R語(yǔ)言混合線(xiàn)性模型中BLUE值和BLUP值實(shí)例分析

本文小編為大家詳細(xì)介紹“R語(yǔ)言混合線(xiàn)性模型中BLUE值和BLUP值實(shí)例分析”，內(nèi)容詳細(xì)，步驟清晰，細(xì)節(jié)處理妥當(dāng)，希望這篇“R語(yǔ)言混合線(xiàn)性模型中BLUE值和BLUP值實(shí)例分析”文章能幫助大家解決疑惑，下面跟著小編的思路慢慢深入，一起來(lái)學(xué)習(xí)新知識(shí)吧。

混合線(xiàn)性模型中BLUE值 VS BLUP值

最佳線(xiàn)性無(wú)偏預(yù)測(cè)(best linear unbiased prediction， 簡(jiǎn)稱(chēng)BLUP)，又音譯為“布拉普”[1]，是統(tǒng)計(jì)學(xué)上用于線(xiàn)性混合模型對(duì)隨機(jī)效應(yīng)進(jìn)行預(yù)測(cè)的一種方法。最佳線(xiàn)性無(wú)偏預(yù)測(cè)由C.R. Henderson提出。隨機(jī)效應(yīng)的最佳線(xiàn)性無(wú)偏預(yù)測(cè)（BLUP）等同于固定效應(yīng)的最佳線(xiàn)性無(wú)偏估計(jì)（best linear unbiased estimates, BLUE）（參見(jiàn)高斯-馬爾可夫定理）。因?yàn)閷?duì)固定效應(yīng)使用估計(jì)一詞，而對(duì)隨機(jī)效應(yīng)使用預(yù)測(cè)，這兩個(gè)術(shù)語(yǔ)基本是等同的。BLUP被大量使用于動(dòng)物育種?！獁iki

BLUP值，相當(dāng)于是對(duì)混合線(xiàn)性模型中隨機(jī)因子的預(yù)測(cè)；

BLUE值，相當(dāng)于是對(duì)混合線(xiàn)性模型中固定因子的估算

predict means:預(yù)測(cè)均值，固定因子和隨機(jī)因子都可以預(yù)測(cè)均值，它的尺度和表型值尺度一致

將處理作為固定因子

將處理作為固定因子
setwd("D:\\02 ASReml\\blue VS blup")
library(asreml)
library(tidyverse)
dat <- read.csv("MaizeRILs.csv",head=T)
for (i in 1:4) dat[,i] <- as.factor(dat[,i])
as1 <- asreml(height ~ location/rep + location*RIL,data=dat)
ASReml: Tue May 08 11:07:55 2018

     LogLik         S2      DF      wall     cpu
   -723.8797     64.8862   244  11:07:55     0.1
   -723.8797     64.8862   244  11:07:55     0.0

Finished on: Tue May 08 11:07:55 2018

LogLikelihood Converged 
#計(jì)算品種的BLUE值
ablue <- coef(as1)$fixed
blue1 <- ablue[grep("^RIL_RIL*",rownames(ablue)),] %>% as.data.frame()
head(blue1)
#計(jì)算品種的預(yù)測(cè)均值（predict means）
pv1 <- predict(as1,"RIL")$predictions$pvals
ASReml: Tue May 08 11:13:33 2018

     LogLik         S2      DF      wall     cpu
   -723.8797     64.8862   244  11:13:33     0.0
   -723.8797     64.8862   244  11:13:33     0.0

Finished on: Tue May 08 11:13:33 2018

LogLikelihood Converged 
head(pv1) # 類(lèi)似SAS中的lsmeans
#運(yùn)行模型：因素作為隨機(jī)因子
as2 <- asreml(height ~ 1,random = ~location/rep + location*RIL,data=dat)
ASReml: Tue May 08 11:13:34 2018

