Estimação de componentes de variância utilizando-se inferência Bayesiana e freqüentista em dados simulados sob heterogeneidade de variâncias Estimation of variance components using Bayesian and frequentist inferences considering simulated data under heterogeneity of variance

• Main Authors: José Marques Carneiro Júnior, Giselle Mariano Lessa de Assis, Ricardo Frederico Euclydes, Robledo de Almeida Torres, Paulo Sávio Lopes
• Format: Article
• Language: English
• Published: Sociedade Brasileira de Zootecnia 2007-10-01
• Series: Revista Brasileira de Zootecnia
• Subjects: amostragem de Gibbs; heterocedasticidade; informação a priori; melhoramento animal; parâmetros genéticos; simulação; animal breeding; a priori information; genetic parameters; Gibbs sampling; heterocedasticity; simulation
• Online Access: http://www.scielo.br/scielo.php?script=sci_arttext&pid=S1516-35982007000700012

Foi simulado um genoma de 3.000 centimorgans de comprimento considerando uma única característica quantitativa, governada por 800 locos com dois alelos por loco. Segundo a estrutura genômica proposta, foram simulados 1.500 machos e 1.500 fêmeas que formaram a população-base. A partir da população-base foram formadas duas populações iniciais, uma grande e outra pequena. Dois tipos de estruturas de heterogeneidade de variâncias foram inseridos nas populações iniciais: heterogeneidade de variância genética aditiva e heterogeneidade de variâncias genética aditiva e ambiental. Para obtenção destas estruturas, foram feitos descartes estratégicos dos valores genéticos aditivos e ambientais de acordo com o tipo de heterogeneidade e o nível de variabilidade desejada: alta, média ou baixa. Os componentes de variância foram estimados por meio da metodologia Bayesiana via Amostragem de Gibbs e pelo método REML. Para a metodologia Bayesiana, foram utilizados três níveis de informação a priori: não-informativo, pouco informativo e informativo. Os métodos comparados apresentaram resultados semelhantes quando priors não-informativos foram utilizados e as populações de tamanho grande, de modo geral, apresentaram melhores estimativas. Para as populações pequenas, as análises realizadas considerando os níveis de variabilidade separadamente apresentaram maiores problemas, em virtude do pequeno tamanho das subpopulações formadas. Observou-se, para a metodologia Bayesiana, que o aumento no nível de informação a priori influenciou positivamente as estimativas dos componentes de variância, principalmente para as populações pequenas. Portanto, na presença de heterogeneidade de variâncias, as metodologias se comportam de forma semelhante. Entretanto, para populações pequenas a metodologia Bayesiana conduz a melhores estimativas quando informações adicionais estão disponíveis.<br>A genome of 3.000 centimorgans was simulated for a single quantitative trait governed by 800 loci with two alleles per locus. According to the genomic structure proposed, 1,500 males and 1,500 females constituted the base population which was used to form two (small and large) initial populations. Two types (only additive genetic variance and both additive genetic and environmental variances) and three variability levels (high, medium and low) of heterogeneity of variances were inserted in the initial populations. Variance components were estimated by Bayesian inference via Gibbs Sampling using three different levels of priors (non-informative, slightly informative and informative) and by REML. The best estimates of variance components were obtained with large populations. In small populations, the individual analyses for different variability levels presented problems related to variance components estimation due the small size of subpopulations. Both methods presented similar results for variance components when non-informative priors were used in Bayesian inference. Increasing the level of a priori information improved the estimates of variance components by Bayesian inference, especially in small populations.