用戶名: 密 碼:
數據庫:飼料效價評定另存文本打印瀏覽 【字體放大】 【字體還原】

日期20020617名稱飼養試驗的統計學評估
副類別動物飼養試驗方法類別飼料生物學效價評定方法
正文 飼養試驗的統計學評估

  (一)設計方法及其精度

  對動物飼養試驗進行統計學評估,有助于找出試驗設計以及試驗單位或材料選取方面的缺陷。按試驗目的,可將試驗分為定性試驗、單因素定量試驗和多因素定量試驗3類。為了比較不同的設計方法,Bajpai和Nigam (1980) 引入了2個參數:設計權重 (W1) 和精度權重 (W2) 。W1和W2的取值范圍為0~1,愈接近1,表示試驗設計愈合理,精度愈高。
  1.定性試驗 定性試驗設計方法有完全隨機化設計 (completerandomdesign,CRD)、隨機區組設計(randomblockdesign,RBD)、拉丁方設計和交叉設計。在這些設計中,交叉設計是最好的設計方法,它能從試驗誤差組分中消除個體間的差異。因此,設交叉設計的W1為1。而對于完全隨機化設計、隨機區組設計和拉丁方設計,一般的原則是:如果誤差自由度大于5,它們的W1值分別為0.7、1.0、1.0;相反,如果誤差自由度小于5,無論何種設計,W1值均為零。
  確定W2的值時,可將定性試驗分為短期試驗(小于或等于3個月)和長期試驗(3個月以上)。短期試驗通常研究維持需要,長期試驗則以研究生產性能為目的。在Bajpai和Nigam (1980)報道,對于維持需要,31%試驗的變異系數小于或等于5%;而對于產奶量、產毛量、增重等生產指標,變異系數大于或等于10%的試驗,分別為31%、25%、45%。這就是說研究維持需要的短期試驗變異小一些,精度較高。(Bhatia等,(1992)報道研究生產性能的長期試驗變異較大,精度較低。根據變異系數查表即可得知W2的值。
  2.單因子定量試驗 單因子定量試驗Wi的確定與定性試驗相同,但對于W2的確定,必須考慮試驗目的。
  (1)尋求最大值與最小值試驗:這類試驗的水平數應大于2,如果水平數等于2,那么W2為零。對于3個或3個以上水平來講,如果處理的1次和2次組分都顯著,W2等于1;如果僅是部分1次和2次組分顯著,W2等于0.5;如果1次和2次組分都不顯著,則W2為零。
  (2)尋求代替范圍試驗:在短期和長期試驗的變異系數分別為5%和15%的情況下,如果處理不顯著,那么W2為1,其他變異系數下W2的值與定性試驗相似。如果處理顯著,把處理平方和剖分成1次和2次組分檢驗它們的顯著性,如果任一組分顯著,它的結果是負效應,那么置W2為零,這表明所選的代替范圍沒有起作用。如果1次反應是正的、顯著的,而2次組分不顯著時,置W2等于0.5,這表明檢測不到最大代替水平。
  在1次效應為正,2次效應為負或可獲得最大代替水平時,W2為1。
  3.多因子定量試驗

  (1)反應面試驗:多因子試驗的主要目的是估測一系列因子與反應值之間的關系。一但獲得適宜的模型(反應面),下一步的目標就是為確定不同因子理想的組合水平尋求恰當的模型。確定適宜的反應面的必需條件是信息矩陣的非奇性。如果試驗的信息矩陣是奇性的且不能估測模型參數,則W1為零。當試驗的信息矩陣具有非奇性且僅以尋求適宜模型為目的時,W1依最適標準而定。就反應面問題而言,以G率(或稱最適標準)最為合適。
  (2)研究不同因子主效應及其交互作用析因試驗的W1和W2:如果所有因子組合以完全隨機化和拉丁方設計,W1將取1。在混雜設計的情況下,W1的值等于W11W12。W11與效應的相對重要性有關。在所有混雜試驗中,W11都為零。對完全析因設計,W12等于其在所有效應總自由度中所占的比例。對部分析因設計, W11與最適標準有關,其確定方法與反應面試驗相同。對S1×S2×……~Sk多因子試驗,W2按下式計算。具體計算實例可參閱Bajpai (1980)的文章。
          
  式中:n--所有效應和交互作用的總自由度;
  ni--與次序效應有關的自由度;
     W2i--與次序效應有關的權重。
  如果檢測不到次序效應(以變異系數顯著性衡量),那么置W2i為零。
  (二)劑量一反應數據的解釋與曲線模型的應用

