Specjalista w zakresie geoinformacji - zawód na dziś i jutro
Plan na dziś
description
Transcript of Plan na dziś
![Page 1: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/1.jpg)
Plan na dziś
• Ogólny model liniowy (GLM)• Model mieszany (MIXED)
![Page 2: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/2.jpg)
Ogólny model liniowy
• OML łączy zalety ANOVA i analizy regresji
gr. słoniny = stado + masa półtuszy + reszta
zm. klasyfikująca
zm. ciągła
![Page 3: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/3.jpg)
β0 = efekt wspólny
β1 = efekt stada Aβ2 = efekt stada B efekt stada C = 0
β3 = regr. na masę półtuszy
Parametry modelu
Jeden poziom efektu stałego jest zawsze wyzerowany!
![Page 4: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/4.jpg)
24 = 1β0 + 0β1 + 1β2 + 40β3 + e2
22 = 1β0 + 0β1 + 0β2 + 41β3 + e3
23 = 1β0 + 1β1 + 0β2 + 42β3 + e1
23 mmstado A42 kg
24 mmstado B40 kg
22 mmstado C41 kg
![Page 5: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/5.jpg)
2324 =22
1 1 0 421 0 1 40 1 0 0 41
β0 β1
β2
β3
e1
+ e2
e3
y = X + e
Zapis macierzowy
![Page 6: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/6.jpg)
General Linear Model
data swinie ; infile “C:\...\mojplik.txt” ; input slonina stado $ waga ;proc GLM data=swinie; class stado ; model slonina = stado waga ;run ;
![Page 7: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/7.jpg)
Sumy kwadratów
• Typu I-ego: zależą od pozycji efektu w modelu! Oszacowany efekt masy półtuszy uzględnia wpływ stada, ale nie odwrotnie.
• Typu III-ego: nie zależne od pozycji efektu w modelu! Każdy efekt jest poprawiony względem pozostałych.
![Page 8: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/8.jpg)
Rozwiązania
proc GLM data=swinie; class stado ; model slonina = stado waga / solutions;run ;
Testowanie efektów: H0 1 = 0 H1 1 0 (test dwustronny) poziom istotności w kolumnie Pr > |t|
Jeden poziom wyzerowany!
![Page 9: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/9.jpg)
Średnie NK
stado
rok
A B C średniebrzegow
e
2005 5 5 5 4
2006 5 5 1 5
średnie 1 2 3
Układ niezbalanowany
Tu brakuje obserwacji
Średnie najmniejszych kwadratów to średnie jakich byśmy oczekiwali dla zbalansowanych danych.
![Page 10: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/10.jpg)
Średnie NK
proc GLM data=swinie; class stado ; model slonina = stado waga ; lsmeans stado / stderr ;run ;
Oblicza błąd standardowy i testuje hipotezę średnia=0
Oblicza średnie least-squares
![Page 11: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/11.jpg)
Interakcja
A1 A2 B1 B2 A1B1 A1B2 A2B1 A2B2
Interakcja
Y = A B A*B
![Page 12: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/12.jpg)
Efekty zagnieżdżone
A1 A2 B1 B2 A1B1 A1B2 A2B1 A2B2
B nie występuje jako efekt główny.
A1 A2
B1 B2
B1 B2
Y = A B(A)
![Page 13: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/13.jpg)
Porównania wielokrotneproc GLM data=swinie; class stado ; model slonina = stado waga ;
means stado / opcja;run ;Means oblicza nie poprawione średnie,
DUNCAN
LSD – najmniejsza istotna różnica
TUKEY
SNK Student-Newman-Keuls
![Page 14: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/14.jpg)
Porównania średnich NK
lsmeans stado / pdiff=all adjust=tukey;
Testuje hipotezęH0: LSM(i)=LSM(j)
![Page 15: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/15.jpg)
23 mm23 mm22 mmstado A42 kg
19 mm18 mm17 mmstado B40 kg
22 mm21 mm22 mmstado C41 kg
Pomiary powtarzane
Pomiary wykonywane na tych samych obiektach (świniach) mogą być skorelowane!
