本文選題：基因型與環(huán)境互作 + 缺失數(shù)據(jù)�。� 參考：《北京工業(yè)大學(xué)》2016年碩士論文

【摘要】：多環(huán)境試驗(yàn)是最基礎(chǔ)最常用的農(nóng)業(yè)試驗(yàn),基因型與環(huán)境互作(GE)在作物中是比較普遍的現(xiàn)象。但是,在多環(huán)境試驗(yàn)中,由于各種各樣的原因,試驗(yàn)數(shù)據(jù)往往存在缺失。本文主要研究在數(shù)據(jù)存在缺失情況下,基因型與環(huán)境互作效應(yīng)分析方法。由于主效應(yīng)可加互作效應(yīng)可乘(AMMI)模型、基因型主效應(yīng)加基因型與環(huán)境互作效應(yīng)(GGE)模型和聯(lián)合回歸模型(又稱為F-W模型)是常用的GE效應(yīng)分析模型,本文主要考慮這三種模型。本文對(duì)基因型效應(yīng)和環(huán)境效應(yīng)是否看作隨機(jī)變量分別考慮。首先,將基因型效應(yīng)和環(huán)境效應(yīng)均看作固定效應(yīng),即在固定效應(yīng)情形下,給出了有缺失數(shù)據(jù)時(shí)AMMI模型和GGE模型的基于EM算法的參數(shù)估計(jì)。然后,將基因型效應(yīng)看作固定,將環(huán)境效應(yīng)看作隨機(jī),考慮了F-W模型在異方差混合模型下的參數(shù)估計(jì),給出了其極大似然估計(jì),由于該極大似然估計(jì)通常沒有顯式解,需通過迭代法求得,而EM算法由于其優(yōu)良性常用于缺失數(shù)據(jù)情形下,本文又給出了對(duì)應(yīng)的基于EM算法的參數(shù)估計(jì)方法。最后,本文通過一個(gè)實(shí)際數(shù)據(jù)來說明本文給出的固定效應(yīng)下GGE模型的基于EM算法的參數(shù)估計(jì)的效果。結(jié)果表明,在數(shù)據(jù)缺失比例不高時(shí),缺失位置數(shù)據(jù)用給出的參數(shù)估計(jì)方法填補(bǔ)后,能夠很好的恢復(fù)原始數(shù)據(jù)的模式。同時(shí)又以一個(gè)缺失數(shù)據(jù)集為例,對(duì)本文所給方法對(duì)品種一般適應(yīng)性、特殊適應(yīng)性、環(huán)境鑒別力和代表性等的影響進(jìn)行了研究。
[Abstract]:Multi-environment test is the most basic and most commonly used agricultural experiment, genotype and environment interaction is a common phenomenon in crops. However, due to various reasons, the test data are often missing in the multi-environment test. In this paper, the analysis method of genotypic and environmental interaction effect is studied in the absence of data. As the main effect additive interaction effect can be multiplied by AMMIM model, the GGE model and the combined regression model (also called F-W model) are commonly used to analyze GE effects. These three models are mainly considered in this paper. Whether genotype effect and environmental effect are considered as random variables are considered in this paper. First, the genotype effect and the environmental effect are considered as fixed effects, that is, in the case of fixed effects, the parameter estimation of AMMI model and GGE model with missing data is given based on EM algorithm. Then, the genotype effect is regarded as fixed, the environmental effect is considered as random, the parameter estimation of F-W model under heteroscedasticity mixed model is considered, and its maximum likelihood estimate is given, because the maximum likelihood estimate usually has no explicit solution. The EM algorithm is usually used in the case of missing data because of its superiority. The corresponding parameter estimation method based on EM algorithm is given in this paper. Finally, an actual data is given to illustrate the effect of parameter estimation of GGE model based on EM algorithm under the fixed effect given in this paper. The results show that when the missing ratio is not high, the missing position data can be restored to the original data model well after the missing position data is filled by the given parameter estimation method. At the same time, taking a missing data set as an example, the effects of the methods given in this paper on the general adaptability, special adaptability, environmental discrimination and representativeness of varieties were studied.
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：S33

【相似文獻(xiàn)】

相關(guān)期刊論文 前5條

1 劉永建,明道緒,潘光堂;有缺失數(shù)據(jù)單因素隨機(jī)區(qū)組試驗(yàn)資料分析的最小二乘法與估計(jì)缺值法的比較研究[J];四川農(nóng)業(yè)大學(xué)學(xué)報(bào);1999年01期

2 肖靜;駱如九;宋雯;湯在祥;徐辰武;;帶有缺失數(shù)據(jù)的一種動(dòng)態(tài)聚類方法[J];中國農(nóng)業(yè)科學(xué);2012年21期

3 周科松;森林資源連清缺失數(shù)據(jù)修復(fù)的理論與方法[J];中南林業(yè)調(diào)查規(guī)劃;2002年04期

4 楊金英;趙培信;;缺失數(shù)據(jù)下庥混合誤差線性模型的參數(shù)估計(jì)[J];西南大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年09期

