ASReml随机回归模型的示例代码

　　1、模拟数据来源
　　Mrode R A, Mrode R A, Thompson R. Linear models for the prediction of animal breeding values.[M]// Linear Models for the Prediction of Animal Breeding Values. 1996:121-134. Test day model: Chapter 9, Fixed Regression Model & Random Regression Model
　　2、什么是纵向数据
　　不同时间或不同年龄得到的重复度量值被称为  纵向数据（longitudinal data）  ，用于分析此类数据的模型应该能解释随时间或年龄而变化的平均数以及度量值间的协方差，并且能估计出相应参数。
　　育种中用于随机回归模型的方法，比如奶牛的测定日模型（Test day milk record）。
　　这里我们通过使用  asreml  软件，介绍一下书籍中的两个模型：
　　•固定回归模型
　　•随机回归模型
　　3、生成数据
　　# read in dataset
　　y <- c(17.0, 18.6, 24.0, 20.0, 20.0, 15.6, 16.0, 13.0, 8.2, 8.0,
　　23.0, 21.0, 18.0, 17.0, 16.2, 14.0, 14.2, 13.4, 11.8, 11.4,
　　10.4, 12.3, 13.2, 11.6, 8.4,
　　22.8, 22.4, 21.4, 18.8, 18.3, 16.2, 15.0,
　　22.2, 20.0, 21.0, 23.0, 16.8, 11.0, 13.0, 17.0, 13.0, 12.6)
　　# DIM: days in mild
　　DIM <- c(4, 38, 72, 106, 140, 174, 208, 242, 276, 310,
　　4, 38, 72, 106, 140, 174, 208, 242, 276, 310,
　　174, 208, 242, 276, 310,
　　106, 140, 174, 208, 242, 276, 310,
　　4, 38, 72, 106, 140, 174, 208, 242, 276, 310)
　　# HTD: herd-test-day
　　HTD <- c(1,2,3,4,5,6,7,8,9,10,
　　1,2,3,4,5,6,7,8,9,10,
　　6,7,8,9,10,
　　4,5,6,7,8,9,10,
　　1,2,3,4,5,6,7,8,9,10)
　　Animal <- c(rep(4, 10), rep(5, 10), rep(6, 5), rep(7, 7), rep(8, 10))
　　dat <- data.frame(Animal, DIM, HTD, y)
　　for (i in 1:3) dat[,i] <- as.factor(dat[,i])
　　head(dat)
　　str(dat)
　　# Pedigree
　　Animal <- 1:8
　　Sire <- c(0, 0, 0, 1, 3, 1, 3, 1)
　　Dam <- c(0, 0, 0, 2, 2, 5, 4, 7)
　　ped <- data.frame(Animal, Sire, Dam)
　　head(ped)
　　表型数据：
　　> dat
　　Animal DIM HTD y
　　1 4 4 1 17.0
　　2 4 38 2 18.6
　　3 4 72 3 24.0
　　4 4 106 4 20.0
　　5 4 140 5 20.0
　　6 4 174 6 15.6
　　7 4 208 7 16.0
　　8 4 242 8 13.0
　　9 4 276 9 8.2
　　10 4 310 10 8.0
　　11 5 4 1 23.0
　　12 5 38 2 21.0
　　13 5 72 3 18.0
　　14 5 106 4 17.0
　　15 5 140 5 16.2
　　16 5 174 6 14.0
　　17 5 208 7 14.2
　　18 5 242 8 13.4
　　19 5 276 9 11.8
　　20 5 310 10 11.4
　　21 6 174 6 10.4
　　22 6 208 7 12.3
　　23 6 242 8 13.2
　　24 6 276 9 11.6
　　25 6 310 10 8.4
　　26 7 106 4 22.8
　　27 7 140 5 22.4
　　28 7 174 6 21.4
　　29 7 208 7 18.8
