Modelos lineares generalizados mistos na avaliação genética da prenhez precoce na raça Nelore

Abstract

RESUMOUtilizaram-se os modelos lineares generalizados com as funções de ligação probit e logit na avaliação da prenhez precoce, e observaram-se os efeitos na variabilidade genética e na seleção de reprodutores quando diferentes idades são adotadas na definição dessa característica. A prenhez precoce foi estudada aos 15 (PP15) e 21 meses (PP21). Correlações entre os valores genéticos preditos e a porcentagem de touros em comum, considerando 10% dos touros com maiores valores genéticos (TOP10), entre a classificação dos modelos com função de ligação logit e probit e em cada modelo entre PP15 e PP21, foram calculadas. As herdabilidades para PP15 e PP21 foram próximas entre os modelos, exceto para PP15 utilizando a função de ligação probit. Aquelas entre os modelos e a TOP/10 foram altas. Os critérios de Akaike e Bayesiano apresentaram-se semelhantes entre os modelos. As correlações entre PP15 e PP21 e a TOP10, considerando o mesmo modelo, foram de média magnitude.

Artificial neural networks compared with Bayesian generalized linear regression for leaf rust resistance prediction in Arabica coffee

“…Multicollinearity is conditioned by the existence of correlations between markers and can result in inconsistent estimates of the regression coefficient and also in an overestimation of the direct effects of the explanatory variables on the dependent variable, which may lead to misinterpretation, and dimensionality issue occurs when the number of available observations is lower than the number of explanatory variables (or markers) included in the model (Cruz & Carneiro, 2003;Resende, 2007). The existence of multicollinearity and the dimensionality issue are limiting factors for the Bayesian models, since the once that data set used in this methodology needs to be defined and known priorly, satisfying the presupposition of being in the exponential family (Resende, 2007;Garcia et al, 2012). In comparison to this, the ANN is not affect by those issues because it does not involve stochastic modeling, since it is nonparametric and the theory behind them is quite different from the linear model BGLR described above, based on computational intelligence and principles of learning (Heslot et al, 2012;Silva et al, 2014).…”