Análise espacial e de vizinhança no melhoramento genético de plantas Neighborhood and spatial analysis in plant breeding
Três formas de análise espacial foram comparadas à análise do modelo linear Gauss-Markov normal em experimentos de Genética, tendo-se suposto os efeitos de progênies como aleatórios: médias móveis nos dados brutos (MM), médias móveis nos dados residuais (Papadakis - PPD) e análise espacial por meio...
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Embrapa Informação Tecnológica
2005-11-01
|
| Series: | Pesquisa Agropecuária Brasileira |
| Subjects: | |
| Online Access: | http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0100-204X2005001100004 |
| Summary: | Três formas de análise espacial foram comparadas à análise do modelo linear Gauss-Markov normal em experimentos de Genética, tendo-se suposto os efeitos de progênies como aleatórios: médias móveis nos dados brutos (MM), médias móveis nos dados residuais (Papadakis - PPD) e análise espacial por meio de modelagem de covariâncias residuais (AE). Inicialmente, ignorou-se a informação do controle local, para testar a efetividade da análise espacial. Posteriormente, foi verificado se haveria melhoras com as diferentes formas de análise espacial aplicadas ao modelo completo, considerando-se o controle local do delineamento em látice. Os valores médios de razões, entre estimativas de componentes de variância e de herdabilidade, foram usados como guia de discussão sobre qual a melhor forma de análise. Em geral, ignorar o delineamento experimental e usar somente a informação espacial resultou em análises ineficientes. Os modelos MM e PPD, em média, melhoraram o modelo original justificado pelo delineamento, embora a AE não o tenha melhorado. A AE, apesar de ineficiente, não mudou as estimativas dos componentes de variância e de herdabilidade. Esta propriedade garante que a combinação de efeitos aleatórios para progênies e a AE não violam as suposições (algumas delas justificadas pelo delineamento). Isto é especialmente útil com experimentos amplos, com grande número de progênies.<br>Three forms of spatial analysis were compared to the analysis of the normal Gauss-Markov model in genetical experiments, supposing progeny effects as random: moving averages on raw data (MM), moving averages on residual data (Papadakis - PPD), and spatial analysis modelling with residual covariances (AE). The local control information was initially ignored to test the effectiveness of spatial analysis. Thereafter, the different forms of spatial analysis were applied to the complete model, considering the local control of lattice design. The average values of proportions between estimates of variance components and of heritability were used as a discussion guide to determine the best form of analysis. Results showed that ignoring the experimental design, using spatial information was not effective, in general. In average, MM and PPD improved the original model justified by design, in contrast to AE. AE, although ineffective, did not change variance component estimates and heritability. This property guarantees that the combination of random effects for progenies and AE does not violate the assumptions (some of these justified by the design). This is specially useful in large experiments, with a huge number of progenies. |
|---|---|
| ISSN: | 0100-204X 1678-3921 |