Using Factor Analytic Models for Joining Environments and Genotypes without Crossover Genotype × Environment Interaction
Notice bibliographique
Résumé
Genotype × environment interaction variability can be due to crossover interaction (COI) or to non‐COI. Statistical methods for detecting and quantifying COI and for forming subsets of environments and/or genotypes with negligible COI have been based on fixed effects linear–bilinear models. Linear mixed models and the factor analytic (FA) variance–covariance structure offer a more realistic and effective approach for quantifying COI and forming subsets of environments and genotypes without COI. The main objectives of this study are (i) to present an integrated methodology for clustering environments and genotypes with negligible COI based on results obtained from fitting FA to multi‐environment trial (MET) data; and (ii) to detect COI using predictable functions based on the linear mixed model with FA and Best Linear Unbiased Prediction (BLUP) of genotypes. Two CIMMYT maize ( Zea mays L.) international METs are used to illustrate the method for searching for subsets of environments and genotypes with negligible COI. Results from both data sets showed that the proposed method formed subsets of environments and/or genotypes with negligible COI. The main advantage of the integrated approach is that one unique linear mixed model, the FA model, can be used for (i) modeling the association among environments; (ii) forming subsets of environments without COI; (iii) grouping genotypes into non‐COI subsets; and (iv) detecting COI using the appropriate predictable function.
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 | 0,012 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».