![Page 16: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/16.jpg)
Pomiary powtarzane – c.d
y1 y2 y3 stado waga
• 23 22 A 4219 18 17 B 4022 21 22 C 41
proc GLM; class stado ; model y1-y3 = stado waga ;
repeated czas ; run ;
Dowolna nazwa dla czynnika wewnątrz-
obiektowego
![Page 17: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/17.jpg)
Model mieszany
y = X + Zu + eZawiera zarówno efekty
stałe jak i losowe u
![Page 18: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/18.jpg)
Kiedy efekt losowy?Efekt jest losowy, jeżeli po powtórzeniu
próbkowania możemy wylosować inne jego poziomy.
Np. losowanie 30 koniI próbkowanie:
umaszczenie gniade 20 koni.umaszczenie pstrokate 10 koni
II próbkowanieumaszczenie gniade 15umaszczenie myszate 15
![Page 19: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/19.jpg)
Kiedy efekt losowy?
Gdy chcemy wnioskować o czynniku, ale nie mamy wszystkich jego poziomów.
Np. Analizujemy wpływ pór roku, ale
mamy dane tylko z lata i jesieni.
![Page 20: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/20.jpg)
Kiedy efekt losowy?
Gdy chcemy uwględnić fakt, że obserwacje są skorelowane
...lub gdy efekty skorelowane są naszym przedmiotem zainteresowania.
Np. Wartość hodowlana świni A jest skorelowana z w.h. świni B, bo A i B są spokrewnione.
![Page 21: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/21.jpg)
Zależności między efektami
y = X + Zu + e
Zależności między efektami
zdefiniowane w macierzy GZależności między resztamizdefiniowane w
macierzy R
![Page 22: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/22.jpg)
Przykładbuhaj 1
krowa 1 krowa 2stado A stado B
y=9 y=12
buhaj 2
krowa 3 krowa 4stado A stado B
y=11 y=6
buhaj 3
krowa 5 krowa 6stado A stado B
y=7 y=14
V = R = 6
1 0 0 0 0 00 1 0 0 0 00 0 1 0 0 00 0 0 1 0 00 0 0 0 1 00 0 0 0 0 1
1 00 11 01 01 00 1
= stado Astado B
912116714
Y = X =
y = X + e
Zakładamy, że obserwacje nie są skorelowane, ale to nieprawda!
![Page 23: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/23.jpg)
Przykładbuhaj 1
krowa 1 krowa 2stado A stado B
y=9 y=12
buhaj 2
krowa 3 krowa 4stado A stado B
y=11 y=6
buhaj 3
krowa 5 krowa 6stado A stado B
y=7 y=14
V = ZGZ`+ R =
8 2 0 0 0 02 8 0 0 0 00 0 8 2 0 00 0 2 8 0 00 0 0 0 8 20 0 0 0 2 8
y = X + Zu + e
Teraz obserwacje są skorelowane, ale błędy nie!
1 0 01 0 00 1 00 1 00 0 10 0 1
Z =
buhaj 1buhaj 2buhaj 3
u =
1 0 00 1 00 0 1
G = 2
![Page 24: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/24.jpg)
Poziomy efektów losowych mogą być także skorelowane
ojciec matka córka ojciec 1 0 1/2
matka 0 1 1/2
córka 1/2 1/2 1
np. zależności między efektami proporcjonalne do spokrewnień (Animal Model)
ojciec matka
córkaG=A 2
A
![Page 25: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/25.jpg)
Model mieszany w SASie
proc MIXED ; class A B ; model Y = A B ; random C ;run ;
![Page 26: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/26.jpg)
BLUP AM
Krowa 1 Buhaj 2
Córka 3 Córka 4
stado Ay=3,1
stado By=3,5
stado By=3,3
Założenia:•wariancja add. 2
A = 1,0•wariancja reszt 2
E = 1,5
...czyliG = A×1,0R = I×1,5
Y = stado + animal + reszta
![Page 27: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/27.jpg)
krowa 1 1 0 0,5 0buhaj 2 0 1 0,5 0,5córka 3 0,5 0,5 1 0,25córka 4 0 0,5 0,25 1
data G ;input Row Col1-Col4 ;cards ;1 1 0 0.5 02 0 1 0.5 0.53 0.5 0.5 1 0.254 0 0.5 0.25 1
;
data G ;input Row Col Value ;cards ;1 1 0 1 3 0.52 2 12 3 0.5itd.