     LogLik         S2      DF      wall     cpu
  -1646.5302    233.5135   495  11:13:34     0.0
  -1569.0397    137.9186   495  11:13:34     0.0
  -1507.3257     94.6888   495  11:13:34     0.0
  -1471.3354     74.5149   495  11:13:34     0.0
  -1462.9209     67.6142   495  11:13:34     0.0
  -1461.7649     65.3553   495  11:13:34     0.0
  -1461.7228     64.9069   495  11:13:34     0.0
  -1461.7228     64.8863   495  11:13:34     0.0
  -1461.7228     64.8862   495  11:13:34     0.0

Finished on: Tue May 08 11:13:34 2018

LogLikelihood Converged 
blup <- coef(as2)$random
blup2 <- blup[grep("^RIL_RIL-*",rownames(blup)),] %>% as.data.frame()
head(blup2)
#預(yù)測(cè)均值
pv2 <- predict(as2,"RIL")$predictions$pvals
ASReml: Tue May 08 11:13:34 2018

     LogLik         S2      DF      wall     cpu
  -1461.7228     64.8862   495  11:13:34     0.0
  -1461.7228     64.8862   495  11:13:34     0.0
  -1461.7228     64.8862   495  11:13:34     0.0
  -1461.7228     64.8862   495  11:13:34     0.0

Finished on: Tue May 08 11:13:34 2018

LogLikelihood Converged 
head(pv2)
#計(jì)算遺傳力
summary(as2)$varcomp
str(dat)
'data.frame':    496 obs. of  9 variables:
 $ location: Factor w/ 4 levels "ARC","CLY","PPAC",..: 1 1 2 2 3 3 4 4 1 1 ...
 $ rep     : Factor w/ 2 levels "1","2": 1 2 1 2 1 2 1 2 1 2 ...
 $ block   : Factor w/ 8 levels "1","2","3","4",..: 4 6 5 4 8 5 1 4 1 2 ...
 $ plot    : Factor w/ 122 levels "1","2","3","4",..: 28 47 36 92 64 40 7 27 6 9 ...
 $ RIL     : Factor w/ 62 levels "RIL-1","RIL-11",..: 1 1 1 1 1 1 1 1 2 2 ...
 $ pollen  : int  73 74 71 73 97 95 72 72 69 69 ...
 $ silking : int  77 79 74 77 101 100 78 78 71 72 ...
 $ ASI     : int  4 5 3 4 4 5 6 6 2 3 ...
 $ height  : num  182 169 213 203 156 ...
VSNR::pin(as2,h3 ~ V3/(V3 + V4/4 + V5/(2*4)))


將數(shù)據(jù)保存到excel中
library(openxlsx)
write.xlsx(blue1,"blue.xlsx")
write.xlsx(blup2,"blup.xlsx")
write.xlsx(pv1,"pm1.xlsx")
write.xlsx(pv2,"pm2.xlsx")
結(jié)果解析


RIL是基因型

pm2-random是RIL作為隨機(jī)因子的預(yù)測(cè)均值

pm1-fixed是RIL作為固定因子時(shí)的預(yù)測(cè)均值

blue是RIL作為固定因子的BLUE值

blup是RIL作為隨機(jī)因子的BLUP值

pm2-blup 是隨機(jī)因子的預(yù)測(cè)均值 減去 隨機(jī)因子的BLUP值，可以看到得到的是一個(gè)常數(shù)（均值）

pm1-mu-random 是固定因子的預(yù)測(cè)均值 減去 固定依著你的BLUE值， 可以看到不是一個(gè)常數(shù)

blup/blue_effect=heritibility 是BLUP值 除以 BLUE效應(yīng)值，得到的是遺傳力常數(shù)

備注：blue_effect是用固定因子的預(yù)測(cè)均值 減去 整體均值

讀到這里，這篇“R語(yǔ)言混合線(xiàn)性模型中BLUE值和BLUP值實(shí)例分析”文章已經(jīng)介紹完畢，想要掌握這篇文章的知識(shí)點(diǎn)還需要大家自己動(dòng)手實(shí)踐使用過(guò)才能領(lǐng)會(huì)，如果想了解更多相關(guān)內(nèi)容的文章，歡迎關(guān)注億速云行業(yè)資訊頻道。