Modeling unstructured heterogeneity along with spatially correlated errors in field trials
Notice bibliographique
Résumé
In this paper we consider analysis of two experimental data sets for evaluating lentil genotypes. One of these data sets comes from an incomplete block design and the other one from a complete block design. The incomplete blocks contribute to the experimental error reduction and spatially correlated plot-errors can be modeled using autoregressive scheme that may lead to further improvement in the assessment of the genotypes. Such an approach was applied in several other studies to model the linear trends and spatially correlated errors. However, the assumption of a constant error variance restricts the scope of the analysis in many agricultural field trials, and in other situations in general, where heterogeneity of error variances is a reality. In this study, we have approached the problem first by fitting a model with constant error variance and generating the residuals. Using the squared residuals, we use K-cluster means technique to group the experimental units for similar squared-residuals. Next, we allow the error variances to vary with the group of the experimental units which need not require any spatial restrictions to model the error variances. The number of heterogeneous errors and the experimental units belonging to the heterogeneous clusters are obtained using the AIC criterion values followed by a groups merger scheme based on insignificant change in the residual maximum log likelihood values. The final models with heterogeneous variances were used to evaluate the precision of the genotype means comparisons. We found a substantial improvement on the effciency of the pair-wise comparisons over the other ways of analysis. We recommend the application of this procedure in any general situation permitting unstructured heterogeneity.
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 | 0,038 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».