تجزيه آماري ركوردهاي تكرار شده با مدل كردن ساختار (كو)واريانس

Statistical analysis of repeated measurements with modeling (co)variance structure

طرح‌هاي با ركوردهاي تكرار شده براي مدت زمان طولاني است كه در علوم دام بكار برده مي شوند اما در سال‌هاي اخير پيشرفت‌هايي در روش‌ها و مسايل محاسباتي ايجاد شده كه امكان تجزيه آنها را به طور موثري ممكن ساخته است. روش‌ها و مدل‌هاي تجزيه ركوردهاي تكرار شده به طور چشم گيري از روش‌هاي تجزيه و تحليل كلاسيك ركورد هاي تكرار شده متفاوت هستند. در سال‌هاي اخير نرم افزارهاي بسياري براي رفع عيوب برازش مدل‌ها با ركوردهاي تكرار شده فراهم شده است. در اين مطالعه ركوردهاي تكرار شده صفت رشد جمعيت گوسفند مغاني از تولد تا يكسالگي با در نظر گرفتن ساختارهاي واريانس و كواريانس متفاوت مدل شده اند. مدل‌ها به وسيله معيار اطلاعات آكايك (AIC)، (AIC) تصحيح شده براي اندازه نمونه كم (AICC)، منفي دوبرابر لگاريتم درست نمايي محدود شده (-2Res logL)، معيار اطلاعات بيزي سوارز (BIC) مقايسه شدند. ساختار (كو)واريانس بدون ساختار (UN) به عنوان بهترين ساختار براي برازش داده هاي رشد گوسفند مغاني در تحقيق حاضر شناخته شد. علاوه بر اين، معتبرترين و كمترين مقدار خطاي استاندارد براي اثر متقابل جنس و دوره از مدل UN حاصل شد.

Repeated measures experiments have been used commonly in animal science for a long time, but only in recent years there have been big developments in methodological and computational issues that permit to analyze them effectively. Models and analyses of repeated measurements differ substantially from classical analyses. The many types of softwares are available in recent years to overcome disadvantages of the fitting models with repeated measurements. In this study repeated measurements from growth traits data of a Makoei sheep population were modeled by different variance-covariance structures. The models were compared by using Akaike’s Information Criterion (AIC), AIC corrected for small sample sizes (AICC), -2 Restricted log Likelihood (-2Res logL)and Bayesian Information Criterion(BIC). The “unstructured covariance (UN)” structure was chosen as the best structure for the data set. Furthermore, the most valid and the smallest standard errors were obtained using UN structure.