Mixed‐Model Analysis of Crossover Genotype–Environment Interactions
Notice bibliographique
Résumé
Genotype–environment interactions (GEI) are important in crop improvement if genotype ranks change across environments. Current tests for crossover (rank changing) interactions (COI) assume that effects are all fixed or all random. The objective of this study was to develop a new test for COI under the model with a mixture of fixed and random genotypic, environmental, and GEI effects. The key part of this new test is that the difference between a pair of genotypes at a random environment or the difference between a pair of environments for a random genotype involves the linear combinations (predictable functions) of both best linear unbiased estimates (BLUEs) of fixed effects and best linear unbiased predictors (BLUPs) of random effects. The predictable functions are used in the same way as the usual estimable functions for the fixed effects in hypothesis testing except that the BLUPs of random effects are adjusted by accounting for the uncertainty arising from the distributions of these effects. Strategies are proposed to implement the procedure using the SAS system. The procedure was used to analyze barley (Hordeum vulgare L.) and field pea (Pisum sativum L.) cultivar trials. The analyses show that treating random effects as fixed, as may happen with previous analysis procedures, results in detection of more COI than mixedߚ or random‐effect models. Therefore, significant COI may be overemphasized when random GEI effects are treated as fixed.
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 | 0,011 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».