　　30 7 242 8 18.3
　　31 7 276 9 16.2
　　32 7 310 10 15.0
　　33 8 4 1 22.2
　　34 8 38 2 20.0
　　35 8 72 3 21.0
　　36 8 106 4 23.0
　　37 8 140 5 16.8
　　38 8 174 6 11.0
　　39 8 208 7 13.0
　　40 8 242 8 17.0
　　41 8 276 9 13.0
　　42 8 310 10 12.6
　　系谱数据：
　　> ped
　　Animal Sire Dam
　　1 1 0 0
　　2 2 0 0
　　3 3 0 0
　　4 4 1 2
　　5 5 3 2
　　6 6 1 5
　　7 7 3 4
　　8 8 1 7
　　4、固定回归模型
　　由于书中给定了方差组分，所以这里，我们用asreml固定方差组分的方法，进行演示。
　　# 给定方差组分
　　Va = 5.521
　　Vpe = 8.47
　　Ve = 3.71
　　init = asreml(y ~ pol(DIM,4) + HTD,
　　random =~ vm(Animal,ainv) + ide(Animal),
　　residual =~ idv(units),start.values = T,
　　maxit=100,
　　data=dat)
　　vc = init$vparameters.table
　　vc[c(1,2,4),2] = c(Va,Vpe,Ve)
　　vc[c(1,2,4),3] = c(＂F＂,＂F＂,＂F＂)
　　mod1 = asreml(y ~ pol(DIM,4) + HTD,
　　random =~ vm(Animal,ainv) + ide(Animal),
　　residual =~ idv(units),G.param = vc,R.param = vc,
　　maxit=100,
　　data=dat)
　　summary(mod1)$varcomp
　　coef(mod1)
　　相关BLUE值和BLUP值：
　　> coef(mod1)
　　$fixed
　　effect
　　HTD_1 0.00000
　　HTD_2 0.00000
　　HTD_3 0.00000
　　HTD_4 0.00000
　　HTD_5 0.00000
　　HTD_6 -10.40514
　　HTD_7 -40.61782
　　HTD_8 -117.37303
　　HTD_9 -272.33896
　　HTD_10 -536.53441
　　pol(DIM, 4)_order0 0.00000
　　pol(DIM, 4)_order1 180.36904
　　pol(DIM, 4)_order2 159.06823
　　pol(DIM, 4)_order3 77.47144
　　pol(DIM, 4)_order4 17.91839
　　(Intercept) 102.07270
　　$random
　　effect
　　vm(Animal, ainv)_1 -0.30706603
　　vm(Animal, ainv)_2 -0.19331164
　　vm(Animal, ainv)_3 0.50037767
　　vm(Animal, ainv)_4 -0.03487732
　　vm(Animal, ainv)_5 -0.25509014
　　vm(Animal, ainv)_6 -0.73248534
　　vm(Animal, ainv)_7 1.14175101
　　vm(Animal, ainv)_8 0.34637219
　　ide(Animal)_1 0.00000000
　　ide(Animal)_2 0.00000000
　　ide(Animal)_3 0.00000000
　　ide(Animal)_4 -0.73389965
　　ide(Animal)_5 -0.56124921
　　ide(Animal)_6 -1.38504598
　　ide(Animal)_7 2.89795191
　　ide(Animal)_8 -0.2177570
　　书中的结果，两者基本一致：
　　5、随机回归模型
　　由于书中给定了方差组分，所以这里，我们用asreml固定方差组分的方法，进行演示。
　　Va = c(3.297, 0.594 ,0.921 ,-1.381, -0.289 ,1.005)
　　Vpe = c(6.872, -0.254 ,3.171, -1.101 ,0.167, 2.457 )
　　Ve = 3.710
　　init1 = asreml(y ~ pol(DIM,4) + HTD,