BLUP AM
![Page 28: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/28.jpg)
data mleko ; input stado $ animal $ Y ; cards ; A 1 3.1 A 2 . B 3 3.5 B 4 3.3;proc mixed data=mleko ; class stado animal ; model Y = stado ; random animal / type=un gdata=G s ; parms 1.5 / hold=1 ;run ;
BLUP AM
![Page 29: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/29.jpg)
Zadanie 1
1 1 42 44 36 13 19 221 2 33 . 26 . 33 211 3 31 -3 . 25 25 242 1 28 . 23 34 42 132 2 . 34 33 31 . 362 3 3 26 28 32 4 163 1 . . 1 29 . 193 2 . 11 9 7 1 -63 3 21 1 . 9 3 .4 1 24 . 9 22 -2 154 2 27 12 12 -5 16 154 3 22 7 25 5 12 .
data a; input lek choroba @; do i=1 to 6; input y @; output; end; cards ;
Zbadaj wpływ leku (1-4) i choroby (1-3) oraz interakcji między nimi na wskaźnik wydajnościowy organizmu. Czy układ jest zbalansowany? Który efekt jest istotny? Porównaj średnie najmniejszych kwadratów w parach.
Dane: Procedura wczytania danych:
![Page 30: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/30.jpg)
Zadanie 2
a 11 6 a 8 0 a 5 2 a 14 8 a 19 11a 6 4 a 10 13 a 6 1 a 11 8 a 3 0d 6 0 d 6 2 d 7 3 d 8 1 d 18 18d 8 4 d 19 14 d 8 9 d 5 1 d 15 9f 16 13 f 13 10 f 11 18 f 9 5 f 21 23f 16 12 f 12 5 f 12 16 f 7 1 f 12 20
Zbadaj skuteczność antybiotyku (a-f) na stopień zakażenia pacjentów (po) uwzględniając stopień zakażenia przed leczeniem (przed) jako drugi efekt w modelu. Wytłumacz różnicę między wynikiem dla antybiotyku obliczonym wg sum kw. typu I i III.
data AB; input anty $ przed po @@; cards;
![Page 31: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/31.jpg)
Zadanie 3Analizowano wpływ mutacji w genie leptyny (CC, CG, GG) na ekspresję tego genu (poziom mRNA). Zbadano 14 świń i dla każdej wykonano 3 pomiary ekspresji genu. Zbadaj wpływ genu.
dane22.txtkol 1: genotyp Leptynykol 2: pomiar 1kol 3: pomiar 2kol 4: pomiar 3
http://jay.au.poznan.pl/~mcszyd/dyda/pakiety/index.html
![Page 32: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/32.jpg)
Zadanie 4Analizowano wpływ genotypu w genie leptyny (CC, CG) na średnią grubość słoniny. Wykonaj obliczenia (a) ignorując wpływ ojca i (b) traktując wpływ ojca jako efekt losowy. Uwzględnij wiek uboju i masę półtuszy.
dane23.txtkol 1: kod rasykol 2: numer próbykol 3: numer ojcakol 4: genotyp RYRkol 5: genotyp Leptynykol 6: średnia gr. słoniny (cm)kol 7: wiek uboju (dni)kol 8: masa półtuszy (kg)
http://jay.au.poznan.pl/~mcszyd/dyda/pakiety/index.html
![Page 33: Plan na dziś](https://reader031.fdocument.pub/reader031/viewer/2022020111/56815444550346895dc2506d/html5/thumbnails/33.jpg)
Zadanie dla chętnych
krowa stado %tłuszczu2 A 3,33 A 3,15 B 3,06 B 2,98 B 3,49 A 3,510 B 3,2
1 2 3 4 5
6 7 8
9 10
Oceń wartość hodowlaną buhajów i krów wzg. zawartości tłuszczu w mleku przyjmując, że wariancja genetyczna addytywna = 0,75, a wariancja reszt = 1,3.
zwierzęta ponumerowane rosnąco od najstarszych do najmłodszych