Estimação de componentes de variância utilizando-se inferência Bayesiana e frequentista em dados simulados sob heterogeneidade de variâncias.

• Autor(a) principal: CARNEIRO JUNIOR, J. M.
• Data de Publicação: 2007
• Outros Autores: ASSIS, G. M. L. de, EUCLYDES, R. F., TORRES, R. de A., LOPES, P. S.
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Repositório Institucional da EMBRAPA (Repository Open Access to Scientific Information from EMBRAPA - Alice)
• Texto Completo: http://www.alice.cnptia.embrapa.br/alice/handle/doc/505159
• topic: Avaliação genética; Genetic parameters; Amostragem de Gibbs; Gibbs sampling; Inferência Bayesiana; Bayesian inference; Metodologia REML; Informação a priori; Heterogeneidade de variância; Componentes de variância; Sistema Genesys; Cruce de animales; Heterogeneidad genética; Simulación por computadora; Varianza genética; Análisis estadístico; Melhoramento genético animal; Parâmetro genético; Estimativa; Análise estatística; Genoma; Modelo de simulação; Animal breeding; Genome; Genetic variance; Genetic heterogeneity; Statistical analysis; Computer simulation

Foi simulado um genoma de 3.000 centimorgans de comprimento considerando uma única característica quantitativa, governada por 800 locos com dois alelos por loco. Segundo a estrutura genômica proposta, foram simulados 1.500 machos e 1.500 fêmeas que formaram a população-base. A partir da população-base foram formadas duas populações iniciais, uma grande e outra pequena. Dois tipos de estruturas de heterogeneidade de variâncias foram inseridos nas populações iniciais: heterogeneidade de variância genética aditiva e heterogeneidade de variâncias genética aditiva e ambiental. Para obtenção destas estruturas, foram feitos descartes estratégicos dos valores genéticos aditivos e ambientais de acordo com o tipo de heterogeneidade e o nível de variabilidade desejada: alta, média ou baixa. Os componentes de variância foram estimados por meio da metodologia Bayesiana via Amostragem de Gibbs e pelo método REML. Para a metodologia Bayesiana, foram utilizados três níveis de informação a priori: não-informativo, pouco informativo e informativo. Os métodos comparados apresentaram resultados semelhantes quando priors não-informativos foram utilizados e as populações de tamanho grande, de modo geral, apresentaram melhores estimativas. Para as populações pequenas, as análises realizadas considerando os níveis de variabilidade separadamente apresentaram maiores problemas, em virtude do pequeno tamanho das subpopulações formadas. Observou-se, para a metodologia Bayesiana, que o aumento no nível de informação a priori influenciou positivamente as estimativas dos componentes de variância, principalmente para as populações pequenas. Portanto, na presença de heterogeneidade de variâncias, as metodologias se comportam de forma semelhante. Entretanto, para populações pequenas a metodologia Bayesiana conduz a melhores estimativas quando informações adicionais estão disponíveis.