　　random =~ us(pol(DIM,2)):vm(Animal,ainv) +
　　us(pol(DIM,2)):ide(Animal),
　　residual =~ idv(units),start.values = T,
　　data=dat)
　　vc1 = init1$vparameters.table
　　vc1
　　vc1[1:14,2] = c(Va,Vpe,1,Ve)
　　vc1[1:14,3] = rep(＂F＂,14)
　　vc1
　　str(dat)
　　moded <- asreml(y ~ pol(DIM,4) + HTD,
　　random =~ us(pol(DIM,2)):vm(Animal,ainv) +
　　us(pol(DIM,2)):ide(Animal),
　　residual =~ idv(units),
　　G.param = vc1,
　　R.param = vc1,
　　data=dat)
　　summary(moded)$varcomp
　　coef(moded)
　　asreml计算的结果：
　　> coef(moded)
　　$fixed
　　effect
　　HTD_1 0.000000
　　HTD_2 0.000000
　　HTD_3 0.000000
　　HTD_4 0.000000
　　HTD_5 0.000000
　　HTD_6 -9.394095
　　HTD_7 -36.751883
　　HTD_8 -107.271590
　　HTD_9 -250.797553
　　HTD_10 -496.141083
　　pol(DIM, 4)_order0 0.000000
　　pol(DIM, 4)_order1 166.025789
　　pol(DIM, 4)_order2 146.982790
　　pol(DIM, 4)_order3 72.210875
　　pol(DIM, 4)_order4 16.894125
　　(Intercept) 95.191996
　　$random
　　effect
　　pol(DIM, 2)_order0:vm(Animal, ainv)_1 -0.12782765
　　pol(DIM, 2)_order0:vm(Animal, ainv)_2 -0.04213793
　　pol(DIM, 2)_order0:vm(Animal, ainv)_3 0.16996558
　　pol(DIM, 2)_order0:vm(Animal, ainv)_4 0.36683012
　　pol(DIM, 2)_order0:vm(Animal, ainv)_5 -0.43003701
　　pol(DIM, 2)_order0:vm(Animal, ainv)_6 -0.64729099
　　pol(DIM, 2)_order0:vm(Animal, ainv)_7 0.93231427
　　pol(DIM, 2)_order0:vm(Animal, ainv)_8 0.19096140
　　pol(DIM, 2)_order1:vm(Animal, ainv)_1 -0.04252153
　　pol(DIM, 2)_order1:vm(Animal, ainv)_2 -0.04581112
　　pol(DIM, 2)_order1:vm(Animal, ainv)_3 0.08833264
　　pol(DIM, 2)_order1:vm(Animal, ainv)_4 0.02529622
　　pol(DIM, 2)_order1:vm(Animal, ainv)_5 -0.09401289
　　pol(DIM, 2)_order1:vm(Animal, ainv)_6 -0.13115909
　　pol(DIM, 2)_order1:vm(Animal, ainv)_7 0.26042073
　　pol(DIM, 2)_order1:vm(Animal, ainv)_8 0.05985742
　　pol(DIM, 2)_order2:vm(Animal, ainv)_1 -0.01042919
　　pol(DIM, 2)_order2:vm(Animal, ainv)_2 -0.04994381
　　pol(DIM, 2)_order2:vm(Animal, ainv)_3 0.06037300
　　pol(DIM, 2)_order2:vm(Animal, ainv)_4 -0.39268200
　　pol(DIM, 2)_order2:vm(Animal, ainv)_5 0.31776628
　　pol(DIM, 2)_order2:vm(Animal, ainv)_6 0.31828446
