ASReml-R代码段:约束差异组件
通常,在拟合一个复杂的线性混合模型(LMM)后,我们对约束一些方差分量(VC)感兴趣。我们之所以要这样做,有很多原因,例如,当我们将来自多个来源的数据组合在一起并希望有一个共同的参数时,或者当我们希望简化模型以评估与这些组成部分相关的特定假设时。在这段代码中,我们将简要探讨一个示例,其中我们将两个VC约束为相同。该示例来自Becker(1984),对应于28个白松(Pinus monticola)家系的数据,这些家系由4对父本和7对母本杂交而成。子代采用4个重复的随机完整区组设计进行评估,并在大面积种植。我们感兴趣的反应是上胚轴长度,即植物芽系统发育所需的胚苗茎段。使用ASReml-R,拟合到此数据的参考模型$\\texttt{(mod0)}$为:```明文mod0<-asreml(固定=长度~rep,随机=~女性+男性+女性:男性,数据=松)```在上面的模型中,我们有一个固定的复制效应($\\texttt{rep}$),以及父母及其交互作用的随机效应($\texttt{female}$、$\\textt{male}$and$\\texttt{female:male}$s)。该LMM在ASReml-R中产生以下输出:||组件|标准错误| z.ratio |绑定|%ch|| --- | --- | --- | --- | --- | --- ||男|0.1203614|0.1203723|0.9999094|P|0||女性|0.0209448|0.0420690|0.4978693|P|0||女性:男性|0.1368513 | 0.0628149 | 2.1786443 | P|0||单位!R | 0.2004263 | 0.0314941 | 6.3639416 | P | 0|在这个例子中,男性的方差($\hat{{\\sigma\_m}}^2$=0.120)大约是女性方差($\\hat{\\simma\_f}}^2$=0.021)的六倍。因此,男性和女性的加性方差是不同的:$\\texttt{V}{Am}=4\\space\\sigma\_m^2\\neq4\\space\ sigma\f^2=\\texttt}V}{Af}$。上述结果在生物学上似乎对松树来说是不合理的,因为松树的父本和母本(_i.e_.,$\\texttt{V}{A}$)的遗传贡献通常非常相似。因此,我们预计它们的遗传变异几乎相同。也就是说,我们认为$\\sigma\_f^2=\\sigma \_m^2$。我们的参考模型中不一致的VC估计可能是对家庭进行随机抽样的结果,也可能是由于该数据集中考虑的父母数量有限(请记住,我们只有4名男性和7名女性父母)。在ASReml-R中,约束$\\sigma\_f^2=\\sigma \_m^2$很容易实现。这是通过创建一个矩阵来完成的,比如$\\texttt{M}$,它定义了VC的_grouping_。同一组(_i.e_.,具有相同编号)中的所有VC将被约束为相同。对于我们的问题,矩阵如下所示:```明文##V1 V2版##母1 1##男1 1##女性:男性2 1##单位!第31轮```第一列$\\texttt{V1}$表示_grouping_;因此,有三个风险投资公司,其中两个($\\texttt{female}$和$\\texttt{mayle}$)是相同的。第二列$\\texttt{V2}$用于指定组件之间的乘法关系,但这是另一个ASReml-R代码段的主题。使用以下R代码可以方便地构造上述矩阵$\\texttt{M}$。首先从ASReml-R请求VC参数表($\\texttt{gam}$):```明文modC<-asreml(固定=长度~rep,随机=~女性+男性+女性:男性,start.values=真,数据=松)gam<-modC$vparameters.table```然后,它继续使用表$\\texttt{gam}$中的列名生成约束的矩阵$\\texttt{M}$:```明文M<-作为矩阵(数据帧(V1=c(1,1,2,3),V2=c(2,1,1)))dimnames(M)[[1]<-gam$组件```现在,我们准备用约束$\\sigma\_f^2=\\sigma \_m^2$来拟合ASReml-R中的模型。使用选项$\\texttt{vcc=M}$合并矩阵$\\texttt{M}$:```明文modC<-asreml(固定=长度~rep,随机=~女性+男性+女性:男性,vcc=M,数据=松)```在ASReml-R中拟合此约束模型的输出为:||组件|标准错误| z.ratio |绑定|%ch|| --- | --- | --- | --- | --- | --- ||男|0.0639041|NA|NA|C|0.5||内螺纹|0.0639041|0.0369027|1.731692|P|0.5||女性:男性|0.1327523|0.0602139|2.204676|P|0.0||单位!R|0.2005090|0.0312342|6.419535|P|0.0|在上表中,$\\hat{{\sigma\_m}}^2=\\hat{\sigma\_m}^2$=0.064。还要注意,这个方差分量的z比率(1.731)远高于从我们的参考模型(从第一个表中)获得的$\\texttt{male}$(1.000)或$\\texttt{female}$s(0.498)的z比率,这表明更好地利用了可用信息。我们使用似然比检验(LRT)对约束模型($\\texttt{modC}$)和参考模型($\texttt{mode0}$)进行了统计比较。这是使用函数($\\texttt{lrt.asreml}$)实现的:```明文lrt.asreml(modC,mod0,boundary=FALSE)```||df|LR-statistic|Pr(Chisq)|| --- | --- | --- | --- ||mod0/modC|1|1.03068|0.309999|轻轨表明,我们的无效假设$\\texttt{H}_0:\\sigma\_f^2=\\sigma \_m^2$不能被拒绝,取而代之的是我们的替代假设$$\\texttt{H}_1:\\signa\_f2\\neq\\sigma-m^2$p值=0.31。也就是说,尽管$\\texttt{male}$的估计方差大约是$\\texttt{female}$在$\\texttt{mod0}$下的方差的六倍,但没有足够的统计证据表明它们是不同的。这可能是因为本研究中考虑的亲本和杂交后代数量有限(即,统计能力低)。作为最后的扩展,对于约束分析,我们还可以使用函数$\\texttt{vpredict}$计算狭义遗传率,如下所示:```明文vpredict(modC,h2~4*V2/(V1+V2+V3+V4))```||估算| SE|| --- | --- | --- ||h2|0.5543991|0.2486712|上述结果为我们提供了$h^2$,0.554(SE=0.249)的估计值,这是一个相当高的遗传力估计值,但具有很大的不确定性。这种ASReml-R方法用于约束方差分量的吸引力在于,对于任何复杂的线性混合模型,对于大多数感兴趣的假设,或评估具有特定生物或数学约束的模型,可以在矩阵$\\texttt{M}$的列$\\texttt{V1}$中轻松指定约束。##作者萨尔瓦多·A·盖赞##参考文献贝克尔(1984)_定量遗传学手册,第4版。华盛顿州普尔曼市学术企业。##要下载的文件[白色.txt](https://web-global-media-storage-production.s3.eu-west-2.amazonaws.com/WHITEPINE.txt)[约束R](https://web-global-media-storage-production.s3.eu-west-2.amazonaws.com/CONSTRAIN.R)**注释**:SAG 2020年5月