Scribd
Cargar
107 vistas13 páginas

Calculos de BLUPs Explicado

Este documento presenta los resultados de un modelo lineal mixto analizando los efectos fijos y aleatorios sobre la variable dependiente PG. Se muestran los coeficientes de los efectos fijos incluyendo la media y los efectos de los genotipos. También se presentan las varianzas de los efectos aleatorios y los valores BLUP de cada efecto aleatorio. Finalmente, se explica cómo construir los valores predichos utilizando la ecuación del modelo con los coeficientes estimados.

Cargado por

jorgechalcovera
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
107 vistas13 páginas

Calculos de BLUPs Explicado

Este documento presenta los resultados de un modelo lineal mixto analizando los efectos fijos y aleatorios sobre la variable dependiente PG. Se muestran los coeficientes de los efectos fijos incluyendo la media y los efectos de los genotipos. También se presentan las varianzas de los efectos aleatorios y los valores BLUP de cada efecto aleatorio. Finalmente, se explica cómo construir los valores predichos utilizando la ecuación del modelo con los coeficientes estimados.

Cargado por

jorgechalcovera
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd

Carga de Datos

Modificación del encabezado de la columna B (bloque) por REP

Generación del factor anidado Bloque dentro de ambiente


Factor anidado A_REP

Al encabezado de esa columna lo cambiamos a B para designar el Bloque


Ahora pasamos al análisis
Efectos fijos
Efectos aleatorios profesionales

Tildamos sobre el cuadrado que dice matriz de efectos aleatorios BLUPs


Salida

Nueva tabla : 26/9/2018 - 10:44:35 a. m. - [Versión : 11/9/2017] - [R


3.3.3]

Modelos lineales generales y mixtos

Especificación del modelo en R

mlm.modelo.000_PG_REML<-lme(PG~1+G
,random=list(.U.=pdBlocked(list(pdIdent(~A-1)
,pdIdent(~G:A-1)
,pdIdent(~B-1))))
,method="REML"
,control=lmeControl(niterEM=150
,msMaxIter=200)
,na.action=na.omit
,data=mlm.modeloR.data00
,keep.data=FALSE)

Resultados para el modelo: mlm.modelo.000_PG_REML

Variable dependiente: PG

Medidas de ajuste del modelo

N AIC BIC logLik Sigma R2_0 R2_1


34 -3.20 6.84 8.60 0.12 0.17 0.92
AIC y BIC menores implica mejor

Pruebas de hipótesis marginales (SC tipo III)

numDF denDF F-value p-value


(Intercept) 1 31 189.35 <0.0001
G 2 31 20.97 <0.0001

Pruebas de hipótesis secuenciales

numDF denDF F-value p-value


(Intercept) 1 31 188.64 <0.0001
G 2 31 20.97 <0.0001

Pruebas de hipótesis tipo III - prueba

Source numDF denDF F-value p-value


1 G 2 31 20.97 <0.0001

Parámetros de los efectos aleatorios

Modelo de covarianzas de los efectos aleatorios: pdBlocked


Formula: ~A + G:A + B - 1

Desvíos estándares y correlaciones

D.E.
F14NOV 0.34
F27SEP 0.34
GH17JUL 0.34
GH2NOV 0.34 Esta parte de la salida te da la
2W:F14NOV 0.05 varianzas de los efectos
CO-407:F14NOV 0.05 aleatorios. Fijate que están
NL6:F14NOV 0.05
2W:F27SEP 0.05 repetidos los valores. Por
CO-407:F27SEP 0.05 ejemplo para los primeros tres
NL6:F27SEP 0.05 0.34. Como dice el encabezado
2W:GH17JUL 0.05
de la tabla son desvíos y hay
CO-407:GH17JUL 0.05
NL6:GH17JUL 0.05 que elevarlos al cuadrado para
2W:GH2NOV 0.05 sacar la varianza. Por ejemplo:
CO-407:GH2NOV 0.05 para la varianza del ambiente
NL6:GH2NOV 0.05
F14NOV_1.00 0.05 utilizamos el 0.342= 0.1156.
F14NOV_2.00 0.05 Para GxA será 0.052 = 0.0025 y
F14NOV_3.00 0.05 para el bloque lo mismo
F27SEP_1.00 0.05 porque es 0.052.
F27SEP_2.00 0.05
F27SEP_3.00 0.05
BH17JUL_1.00 0.05
BH17JUL_2.00 0.05
BH17JUL_3.00 0.05
BH2NOV_1.00 0.05
BH2NOV_2.00 0.05
BH2NOV_3.00 0.05
Coeficientes (BLUP) de los efectos aleatorios (~A + G:A + B - 1)

