aireml估计方差组分日志信息解读

解读使用 airemlf90 估计方差组分的日志信息。

估计方差组分日志信息

估计方差组分时,我们会得到以下的信息(下图为第一次迭代结果):

官方文档给出的解释如下:

我这里先解释一下整个过程吧,首先我们利用方差组分初始值构建 MME ,求解得到的相应 BLUE 和 BLUP 值,并且计算相应的对数似然值的 -2 倍,即 -2logL

然后基于公式 AIC = -2logL + 2p 得到 AIC ,这里的 p 是需要估计的方差组分元素的数目(包含残差)。以截图为例,很明显是单性状模型,其中需要估计的方差组分为加性效应方差和残差方差,因此 p = 2;如果改为双性状模型,此时加性效应部分需要估计的元素数目为 3 (两个方差,一个协方差),同理残差部分需要估计的元素数目也为 3,因此 p = 6 。

然后我们基于 AI 算法得到下一组方差组分,即图中的 new Rnew G

然后我们基于新的方差组分和上一次的方差组分,比较二者差异,计算两个统计量。第一个统计量 convergence 计算公式为

其中 是当前估计得到的第 个方差组分, 是之前(上一次)的第 个方差组分 ( 的范围是从 1 到 )。

通过 airemlf90 日志信息,实际计算发现,airemlf90在计算 时没有使用残差的方差组分。以上图为例,即只用了加性方差计算 。具体原因不太情况,官方文档没有说明这一点。

另一个统计量 the delta convergence ,计算公式如下

如果满足下面的任一条件( 为收敛阈值,默认为 ),则迭代收敛。但是通常当一个统计量满足收敛条件时,另一个统计量也会同时满足收敛条件。

育种值结果

估计方差组分后会自动求解MME,并得到solutions文件。注意solutions是使用最终方差组分前一个迭代结果计算的。比如这里迭代了8次最后停止迭代了,solutions就是使用第7次迭代结果计算的,一般两次迭代之间区别很小。但是如果迭代结果之间波动很大,结果就不可靠了。

  • 版权声明: 本博客所有文章除特别声明外,著作权归作者所有。转载请注明出处!
  • Copyrights © 2019-2023 Vincere Zhou
  • 访问人数: | 浏览次数:

请我喝杯茶吧~

支付宝
微信