[目的]作物抗性性状是重要的育种目标,通常表现为多个级别,称为多歧性状。但是,这类性状的上位性关联分析方法较少。因此,本研究针对品种资源群体探索了新的多歧性状上位性检测方法。[方法]提出了多歧性状分层广义混合线性模型的上位性关联分析方法。在遗传模型中,主效QTL、QTL间互作和QTL-环境互作为随机效应,群体平均数、群体结构和环境效应为固定效应。应用经验贝叶斯和最大似然方法分别估计这些效应。一系列Monte Carlo模拟试验和大豆耐盐碱性实际数据分析验证了新方法的有效性。[结果]新方法的统计功效高,效应

纵向数据广泛存在于生物医学、遗传学、经济学以及社会管理等多个研究领域,线性混合效应模型是分析上述数据的有效工具。文章提出了一类含有不可忽略缺失数据的半参数广义线性混合效应模型,考虑了该模型的贝叶斯分析及模型选择问题,通过一AIDS研究的实际数据说明方法的应用。

本文在广义Gamma分布簇基础上引入异质性来构建广义线性混合模型。本文构建的广义Gamma分布簇广义线性混合模型在广义线性混合模型的框架下分析,通过参数重整技术把广义Gamma分布簇变量的建模问题与指数分布簇变量的建模问题联系起来,模型推断可以方便地利用广义线性混合模型和广义线性模型的研究成果,同时也可以方便地推广到其他模型。三参数广义Gamma分布可以收缩到两参数的Gamma分布、Weibull分布或指数分布,能降低模型误设的风险,还能便利地分析误差结构。

文章研究零修正广义线性混合模型拟合重复观察零膨胀计数数据,分别介绍零膨胀模型、跨栏模型和零调整模型这三类零修正模型。为了处理重复观测数据的相关性,同时对零值参数和非零值分布均值参数建立具有随机截距和斜率效应的线性回归方程。应用贝叶斯蒙塔卡罗Gibbs抽样方法进行模型估计,该方法结合参数的先验分布,能够为观测数量较少的个体给出有效估计。

非线性混合效应模型是针对回归函数依赖于固定效应和随机效应的非线性关系而建立的。一阶线性化算法(FO)和条件一阶线性化算法(FOCE)为2种计算非线性混合效应模型参数的常用线性化算法。本文基于FOCE算法,提出一种改进的随机效应参数计算方法,并利用树高生长数据和模拟数据对3种算法进行分析和比较。结果表明:改进的FOCE算法得到的随机效应参数更能反映个体间的随机差异,并且拟合效果更好。

文章在广义线性混合模型的框架下分析广义Gamma分布簇广义线性混合模型的参数估计问题。提出的参数估计有以下三个显著特点:其一,充分利用广义线性混合模型参数估计的理论成果,参数估计表达式与6种广义线性混合模型参数估计结果形式相同;其二,该方法可以通过反复调用广义线性混合模型中的参数估计模块来实现;其三,具有渐进正态性。

目前在猪繁殖力性状的遗传评定中 ,应用多性状混合模型可比单性状混合模型提高遗传评定的准确度。应用多性状混合模型对丹系长白猪 5个主要繁殖力性状的遗传参数进行估计分析。结果表明总产仔数、产活仔数、初生窝重、断奶活仔数及断奶窝重的遗传力分别为 0 .0 2 ,0 .0 3,0 .0 3,0 .0 5及 0 .0 7。断奶窝重与其他 4个性状之间存在较大的遗传相关。初生窝重与产活仔数之间存在很高的遗传负相关 ( - 0 .65)。因此 ,为了提高繁殖性状的综合选择效果 ,建议应用多性状混合模型进行遗传参数及育种植的估计

当前,构建恰当的小域估计方法是解决我国政府抽样调查中多层次推断问题的关键所在。由于小域的小样本特性,基于频率统计学的小域估计方法推断效果并不理想,而传统基于贝叶斯统计视角的小域估计方法在非连续型变量估计时适应性不强。本文在系统介绍传统贝叶斯小域估计方法的基站上,为了解决离散变量的估计推断问题,将广义线性模型引入到分层贝叶斯方法中,构建了基本的理论机制和分类数据的估计模型。基于此模型,运用全国流动人口动态监测调查2014年广东省内的样本数据进行实例测算,估计出广东省各地级市的流动人口学历分布情况,并将分层贝叶斯广义线性模型的估计结果与传统估计方法进行了对比分析。结果显示,分层贝叶斯广义线性模型在样本量充足的情况下能够准确地估计出目标小域的总体参数,在样本量不足的小域中依然能够给出稳健的估计结果。文章所构建的估计模型不仅可以充分利用先验信息和辅助信息,还适用于对复杂数据进行估计推断,能够为我国政府抽样调查的小域估计实践提供有价值的理论参考。

