GGE Biplot vs. AMMI Analysis of Genotype‐by‐Environment Data
Notice bibliographique
Résumé
ABSTRACT The use of genotype main effect (G) plus genotype‐by‐environment (GE) interaction (G+GE) biplot analysis by plant breeders and other agricultural researchers has increased dramatically during the past 5 yr for analyzing multi‐environment trial (MET) data. Recently, however, its legitimacy was questioned by a proponent of Additive Main Effect and Multiplicative Interaction (AMMI) analysis. The objectives of this review are: (i) to compare GGE biplot analysis and AMMI analysis on three aspects of genotype‐by‐environment data (GED) analysis, namely mega‐environment analysis, genotype evaluation, and test‐environment evaluation; (ii) to discuss whether G and GE should be combined or separated in these three aspects of GED analysis; and (iii) to discuss the role and importance of model diagnosis in biplot analysis of GED. Our main conclusions are: (i) both GGE biplot analysis and AMMI analysis combine rather than separate G and GE in mega‐environment analysis and genotype evaluation, (ii) the GGE biplot is superior to the AMMI1 graph in mega‐environment analysis and genotype evaluation because it explains more G+GE and has the inner‐product property of the biplot, (iii) the discriminating power vs. representativeness view of the GGE biplot is effective in evaluating test environments, which is not possible in AMMI analysis, and (iv) model diagnosis for each dataset is useful, but accuracy gain from model diagnosis should not be overstated.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».