BLUP
F14NOV -0.34
F27SEP 0.01
GH17JUL 0.46
GH2NOV -0.13
2W:F14NOV -0.05
CO-407:F14NOV 0.02
NL6:F14NOV 0.02
2W:F27SEP 0.02
CO-407:F27SEP -0.02
NL6:F27SEP 2.5E-03
2W:GH17JUL 0.02
CO-407:GH17JUL 3.5E-03 Aquí tenemos los famosos BLUPs.
NL6:GH17JUL -0.01
2W:GH2NOV 0.01 Estos son los efectos como veras
CO-407:GH2NOV -2.0E-03 valores positivos y negativos
NL6:GH2NOV -0.01
F14NOV_1.00 0.01
F14NOV_2.00 0.01
F14NOV_3.00 -0.03
F27SEP_1.00 -0.01
F27SEP_2.00 0.01
F27SEP_3.00 -0.01
BH17JUL_1.00 0.01
BH17JUL_2.00 -0.01
BH17JUL_3.00 0.01
BH2NOV_1.00 -0.06
BH2NOV_2.00 0.03
BH2NOV_3.00 0.02

Para construir los BLUPs necesitamos primero ver el modelo:

El mismo es:

y ij =μ+G i + A j+ G× A ij + Bk (i)

En la salida anterior no teníamos los coeficientes de los efectos fijos que serían la media mu y
los valores genotípicos por lo tanto debemos calcularlos para ellos sobre el mismo de corrida
en la parte de efectos fijos donde aparece G tildamos el casillero que dice coeficientes de los
efectos fijos:
Salida:
Nueva tabla : 26/9/2018 - 11:13:34 a. m. - [Versión : 11/9/2017] - [R
3.3.3]

Modelos lineales generales y mixtos

Especificación del modelo en R

mlm.modelo.001_PG_REML<-lme(PG~1+G
,random=list(.U.=pdBlocked(list(pdIdent(~A-1)
,pdIdent(~G:A-1)
,pdIdent(~B-1))))
,method="REML"
,control=lmeControl(niterEM=150
,msMaxIter=200)
,na.action=na.omit
,data=mlm.modeloR.data01
,keep.data=FALSE)

Resultados para el modelo: mlm.modelo.001_PG_REML

Variable dependiente: PG

Medidas de ajuste del modelo

N AIC BIC logLik Sigma R2_0 R2_1


34 -3.20 6.84 8.60 0.12 0.17 0.92
AIC y BIC menores implica mejor

Pruebas de hipótesis marginales (SC tipo III)

numDF denDF F-value p-value


(Intercept) 1 31 189.35 <0.0001
G 2 31 20.97 <0.0001
Pruebas de hipótesis secuenciales