目前国内保险财险公司对汽车保险等业务进行定价和费率厘定最常用的是广义线性模型。然而,数据的特点、实务的需要和技术的发展使得广义线性混合模型成为更适合对保险数据进行统计建模的工具。将广义线性混合模型应用于保险索赔业务中,以一组实际的保险数据为样本,利用R软件进行实证分析。该研究对保险公司的精算人员进行非寿险分类费率厘定的模型创新具有重要的参考价值。

为了更好地拟合非经典复杂纵向数据,可以基于广义Gamma分布簇建立广义线性混合模型。然而,过高的模型复杂性不利于模型的解释和误差结构的推断。文章讨论如何将三参数广义Gamma分布收缩到两参数的Gamma分布、Weibull分布或指数分布,降低模型误设的风险。

以花生栽培品种04D893×79266杂交,经多代自交获得包含142个家系的F6∶7重组自交系群体为材料,分别在2011-2012年2个环境条件(E1和E2)下种植,对荚果和籽仁的6个产量相关性状进行遗传模型分析并进行其遗传参数的估算。结果表明,单果质量的遗传符合2对主基因遗传模型,主基因遗传率2年平均为45.97%;单仁质量的遗传符合3对主基因遗传模型,主基因遗传率平均为67.54%;果壳厚度的遗传符合3对主基因遗传模型,主基因遗传率平均为63.24%;果长的遗传均符合3对主基因遗传模型,主基因遗传率平均为81.14%;果宽的遗传符合2对主基因遗传模型,主基因遗传率平均为59.83%;单株生...

【目的】株高和穗部性状是影响谷子产量的关键性状。探究谷子株高及穗部性状表型变异的遗传规律,为相关性状的遗传改良与基因定位提供参考依据。【方法】以谷子优质品种豫谷18为共同父本,分别与黄软谷和红酒谷杂交,构建2个分别包含250个家系的重组自交系F7群体(YYRIL和YRRIL)。采用主基因+多基因混合遗传模型,对YYRIL和YRRIL群体在2个环境下的株高、穗长、穗下节间长、穗码数、穗粒重等5个农艺性状的表型数据进行遗传分析。【结果】5个性状在所有环境中均表现连续变异且存在超亲分离现象,峰度和偏度绝对值小于1,近似正态分布,呈现数量性状的典型遗传特点。性状间相关性分析表明株高与穗长、穗下节间长在所有环境中均呈极显著正相关,穗码数与穗粒重呈极显著正相关。遗传模型分析显示YYRIL和YRRIL群体株高的最适遗传模型分别为PG-AI和PG-A多基因模型,多基因遗传率分别为95.15%和91.27%。2个群体穗码数的最适模型均为PG-AI,多基因遗传率为70.07%—71.58%。穗下节间长在2个群体的最适遗传模型分别为4MG-CEA和3MG-CEA,均为等加性主基因模型。穗下节间长在YYRIL群体的主基因遗传率为9.69%,4对主基因加性效应值相等,均为-0.34,具有负向效应;穗下节间长在YRRIL群体的主基因遗传率为45.78%,3对主基因加性效应值相等,均为1.17,具有正向效应。穗长在YYRIL群体的最适模型为MX2-ED-A,即2对显性上位主基因+加性多基因模型,主基因遗传率为43.56%,多基因遗传率为50.56%。控制穗长的2对主基因加性效应值分别为-1.21、1.68,多基因加性效应较小,为-0.0017;穗长在YRRIL群体的最适模型为MX2-AE-A,即2对累加作用主基因,加性多基因混合遗传模型;穗长的主基因遗传率为46.40%,多基因遗传率为46.91%。控制穗长的第1对主基因加性效应值为1.53,具有正向效应,第1对主基因加性×第2对主基因加性上位性互作效应值是0.60,多基因加性效应值为-0.47,表现为较低的负向遗传效应。穗粒重在YYRIL群体的最适遗传模型为MX2-ED-A;符合2对显性上位主基因+加性多基因模型,主基因遗传率为69.09%,多基因遗传率为12.08%;控制穗粒重的2对主基因加性效应值分别为0.58、5.82,以第2对主基因的加性效应为主,多基因加性效应值为-3.81。穗粒重在YRRIL群体的最适遗传模型为3MG-PEA,即3对部分等加性主基因遗传模型;穗粒重的主基因遗传率为81.10%,3对主基因加性效应值分别为-2.68、-2.68和2.66,前2对主基因的加性效应值相同,且均为负向效应。【结论】谷子株高、穗码数的最适遗传模型相似,均服从多基因遗传,遗传率较高,受环境影响较小;穗下节间长的遗传受主基因控制,主基因遗传率偏低,受环境影响较大,在栽培中应充分考虑环境因素;穗长遗传受主基因和多基因共同控制;穗粒重在2个群体均服从主基因遗传,主基因遗传率较高,可能存在主效QTL。

