr. słoniny (cm) kol 7: wiek uboju (dni) kol 8: masa półtuszy (kg)

  33. Zadanie dla chętnych Oceń wartość hodowlaną buhajów i krów wzg. zawartości tłuszczu w mleku przyjmując, że wariancja genetyczna addytywna = 0,75, a wariancja reszt = 1,3. 1 2 3 4 5 krowa stado %tłuszczu 2 A 3,3 3 A 3,1 5 B 3,0 6 B 2,9 8 B 3,4 9 A 3,5 10 B 3,2 6 7 8 9 10 zwierzęta ponumerowane rosnąco od najstarszych do najmłodszych

More Related