5 ;[J];;年期

相關(guān)會(huì)議論文 前8條

1 耿直;葛丹丹;;縱向研究非隨機(jī)缺失數(shù)據(jù)分析[A];中國現(xiàn)場統(tǒng)計(jì)研究會(huì)第12屆學(xué)術(shù)年會(huì)論文集[C];2005年

2 管河山;姜青山;Steven X.Wei;;一種處理缺失數(shù)據(jù)的新方法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2004年

3 陳楠;劉紅云;;基于增長模型的缺失數(shù)據(jù)處理方法之比較[A];心理學(xué)與創(chuàng)新能力提升——第十六屆全國心理學(xué)學(xué)術(shù)會(huì)議論文集[C];2013年

4 肖進(jìn);賀昌政;;面向缺失數(shù)據(jù)的客戶價(jià)值區(qū)分集成模型研究[A];中國企業(yè)運(yùn)籌學(xué)[2010(1)][C];2010年

5 曾莉;張淑梅;辛濤;;IRT模型中缺失數(shù)據(jù)處理方法比較[A];第十一屆全國心理學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2007年

6 孫玲;劉浩;袁長亮;;北京市城市快速路微波檢測缺失數(shù)據(jù)分析[A];2008第四屆中國智能交通年會(huì)論文集[C];2008年

7 張香云;;基于EM算法缺失數(shù)據(jù)下混合模型的參數(shù)估計(jì)[A];第十三屆中國管理科學(xué)學(xué)術(shù)年會(huì)論文集[C];2011年

8 李曉煦;侯杰泰;;結(jié)構(gòu)方程中缺失數(shù)據(jù)的處理:FIML,EM與MI[A];全國教育與心理統(tǒng)計(jì)測量學(xué)術(shù)年會(huì)論文摘要集[C];2006年

相關(guān)博士學(xué)位論文 前10條

1 馬友;基于QoS缺失數(shù)據(jù)預(yù)測的個(gè)性化Web服務(wù)推薦方法研究[D];北京郵電大學(xué);2015年

2 彭清艷;廣義函數(shù)型回歸模型及缺失數(shù)據(jù)模型[D];云南大學(xué);2016年

3 駱汝九;多指標(biāo)綜合評(píng)價(jià)的非參數(shù)方法和缺失數(shù)據(jù)的聚類方法研究[D];揚(yáng)州大學(xué);2011年

4 祝麗萍;幾種缺失數(shù)據(jù)和高維數(shù)據(jù)模型的統(tǒng)計(jì)分析[D];山東大學(xué);2012年

5 賈博婷;缺失數(shù)據(jù)下一類整值時(shí)間序列的統(tǒng)計(jì)推斷[D];吉林大學(xué);2014年

6 劉旭;在完全和缺失數(shù)據(jù)下基于非光滑估計(jì)方程的統(tǒng)計(jì)推斷與變量選擇問題[D];云南大學(xué);2010年

7 趙鵬飛;混沌數(shù)據(jù)恢復(fù)與非線性系統(tǒng)的模型參考控制[D];吉林大學(xué);2010年

8 陸福忠;數(shù)據(jù)缺失下的分布函數(shù)估計(jì)問題[D];復(fù)旦大學(xué);2007年

9 趙慧秀;可交換的兩值數(shù)據(jù)的統(tǒng)計(jì)分析[D];東北師范大學(xué);2009年

10 付志慧;多維項(xiàng)目反應(yīng)模型的參數(shù)估計(jì)[D];吉林大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 楊利華;缺失數(shù)據(jù)的處理方法研究及應(yīng)用[D];景德鎮(zhèn)陶瓷學(xué)院;2011年

2 袁中萸;多元線性回歸模型中缺失數(shù)據(jù)填補(bǔ)方法的效果比較[D];中南大學(xué);2008年

3 褚培肖;缺失數(shù)據(jù)下的有限混合計(jì)數(shù)數(shù)據(jù)模型的統(tǒng)計(jì)推斷研究[D];昆明理工大學(xué);2015年

4 楊旭;多視角數(shù)據(jù)缺失補(bǔ)全問題研究[D];北京交通大學(xué);2016年

5 吳高航;基于核獨(dú)立成分分析的缺失數(shù)據(jù)下貝葉斯網(wǎng)絡(luò)學(xué)習(xí)算法研究[D];北京交通大學(xué);2016年

6 母建熊;基于飽和模型的帶有缺失的可交換兩值數(shù)據(jù)分析[D];東南大學(xué);2015年

7 張彩林;車輛缺失軌跡的智能補(bǔ)全[D];北京物資學(xué)院;2016年

8 隋宇婷;基于改進(jìn)的極限學(xué)習(xí)機(jī)（ELM）的缺失數(shù)據(jù)填補(bǔ)方法研究[D];東北大學(xué);2014年

9 柳寶;基于無限隱Markov模型的機(jī)械故障診斷方法研究[D];南昌航空大學(xué);2016年

10 雷偉;帶有不可忽略缺失數(shù)據(jù)的混合線性模型的貝葉斯統(tǒng)計(jì)推斷[D];云南大學(xué);2016年

，

本文編號(hào)：1931483