【目的】穗部性状是小麦重要的产量性状,在小麦产量构成中占据重要地位和作用。开展小麦穗部性状遗传研究、分析其遗传机制,对制定高产育种策略、提高育种效率提供理论和实践指导。【方法】以主茎穗长、小穗数、穗粒数、小穗粒数为指标,采用数量性状的主基因+多基因混合遗传模型方法,对不同生态环境条件下来自母本品冬34与父本BARRAN及其衍生的F7:8、F8:9代重组自交系群体(RIL)进行穗部性状的遗传模型分析与遗传参数估计,以确定控制各性状的基因数目,估计遗传效应值及遗传率。【结果】穗长和小穗数的最佳遗传模型均是B-2-1(PG-AI),符合2对连锁主基因+加性-上位性多基因遗传模型。穗长的多基因遗传率是90.64%,小穗数的多基因遗传率是89.52%,穗长的环境变异平均值占表型变异的比例为9.39%,小穗数的环境变异平均值占表型变异的比例为10.50%;穗粒数的最佳遗传模型是G-1(MX3-AI-A),符合3对加性-上位性主基因加多基因+加性混合遗传模型,主基因遗传率是69.39%,多基因遗传率是29.94%,环境变异平均值占表型变异的比例为2.18%。控制穗粒数的第1对主基因的加性效应值和第3对主基因的加性效应值数值相等,同是4.56,具有正向效应。第2对主基因的加性效应值与加性效应和第1对主基因×第2对主基因×第3对主基因的加性效应值相同,均是-1.64,且为负向效应。加性和加性×加性上位性互作效应值与加性和第2对主基因加性×第3对主基因加性上位性互作效应值相等,均是-6.02。加性和第1对主基因加性×第3对主基因加性上位性互作效应值是0.18,多基因的加性效应值是0.15,表现为较低的正向遗传效应;小穗粒数的最佳遗传模型是H-1(4MG-AI),符合4个主基因+加性-上位性遗传模型,主基因遗传率是81.50%。第1至4对主基因加性效应值分别为0.22、0.18、-0.20和0.24,加性和第1对主基因×第1对主基因的加性上位性互作效应值是-0.170,加性和第1对主基因×第3对主基因的加性效应值是0.240,加性和第1对主基因×第4对主基因的加性效应值是-0.20,加性和第2对主基因×第3对主基因的加性效应值与加性和第2对主基因加性×第4对主基因加性上位性互作效应值绝对值相同,效应相反,前者值是0.03,后者值是-0.03。加性和第3对主基因×第4对主基因×的加性效应值是0.06。【结论】小麦穗部性状以多基因遗传效应为主,符合数量遗传特征,易受环境影响。小穗粒数存在着主基因遗传特性,主基因遗传力较高,受环境影响小,小穗粒数可作为有效改良穗部性状早期选择的直接指标,实现单株定向选择,提高育种效率。

本研究根据2016—2018年2月（冬季）、5月（春季）、8月（夏季）、11月（秋季）4个季节在浙江南部近海的温台地区底拖网调查数据，通过构建广义线性模型（GLM）和9个线性混合效应模型，对镰鲳（Pampusechinogaster）的叉长-体质量关系（W=aL~(b)）及其异质性进行了分析。结果表明，浙江南部近海的镰鲳叉长范围为53.00～238.00 mm，平均叉长128.54 mm，优势叉长组为110.00～160.00 mm；体质量范围为3.80～420.50 g，平均体质量63.61g，优势体质量为60.00～180.00 g。根据赤池信息准则(AIC)，最佳的生长拟合模型为同时存在季节和年份对镰鲳生长参数a，b的随机效应的组合模型；均方根误差结果同样表明该模型的性能最优。在最优模型中，参数a的固定值为1.75×10~(-5)，参数b的固定值为3.083，表示镰鲳为正异速增长，肥满度较高。最优线性混合模型结果显示，a值在秋季最大，其次是夏季和冬季，而春季最小；b值与其相反。从不同年份来看，a值在2016年最大，2018年和2017年次之；b值在2017年最大，2018年和2016年次之。本研究分析了年份、季节与镰鲳的叉长-体质量关系，通过混合效应模型，显示出年份和季节对镰鲳的叉长-体质量关系具有较为显著的影响，表明该模型在镰鲳的叉长-体质量关系的异质性研究中具有重要的参考价值，并为其资源的合理开发和管理提供科学依据。

以贵州省人工杉木和马尾松地上生物量数据为例,通过利用线性混合模型和哑变量模型方法,建立了适合不同树种和区域(中心区和一般区)的通用性立木生物量方程,为简化生物量建模工作提供了有效途径。结果表明,相同直径林木的地上生物量估计值随树种、区域的不同存在一定程度的差异,带随机参数的线性混合模型和带特定参数的哑变量模型比总体平均模型的精度高;线性混合模型和哑变量模型方法均同等有效,可推广应用于其它通用性模型(如材积方程)的建立。