R語言混合線性模型中BLUE值和BLUP值實例分析

本文小編為大家詳細介紹“R語言混合線性模型中BLUE值和BLUP值實例分析”，內容詳細，步驟清晰，細節處理妥當，希望這篇“R語言混合線性模型中BLUE值和BLUP值實例分析”文章能幫助大家解決疑惑，下面跟著小編的思路慢慢深入，一起來學習新知識吧。

混合線性模型中BLUE值 VS BLUP值

最佳線性無偏預測(best linear unbiased prediction， 簡稱BLUP)，又音譯為“布拉普”[1]，是統計學上用于線性混合模型對隨機效應進行預測的一種方法。最佳線性無偏預測由C.R. Henderson提出。隨機效應的最佳線性無偏預測（BLUP）等同于固定效應的最佳線性無偏估計（best linear unbiased estimates, BLUE）（參見高斯-馬爾可夫定理）。因為對固定效應使用估計一詞，而對隨機效應使用預測，這兩個術語基本是等同的。BLUP被大量使用于動物育種?！獁iki

BLUP值，相當于是對混合線性模型中隨機因子的預測；

BLUE值，相當于是對混合線性模型中固定因子的估算

predict means:預測均值，固定因子和隨機因子都可以預測均值，它的尺度和表型值尺度一致

將處理作為固定因子

將處理作為固定因子
setwd("D:\\02 ASReml\\blue VS blup")
library(asreml)
library(tidyverse)
dat <- read.csv("MaizeRILs.csv",head=T)
for (i in 1:4) dat[,i] <- as.factor(dat[,i])
as1 <- asreml(height ~ location/rep + location*RIL,data=dat)
ASReml: Tue May 08 11:07:55 2018

     LogLik         S2      DF      wall     cpu
   -723.8797     64.8862   244  11:07:55     0.1
   -723.8797     64.8862   244  11:07:55     0.0

Finished on: Tue May 08 11:07:55 2018

LogLikelihood Converged 
#計算品種的BLUE值
ablue <- coef(as1)$fixed
blue1 <- ablue[grep("^RIL_RIL*",rownames(ablue)),] %>% as.data.frame()
head(blue1)
#計算品種的預測均值（predict means）
pv1 <- predict(as1,"RIL")$predictions$pvals
ASReml: Tue May 08 11:13:33 2018

     LogLik         S2      DF      wall     cpu
   -723.8797     64.8862   244  11:13:33     0.0
   -723.8797     64.8862   244  11:13:33     0.0

Finished on: Tue May 08 11:13:33 2018

LogLikelihood Converged 
head(pv1) # 類似SAS中的lsmeans
#運行模型：因素作為隨機因子
as2 <- asreml(height ~ 1,random = ~location/rep + location*RIL,data=dat)
ASReml: Tue May 08 11:13:34 2018

     LogLik         S2      DF      wall     cpu
  -1646.5302    233.5135   495  11:13:34     0.0
  -1569.0397    137.9186   495  11:13:34     0.0
  -1507.3257     94.6888   495  11:13:34     0.0
  -1471.3354     74.5149   495  11:13:34     0.0
  -1462.9209     67.6142   495  11:13:34     0.0
  -1461.7649     65.3553   495  11:13:34     0.0
  -1461.7228     64.9069   495  11:13:34     0.0
  -1461.7228     64.8863   495  11:13:34     0.0
  -1461.7228     64.8862   495  11:13:34     0.0

Finished on: Tue May 08 11:13:34 2018

LogLikelihood Converged 
blup <- coef(as2)$random
blup2 <- blup[grep("^RIL_RIL-*",rownames(blup)),] %>% as.data.frame()
head(blup2)
#預測均值
pv2 <- predict(as2,"RIL")$predictions$pvals
ASReml: Tue May 08 11:13:34 2018

     LogLik         S2      DF      wall     cpu
  -1461.7228     64.8862   495  11:13:34     0.0
  -1461.7228     64.8862   495  11:13:34     0.0
  -1461.7228     64.8862   495  11:13:34     0.0
  -1461.7228     64.8862   495  11:13:34     0.0

Finished on: Tue May 08 11:13:34 2018

LogLikelihood Converged 
head(pv2)
#計算遺傳力
summary(as2)$varcomp
str(dat)
'data.frame':    496 obs. of  9 variables:
 $ location: Factor w/ 4 levels "ARC","CLY","PPAC",..: 1 1 2 2 3 3 4 4 1 1 ...
 $ rep     : Factor w/ 2 levels "1","2": 1 2 1 2 1 2 1 2 1 2 ...
 $ block   : Factor w/ 8 levels "1","2","3","4",..: 4 6 5 4 8 5 1 4 1 2 ...
 $ plot    : Factor w/ 122 levels "1","2","3","4",..: 28 47 36 92 64 40 7 27 6 9 ...
 $ RIL     : Factor w/ 62 levels "RIL-1","RIL-11",..: 1 1 1 1 1 1 1 1 2 2 ...
 $ pollen  : int  73 74 71 73 97 95 72 72 69 69 ...
 $ silking : int  77 79 74 77 101 100 78 78 71 72 ...
 $ ASI     : int  4 5 3 4 4 5 6 6 2 3 ...
 $ height  : num  182 169 213 203 156 ...
VSNR::pin(as2,h3 ~ V3/(V3 + V4/4 + V5/(2*4)))


將數據保存到excel中
library(openxlsx)
write.xlsx(blue1,"blue.xlsx")
write.xlsx(blup2,"blup.xlsx")
write.xlsx(pv1,"pm1.xlsx")
write.xlsx(pv2,"pm2.xlsx")
結果解析


RIL是基因型

pm2-random是RIL作為隨機因子的預測均值

pm1-fixed是RIL作為固定因子時的預測均值

blue是RIL作為固定因子的BLUE值

blup是RIL作為隨機因子的BLUP值

pm2-blup 是隨機因子的預測均值 減去 隨機因子的BLUP值，可以看到得到的是一個常數（均值）

pm1-mu-random 是固定因子的預測均值 減去 固定依著你的BLUE值， 可以看到不是一個常數

blup/blue_effect=heritibility 是BLUP值 除以 BLUE效應值，得到的是遺傳力常數

備注：blue_effect是用固定因子的預測均值 減去 整體均值

讀到這里，這篇“R語言混合線性模型中BLUE值和BLUP值實例分析”文章已經介紹完畢，想要掌握這篇文章的知識點還需要大家自己動手實踐使用過才能領會，如果想了解更多相關內容的文章，歡迎關注億速云行業資訊頻道。