Validation of an Approximate REML Algorithm for Parameter Estimation in a Multitrait, Multiple Across-Country Evaluation Model: A Simulation Study
Notice bibliographique
Résumé
A multitrait, multiple across-country evaluation (MT-MACE) model permitting a variable number of correlated traits per country allows international genetic evaluation models to more closely match national models. Before the MT-MACE evaluation can be applied, genetic (co)variance components within and across country must be estimated. An approximate REML algorithm for parameter estimation was developed and was validated via simulation. This method is based on the expectation maximization REML (EM-REML) algorithm. Because obtaining the inverse of co-efficient matrix is not usually feasible for large amounts of data, an algorithm using the multiple-trait effective daughter contribution (EDC) is proposed to provide approximate diagonal elements of the inverse matrix. The accuracy of the approximate EM-REML was tested with simulated data and compared with an average information REML (AI-REML) from available software. Two simulation studies were performed. First, data of 2 countries were simulated using a single-trait model. Estimates of across-country genetic correlations with the developed algorithm were unbiased and very precise. The precision, however, depended on the percentage of bulls with data in both countries. The results obtained with the approximate EM-REML software were very close to those obtained with the AI-REML software regarding estimated genetic correlations and bulls' estimated breeding values. The second simulation assumed a multiple trait model and the same number of traits, pedigree structure, EDC, and pattern of missing records as for actual observations for milk yield obtained from French and German national Holstein evaluations. As with the single-trait scenarios, the approximate EM-REML gave nearly unbiased and very precise estimates of within- and across-country genetic correlations. The results obtained in both simulation studies confirmed the suitability of the MT-MACE model and approximate EM-REML software in a wide range of situations. Even when the genetic trend was incorrectly estimated by the national evaluations, a joint analysis including a time effect in the MT-MACE model adequately corrected for this bias.
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 | 0,019 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».