asreml怎样设定初始值

发布时间：2021-12-10 11:11:33 阅读：196 作者：柒染栏目：大数据

asreml怎样设定初始值，很多新手对此不是很清楚，为了帮助大家解决这个难题，下面小编将为大家详细讲解，有这方面需求的人可以来学习下，希望你能有所收获。

1. 背景

一个朋友问我，如何固定asreml的初始值，现在分为单性状和多性状进行说明。
为何要固定初始值：
1，由于群体较小，估算的方差组分不准确，需要手动设定初始值，直接进行求解
2，有些群体数据，估算方差组分不收敛，需要手动固定初始值
为何要设定初始值：
1，从头进行估算，模型运行时间较长，根据先验信息，手动设定初始值，迭代收敛速度更快
2，多性状分析中，模型不容易收敛，手动设定初始值，更容易收敛和迭代

2. 单性状设定初始值和固定初始值

以asreml包中自带的数据harvey为例，进行演示。

> library(asreml)> data(harvey)> head(harvey)Calf   Sire Dam Line ageOfDam  y1  y2  y31  101 Sire_1   0    1        3 192 390 2242  102 Sire_1   0    1        3 154 403 2653  103 Sire_1   0    1        4 185 432 2414  104 Sire_1   0    1        4 183 457 2255  105 Sire_1   0    1        5 186 483 2586  106 Sire_1   0    1        5 177 469 267

数据前三列为系谱数据，Line为固定因子，ageOfDam为协变量，y1,y2,y3为三个性状。

2.1 运行单性状动物模型

# 计算A逆矩阵ainv <- asreml.Ainverse(harvey[,1:3])$ginvhead(ainv)# 1. 单性状模型mod1 <- asreml(y1 ~ Line,random =~ ped(Calf),ginverse = list(Calf=ainv),data=harvey)summary(mod1)$varcomp

结果如下：

> summary(mod1)$varcompgamma component std.error   z.ratio constraintped(Calf)!ped 2.144929 108.83588 106.37372 1.0231463   PositiveR!variance    1.000000  50.74101  86.63851 0.5856635   Positive

可以看到Va为108.83，Ve为50.74，模型收敛。

2.2 单性状动物模型设定初始值

设定初始值，是为了更好的收敛，不影响结果。

# 1.1. 单性状设定初始值mod <- asreml(y1 ~ Line,random =~ ped(Calf),ginverse = list(Calf=ainv),start.values = T,data=harvey)vc = mod$gammas.tablevcvc$Value = c(100,50)vcmod1.1 <- asreml(y1 ~ Line,random =~ ped(Calf),ginverse = list(Calf=ainv),G.param = vc,R.param = vc,data=harvey)summary(mod1.1)$varcomp

结果：

> summary(mod1.1)$varcompgamma component std.error   z.ratio constraintped(Calf)!ped 108.83606 108.83606 106.37146 1.0231697   PositiveR!variance      1.00000   1.00000        NA        NA      FixedR!units.var    50.74109  50.74109  86.63707 0.5856742   Positive

2.3 单性状动物模型固定初始值

固定初始值，直接求解，asreml的结果方差组分状态为Fixed

# 1.2. 单性状固定方差组分mod <- asreml(y1 ~ Line,random =~ ped(Calf),ginverse = list(Calf=ainv),start.values = T,data=harvey)vc = mod$gammas.tablevcvc$Value = c(100,50)vc$Constraint = rep("F",2)vcmod1.2 <- asreml(y1 ~ Line,random =~ ped(Calf),ginverse = list(Calf=ainv),G.param = vc,R.param = vc,data=harvey)summary(mod1.2)$varcomp

结果：

> summary(mod1.2)$varcompgamma component std.error z.ratio constraintped(Calf)!ped   100       100        NA      NA      FixedR!variance       50        50        NA      NA      Fixed

结果可以看出，方差组分变为了100,50，同时状态是Fixed，说明是固定方差组分的结果，这样计算的BLUP值就是我们想要的。

3. 多性状固定方差组分

3.1 运行多性状模型

# 2. 多性状模型mod2 <- asreml(cbind(y1,y3) ~ trait + trait:Line,random =~ us(trait):ped(Calf),rcov = ~ (units):us(trait),ginverse = list(Calf=ainv),data=harvey)summary(mod2)$varcomp

> summary(mod2)$varcompgamma component std.error    z.ratio constrainttrait:ped(Calf)!trait.y1:y1 108.83746 108.83746 106.37437  1.0231549   Positivetrait:ped(Calf)!trait.y3:y1 -51.25056 -51.25056 166.86351 -0.3071406   Positivetrait:ped(Calf)!trait.y3:y3 499.55701 499.55701 500.53419  0.9980477   PositiveR!variance                    1.00000   1.00000        NA         NA      FixedR!trait.y1:y1                50.73993  50.73993  86.63929  0.5856457   PositiveR!trait.y3:y1               -21.53905 -21.53905 136.25598 -0.1580778   PositiveR!trait.y3:y3               273.13654 273.13654 410.03528  0.6661294   Positive

3.2 多性状模型固定方差组分

# 2.2 固定初始值Va = c(108,-51,499)Ve = c(50,-21,273)mod2.2 <- asreml(cbind(y1,y3) ~ trait + trait:Line,random =~ us(trait,init=Va):ped(Calf),rcov = ~ units:us(trait,init=Ve),start.values = TRUE,ginverse = list(Calf=ainv),data=harvey)vc = mod2.2$gammas.tablevcvc$Value = c(Va,1,Ve)vc$Constraint = c(rep("F",7))vcmod2.3 <- asreml(cbind(y1,y3) ~ trait + trait:Line,random =~ us(trait,init=Va):ped(Calf),rcov = ~ units:us(trait,init=Ve),G.param = vc,R.param = vc,ginverse = list(Calf=ainv),data=harvey)summary(mod2.3)$varcomp

结果：

> summary(mod2.3)$varcompgamma component std.error z.ratio constrainttrait:ped(Calf)!trait.y1:y1   108       108        NA      NA      Fixedtrait:ped(Calf)!trait.y3:y1   -51       -51        NA      NA      Fixedtrait:ped(Calf)!trait.y3:y3   499       499        NA      NA      FixedR!variance                      1         1        NA      NA      FixedR!trait.y1:y1                  50        50        NA      NA      FixedR!trait.y3:y1                 -21       -21        NA      NA      FixedR!trait.y3:y3                 273       273        NA      NA      Fixed

4. 结论

1，固定方差组分和设置方差组分方法类似，不同的是constraint为Fixed
2，设定方差组分时，先要运行start.values=T，这样就可以生产一个表格，进行修改value和contraint即可
3，单性状和多性状设定方法类似

看完上述内容是否对您有帮助呢？如果还想对相关知识有进一步的了解或阅读更多相关文章，请关注亿速云行业资讯频道，感谢您对亿速云的支持。

向AI问一下细节