Application of robust procedures for estimation of breeding values in multiple‐trait random regression test‐day model
Notice bibliographique
Résumé
Robust procedures for estimation of breeding values were applied to multiple-trait random regression test-day (TD) model to reduce the influence of outliers on inferences. Robust estimation methods consisted of correcting selected observations (defined as outliers) in the process of solving mixed-model equations in such a way that 'new' observations gave residuals (actual observation minus predicted) within k residual standard deviations for a given day in milk in 305-day lactation. Data were 980,503 TD records on 63,346 Canadian Jersey cows. Milk, fat, protein and somatic cell score in the first three lactations were analysed jointly in the model that included fixed herd-TD effect and regressions within region-age-season of calving, and regressions with random coefficients for animal genetic and permanent environmental effects. All regressions were orthogonal polynomials of order 4. Robust procedures for k = 1.5, 2.0, 2.5, 2.75 and 3.0 were contrasted with the regular best linear unbiased prediction (BLUP) method in terms of numbers and distributions of outliers, and estimated breeding values (EBV) of animals. Distributions of outliers were similar across traits and lactations. Early days in milk (from 5 to 15) were associated with larger frequency of outliers compared with the remaining part of lactation. Several, computationally simple, robust methods (for k > 2.0) reduced the influence of outlier observations in the model and improved the overall model performance. Differences in rankings of animals from robust evaluations were small compared with the regular BLUP method. No clear associations between changes in EBV (rankings) of top animals from different methods and the occurrence of outliers were detected.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».