　　pol(DIM, 2)_order2:vm(Animal, ainv)_7 -0.41833318
　　pol(DIM, 2)_order2:vm(Animal, ainv)_8 -0.02693079
　　pol(DIM, 2)_order0:ide(Animal)_1 0.00000000
　　pol(DIM, 2)_order0:ide(Animal)_2 0.00000000
　　pol(DIM, 2)_order0:ide(Animal)_3 0.00000000
　　pol(DIM, 2)_order0:ide(Animal)_4 -0.81848094
　　pol(DIM, 2)_order0:ide(Animal)_5 -0.39316974
　　pol(DIM, 2)_order0:ide(Animal)_6 -1.46405660
　　pol(DIM, 2)_order0:ide(Animal)_7 2.72622327
　　pol(DIM, 2)_order0:ide(Animal)_8 -0.05051598
　　pol(DIM, 2)_order1:ide(Animal)_1 0.00000000
　　pol(DIM, 2)_order1:ide(Animal)_2 0.00000000
　　pol(DIM, 2)_order1:ide(Animal)_3 0.00000000
　　pol(DIM, 2)_order1:ide(Animal)_4 -0.63999319
　　pol(DIM, 2)_order1:ide(Animal)_5 -0.07126467
　　pol(DIM, 2)_order1:ide(Animal)_6 0.09505531
　　pol(DIM, 2)_order1:ide(Animal)_7 0.56907161
　　pol(DIM, 2)_order1:ide(Animal)_8 0.04713094
　　pol(DIM, 2)_order2:ide(Animal)_1 0.00000000
　　pol(DIM, 2)_order2:ide(Animal)_2 0.00000000
　　pol(DIM, 2)_order2:ide(Animal)_3 0.00000000
　　pol(DIM, 2)_order2:ide(Animal)_4 -1.92020634
　　pol(DIM, 2)_order2:ide(Animal)_5 1.12195344
　　pol(DIM, 2)_order2:ide(Animal)_6 0.34869767
　　pol(DIM, 2)_order2:ide(Animal)_7 -0.61522760
　　pol(DIM, 2)_order2:ide(Animal)_8 1.06478283
　　这里，我们将个体4的回归系数进行提取：
　　•0阶： pol(DIM, 2)_order0:vm(Animal, ainv)_4 0.36683012
　　•1阶： pol(DIM, 2)_order1:vm(Animal, ainv)_4 0.02529622
　　•2阶： pol(DIM, 2)_order2:vm(Animal, ainv)_4 -0.39268200
　　书中的结果为
　　•0阶：0.3445
　　•1阶：0.0063
　　•2阶：-0.3164
　　结果差别不大。
　　由此数据，我们可以计算305天的育种值。
　　6、asreml可以做的高级模型
　　如  样条函数的随机回归模型  ，如 协方差函数模型  等，快来免费申请试用吧！

为什么win10重装系统之后开机很快，用一段时间就会变慢？Windows10系统是目前PC端市场占有率最高的一款桌面操作系统。在使用Windows10系统的时候许多人都有这样的体验，系统每次重新安装之后开机都很快，但是使用一段时间之后又会苹果更新15。4系统后的感受我的苹果12上周更新15。4后，刚更新完的一天并没有发现任何问题，第三天问题就出来了，1。当时更新这个系统就是为了戴口罩能面容解锁，为了方便，结果发现也并不好用，就是那种时好用，时60天自动集尘解放双手享自由，石头扫拖机器人T8上手体验扫地机器人，作为智能家居生活中最能吃苦耐劳的存在，不知道帮多少家庭解决了清扫的问题，特别是年轻家庭群体，平时的工作压力太大，扫地机能够分担家庭的清扫任务，也算是非常实用的智能产品了医联陈俊生做线下医疗的有效补充着力行业供给侧改革对于互联网医疗这样一个万亿市场的而言，这个行业究竟该如何发展？在疫情的背景之下，又解决了什么问题，创造了哪些价值？