hrvatski

BLUP procjena efekata u nepotpunim setovima podataka

Višegodišnja višelokacijska istraživanja u agronomiji često rezultiraju setovima podataka koji su iz različitih razloga nepotpuni. Pogreškom pri izvođenju pokusa ili nekom nepredvidljivom nezgodom, podaci s jedne ili više osnovnih podataka mogu nedostajati. U analizi takvih pokusa navedeni se nedostatci mogu ispraviti korištenjem različitih tehnika za nadomještanje nedostajućih podataka (missing data). Međutim, problem kojem je posvećen ovaj rad znatno je ozbiljniji. Uslijed različitih razloga često je nemoguće točno ponoviti neki pokus, pa svi članovi pokusa ne mogu biti ispitani u svim okolinama. Kako se za procjenu učinaka, kako članova pokusa, tako i okolina u kojima su ispitivani koristimo njihovim prosječnim vrijednostima, one će, zbog različitosti izvora informacija za svaku od njih, biti pristrane. Sortni pokusi se u pravilu rezultiraju nepotpunim setovima podataka, jer svake godine završava ispitivanje jednih, a započinje ispitivanje drugih sorata. Stoga ćemo upravo na primjeru sortnih pokusa Republičke sortne komisije istražiti mogućnost kvalitetnije procjene različitih efekata. Ukoliko učinke pojedinih sorata procijenimo njihovim prosječnim vrijednostima (aritmetičkim sredinama) lako ćemo uočiti razloge njihove pristranosti. Svojstva sorata koje su ispitivane samo u slabijim okolinama biti će potcijenjena, a svojstva sorata koje su ispitivane samo u boljim okolinama biti će precijenjena. Isto tako, učinak okolina u kojima su ispitivane samo bolje sorte biti će precijenjen, a učinak okolina u kojima su ispitivane samo slabije sorte biti će potcijenjen. Nepristrane procjene navedenih učinaka dobivene su rješavanjem drugog problema koji ovakvi setovi podataka uzrokuju. Naime, uslijed njihove nepotpunosti klasičnu je analizu varijance nemoguće primijeniti. Ovaj problem istovremeno neposredno je povezan s problemom procjene komponenata varijance, koje se u nedostatku analize varijance moraju procijeniti nekom od alternativnih metoda. Izabravši kao najpogodniju REML (restricted ili residual maximum likelihood) metodu, dobivene komponente varijance možemo dalje iskoristiti za procjenu učinaka sorata i okolina. REML procjene fiksnih efekata predstavlju least square prosjeke, a REML procjene slučajnih efekata predstavljaju BLUP-ove (best linear unbiased prediction), koji su, kako im i samo ime kaže, nepristrani. Naime, ovako procjenjene vrijednosti prilagođene su i onim sortama, odnosno lokacijama, čiji utjecaj na određenu sortu ili lokaciju nije ispitan.

BLUP; REML; nebalansirani setovi podataka

nije evidentirano