Sensitivity of Genotype by Environment Interaction Models to Outlying Observations
Notice bibliographique
Résumé
Plant breeding program depends on its ability to provide farmers with genotypes with guaranteed superior performance (phenotype) in terms of yield and/or quality across a range of environmental conditions. To achieve this aim, it is necessary to have an understanding of the model suitable for or leading to a good phenotype. In this study, two cases of scenarios were considered to have a clearer view of the performance of Genotype by Environment Interaction on the following four models; Additive Main Effect and Multiplicative Interaction (AMMI), Finlay Wilkinson (FW), Genotype and Genotype by Environment Interaction (GGE) and Mixed Model. We experiment the inference behind the violation of the assumption of normal distribution by observing the data contamination of two case scenarios (Lowest and Highest outlying observations). It was observed on the two data Types of Balance and Unbalance designs with different Levels of generations. We achieved that by comparative performance of the data contamination techniques under the two case scenarios; Case I scenario was done for Lowest Outlying Observations where 50%, 100% and 500% data contamination on the First Quarter (P1), Mid quarter (P2) and Last Quarter (P3). We then deduced from the result of the model evaluation that, at each levels of data contamination for Balance and Unbalance design, Mixed model was the ideal model for interaction. Case II scenario was done for Highest Outlying Observations where 50%, 100% and 500% data contamination on the First Quarter (P1), Mid quarter (P2) and Last Quarter (P3) were examined on each levels of generations. We then observed from the result of the model evaluation that, at each levels of data contamination for Balance and Unbalance design, Mixed model also outperformed the other three models.
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 ».