近日，医联副总裁陈俊生接受财富中文版财富相对论播客节目邀请，双方就苹果终于妥协，iPhone14Pro有望迎来重磅升级，这次才是真环保文Dong审核张子扬校正知秋作为全球科技巨头，苹果旗下iPhone系列产品，在整个手机市场中都是当之无愧的行业佼佼者无论是芯片性能系统流畅度还是从其他配置来看，苹果iPhone都能红米note系列至今性能最强的手机红米新一代Note系列发布了，不过这款红米note11Pro并没有给我们带来太多惊喜，相反他的上一代红米note10Pro在红米note11Pro的衬托下显得性价比更加突出了，而且8点1氪董明珠回应格力何时实行双休周鸿祎称元宇宙代表人类的没落市监局对43起违法实施经营者集中案作出处罚大公司格力何时实行周末双休？董明珠回应社会需要时，要放下自我格力电器于18日迎来30岁生日，不少员工在30周年签名墙写上周末能双休的心愿。格力电器董事长董明珠现身回应社会需要时，要元宇宙风口之下，欧科云链用技术探索虚拟世界未来近期因社交领域巨头Facebook宣布改名为Meta，全力进军元宇宙领域，元宇宙的火热开始向更多领域蔓延。微软在新品发布会中发布了元宇宙相关产品，随后其市值在10月末再次压过苹果公CPU，看完你会有新的认知认真看完此文，你将迅速学到选择高性价比电脑的一些知识。性价比绝不是去挑便宜的买，而是按需购买，即不需要的功能不买，这才是性价比的精髓。比如，有多少人要用双显卡？很多人买的大板上不仅年均复合增长率超300，难怪这个独立站会被字节跳动看上2021年跨境电商圈可以看到越来越多互联网大厂的身影，尤其是字节跳动，在跨境电商领域频频出动作。天眼查显示，今年3月份，深圳斯达领科网络科技技术有限公司发生了工商变更，股东名单中新全球数治新加坡智慧国建设的3C理念澎湃新闻记者吕娜整理这里是全球数治专栏周报，追踪近期全球数字治理动态近日，瑞士洛桑国际管理发展学院（IMD）和新加坡科技设计大学（SUTD）联合发布了2021年智慧城市指数（Sma

<<<<<<－>>>>>>

新华保险启动河南暴雨级应急响应！八项应急服务举措7月17日以来，河南省遭遇极端强降雨。为切实做好汛情理赔工作，充分发挥保险业保障经济服务民生稳定社会的功能，新华保险第一时间成立以党委书记首席执行官总裁李全为组长的重大灾害应急领导智汇台州2021500精英海外高层次人才创新大赛启幕6月28日下午，智汇台州2021500精英海外高层次人才创新大赛媒体对接会在杭州未来科技城国际人才园举办。台州市委组织部部务会议成员市委人才办专职副主任朱百清台州市人力社保局党组成京东到家4。15周年庆短片我爱我家，我爱到家时隔28年，当年引发万人空巷的电视剧我爱我家又有了续集！当熟悉的音乐响起时，所有的思绪都被拉回当年老傅家发生的故事里。随着121集又到我家在各个平台上线，网友们直呼爷青回，尤其结尾教育优惠实体店购买ipadpro11蜂窝512G经历今天小哥钱到位了，喊我陪同前往Applestore，为啥去店里买呢？因为网上买需要23周到货，身在大北京优势就来了，机智在出发前特地手机app查询了产品库存，北京华贸和朝阳大悦城有高阶自动驾驶的量产车型摩卡预售17。984月19日，WEY品牌全球代言人WEY摩卡首席智能体验官姚安娜，空降上海车展智动WEY来摩卡专属日，携手全球首款智能汽车人WEY摩卡，为现场粉丝呈现了车展史上自动驾驶走秀，书写了其硬测过时引擎有过人之处？ZOWIEEC1B精准度测试原相的PMW3389，前旗舰光学鼠标引擎，在鼠标无线化的强潮下也逐步退居二线，而在主流电竞舞台已告别多年的PMW3360，竟然在ZOWIE的体系里还属于当家花旦，并且鼠标价格极高，拆解贵的有道理么，达尔优A100晴空达尔优A100，是一款RGB主题风热插拔三模功能的100键特殊配列的键盘，宽度和一把87键相当。它吸引我们有4个原因颜值高功能多布局巧和轴体好。之前在到站秀开箱里为大家介绍过一些基硬核测试83期冰豹KONEPROAIR游戏鼠标精准度分析冰豹KONEPROAIR，是冰豹无线轻量化的首款产品，很多地方确实比66豹更具吸引力，是一款6。18上的新品，但我们近期没有它的测试安排，由于不少玩家私信和评论里希望看看它的测试，美商海盗船CorsairHS80RGB无线耳机简评近期受烧友力荐，赶时髦入手了美商海盗船新发售的游戏耳机HS80RGBWIRELESS。原本楼主还沉浸在鉴赏家的优雅和HS60的震撼中，感受着音乐耳朵无暇触及的新鲜领域，但是说到头，上来就王炸，SmartArtisan睿匠首款机械键盘即将发布SmartArtisan睿匠，印象中主要是给玩家提供一些个性PBT键帽精品线材和木质腕托等外设周边，没想到突然要玩成品，而且上来就直接王炸100全铝机身多色阳极氧化可选PBT热升华离开CHERRY轴，国产键盘还能卖得起价么？今年，我们接触的客制化轴定制轴越来越多，通过按压一致性测试发现，它们当中不乏比CHERRYMX轴更好的国产轴，主要是个性化和手感上得到了很多玩家的认可，现在大家热议的轴体基本都是这