numDF denDF F-value p-value


(Intercept) 1 31 188.64 <0.0001
G 2 31 20.97 <0.0001

Pruebas de hipótesis tipo III - prueba

Source numDF denDF F-value p-value


1 G 2 31 20.97 <0.0001

Efectos fijos Aquí están los


coeficientes. El
interecept es la
Value Std.Error DF t-value p-value
media mu (u) y
(Intercept) 2.34 0.18 31 13.23 <0.0001 los valores de
GCO-407 0.26 0.06 31 4.11 0.0003 los genotipos
GNL6 -0.14 0.06 31 -2.21 0.0342 aparecen para
2. Esto te puede
Parámetros de los efectos aleatorios resultar raro
pero no es un
Modelo de covarianzas de los efectos aleatorios: pdBlocked error, sino que
Formula: ~A + G:A + B - 1 el tercer
genotipo tiene
Desvíos estándares y correlaciones valor 0 y eso es
porque los
valores resultan
D.E.
de las
F14NOV 0.34 diferencias de
F27SEP 0.34 las medias de
GH17JUL 0.34 cada genotipo
GH2NOV 0.34 con respecto a
2W:F14NOV 0.05 la media
CO-407:F14NOV 0.05 general.
NL6:F14NOV 0.05
2W:F27SEP 0.05
CO-407:F27SEP 0.05
NL6:F27SEP 0.05
2W:GH17JUL 0.05
CO-407:GH17JUL 0.05
NL6:GH17JUL 0.05
2W:GH2NOV 0.05
CO-407:GH2NOV 0.05
NL6:GH2NOV 0.05
F14NOV_1.00 0.05
F14NOV_2.00 0.05
F14NOV_3.00 0.05
F27SEP_1.00 0.05
F27SEP_2.00 0.05
F27SEP_3.00 0.05
BH17JUL_1.00 0.05
BH17JUL_2.00 0.05
BH17JUL_3.00 0.05
BH2NOV_1.00 0.05
BH2NOV_2.00 0.05
BH2NOV_3.00 0.05
Coeficientes (BLUP) de los efectos aleatorios (~A + G:A + B - 1)

BLUP
F14NOV -0.34
F27SEP 0.01
GH17JUL 0.46
GH2NOV -0.13
2W:F14NOV -0.05
CO-407:F14NOV 0.02
NL6:F14NOV 0.02
2W:F27SEP 0.02
CO-407:F27SEP -0.02
NL6:F27SEP 2.5E-03
2W:GH17JUL 0.02
CO-407:GH17JUL 3.5E-03
NL6:GH17JUL -0.01
2W:GH2NOV 0.01
CO-407:GH2NOV -2.0E-03
NL6:GH2NOV -0.01
F14NOV_1.00 0.01
F14NOV_2.00 0.01
F14NOV_3.00 -0.03
F27SEP_1.00 -0.01
F27SEP_2.00 0.01
F27SEP_3.00 -0.01
BH17JUL_1.00 0.01
BH17JUL_2.00 -0.01
BH17JUL_3.00 0.01
BH2NOV_1.00 -0.06
BH2NOV_2.00 0.03
BH2NOV_3.00 0.02

Ahora yendo nuevamente al modelo:

y ijk =μ +G i+ A j +G × Aij + Bk (i)

Tenemos que para el BLUPs de genotipo por ejemplo CO-407:

y 111=μ+G 1 + A1 +G × A11 + B1 (1)

Tenemos que poner los valores en esa ecuación: el genotipo CO-407 en el ambiente 1 bloque
1:

PG CO−407 , F 14 NOV , B 1=2.34 +0.26+ (−0.34 ) +0.02+0.01

BLUPs del
Media general Media del BLUPs del efecto del
(intercepto) genotipo ambiente BLUPs del bloque en ese
(sacado de la efecto del ambiente
tabla de efecto del (Sacado de la
BLUPs) genotipo en tabla de
ese ambiente BLUPs)
(Sacado de la
tabla de
BLUPs)
Y así vas construyendo para cada una de las combinaciones, tener en cuenta que el genotipo
que no tiene valor en la tabla de coeficientes de efectos fijos su media es 0, en este caso el 2-
Want. Por lo tanto para su primer BLUPs tendremos:

PG 2−Want ,F 14 NOV , B 1=2.34+0+ (−0.34 )+(−0.05)+0.01

También podría gustarte