Data depth, data completeness, and their influence on quantitative genetic estimation in two contrasting bird populations
Notice bibliographique
Résumé
Evolutionary biologists increasingly use pedigree-based quantitative genetic methods to address questions about the evolutionary dynamics of traits in wild populations. In many cases, phenotypic data may have been collected only for recent parts of the study. How does this influence the performance of the models used to analyse these data? Here we explore how data depth (number of years) and completeness (number of observations) influence estimates of genetic variance and covariance within the context of an existing pedigree. Using long-term data from the great tit Parus major and the mute swan Cygnus olor, species with different life-histories, we examined the effect of manipulating the amount of data included on quantitative genetic parameter estimates. Manipulating data depth and completeness had little influence on estimated genetic variances, heritabilities, or genetic correlations, but (as expected) did influence confidence in these estimates. Estimated breeding values in the great tit were not influenced by data depth but were in the mute swan, probably because of differences in pedigree structure. Our analyses suggest the 'rule of thumb' that data from 3 years and a minimum of 100 individuals per year are needed to estimate genetic parameters with acceptable confidence, and that using pedigree data is worthwhile, even if phenotypes are only available toward the tips of the pedigree.
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 | 0,000 | 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 ».