  1.方差分析(F檢驗)及多重比較 劑量一反應試驗,t檢驗和方差分析,并非總是比較準確的統計分析方法。應用方差分析的前提是試驗數據具有可加性、正態性和同質性。多數試驗資料可以或基本滿足這3個條件。因而,由方差分析能夠做出有效的判斷。但也有一些資料不能滿足三性假定,對這些資料就不能直接進行方差分析,一種辦法是采用非參數方法分析,另一種方法是將變量進行適當的轉換后再進行方差分析。多重比較的方法主要有:最小顯著差數(LSD)法、Duncan氏新復極差法(SSR法)、Turkey氏固定極差法和Dunnett氏最小顯著差數法等。一個試驗選用何種多重比較方法,主要應根據否定一個正確假說和接受一個不正確假說的相對重要性確定。如果否定正確假說是事關重大或后果嚴重的,則應用q檢驗;如果接受不正確的假說是事關重大或后果嚴重的,則宜采用SSR法檢驗或有F檢驗保護的LSD法檢驗。Morris (1989) 指出,當處理間有邏輯結構時,用SSR法進行多重比較是不恰當的。此外,始終選用5%的概率水準也并不合適,應根據具體的試驗要求選取合適的概率水準。
  2.折線模型 人們習慣用簡單回歸分析解釋數據。最普遍的作法是假設在一定閾值范圍內,反應值是營養素進食量的線性函數。超過閾值后,反應值突然停止。這一模型僅適用于離差均方稍微小于誤差均方的重復組數據。折線模型僅適用于個體。當進行飼養試驗時,所用的試驗動物必然超過1頭(只),因而實際上的反應函數必然是曲線。因此,用折線模型估計的最佳劑量水平通常過低。盡管在統計上,某些特定情況下的劑量反應數據服從折線模型,但在實踐中并非如此。
  3.拋物線模型 模型方程為: y=a+bx+cx2(x為營養素攝人量, y為反應值)。假設前提是:動物對某一營養素的反應呈曲線型,且生產性能對攝人量不足和過量的反應是對稱的。事實上,大多數營養素的攝人量過剩時,會引起生產性能下降,但這種反應很少與攝人量不足的反應對稱。更為典型的情況是,在一個較寬的范圍內,營養素攝人量過剩時,對生產性能也無不良影響。可見,拋物線模型從原理上是不通的 (Morris,1989)。
  4.雙曲線模型 模型方程為: y=a-bc?x(x為營養素攝人量,y為反應值,a、b、c分別為生物參數)。此模型假設在一定范圍內,反應值達到一個高峰值,且不隨營養素攝人量的增大而減小。該模型的優點是,與拋物線模型相比,方程的系數都是重要的生物學指標估計值,便于推算具有不同反應特性群體的反應曲線。缺點是營養素攝人量增加到一定量后,曲線仍在上升,容易過高地估計最佳攝人劑量 (Morris,1989) 。
5.Reading模型 模型方程如下: 

    式中:ΔW--平均增長率;
     δΔW--群體增長率標準差;
     δw--體重標準差;
     X--標準正態分布之離均差;
     γΔww_--群體內個體間增重率與體重間的相關系數;
  W--平均體重;
  a--每克增重需要量;
     b--每克體重需要量;
     Y--某營養素需要量。
  這種模型的優點之一是與日糧處理無關,而是取決于試驗動物的變異性,但這種變異在不同試驗之間變化不大;另一個優點是方程中的系數是有生物學意義的參數。因此,根據一組試驗動物的一系列數據,就可以估計另外一組平均體重不同的動物的反應曲線;匯總許多試驗結果,便可獲得最佳的反應系數估計值。此模型的缺點是:假定個體產量呈正態分布,而且都分布在乎均數周圍,并且需要估計平均體重。這一假設在短期試驗易于滿足,而在長期試驗,則不易做到。Morris,(1989) 報道,某些飼養試驗不能用Reading模型解釋,要么是因為營養素攝人量過于復雜或難以確定,要么是因為反應值不直接依賴于營養素攝人量而變化。
  (三)定性與定量因素飼養試驗的統計分析

  定性與定量因素試驗結果的統計分析,現行的做法大多采用參數差異的統計比較方法,或t檢驗或方差分析。實際上,當應用最小二乘法將方差分析轉化為回歸分析時,對于定性因素試驗而言,運用多元回歸分析不僅可將指標變化剖分成各因素水平影響的幾個部分,而且對次級樣本含量不等資料的方差分析結果與次級樣本含量相等資料的方差分析結果相同。但對于定量因素試驗來講,如果依然沿用定性因素試驗的分析思路,那么除了幾個參數因素組外,以其他水平取值的效果如何則難以判定。既然因素與指標間存在相關,就可以直接建立兩者間的回歸函數關系,估計因素允許取值區間任一水平效應的理論值,并以此值代替相應參數水平觀察值的均值進行方差分析,此法等同于以因素為自變量,指標為依變量的回歸分析。由此看來,對于定量因素而言, 回歸分析具有方差分析的功效,并且回歸分析考慮了因素與指標的相關,故減少了重復數多而重復內動物數少而加大了誤差自由度的統計錯誤的可能性,提高了統計檢驗的可靠性。加之,回歸分析還有方差分析所不具備的預測功能。因此,應該采用回歸分析法處理定量因素試驗。由于定量因素飼養試驗的統計處理應采用回歸分析方法,而定性因素飼養試驗通常采用方差分析方法。因此,對于定量與定性因素混合飼養試驗資料的統計處理,顯然是回歸分析與方差分析的結合。這種結合有別于協方差分析。相對定性因素的不同水平比較而言,定量因素就成為協變量,這在某種程度上拓寬了協方差分析的范圍,而且在一個飼養試驗中可以有多個協變量。具體分析方法查閱有關文獻。
  (四)飼養試驗中的多指標綜合分析

  飼養試驗可同時考慮2個以上指標,用以比較2種或多種日糧的不同效果。對于這類資料,多采用單指標分析方法,其缺陷在于沒有考慮各指標的整體效應;不同指標反應效果不一致時,很難判定2種處理方法的優劣。所以,它并不能真實反映問題的實質。因而有必要對幾個指標同時考慮,進行綜合分析。其統計方法可參見有關文獻。
  (五)動物生長過程的統計比較方法

  動物的生長模式是曲線型的連續生長過程。通常只能在適當條件下測量生長過程中的一些特定生長點。如果能建立反映動物生長規律的數學模型,便可在不同飼養條件下預測其生長狀況,一般以幾個參數來描述。考慮到不同時刻生長點的相關,如將每個觀察時刻的生長量都視為隨機變量,以由各觀察點所組成的向量為對比對象,采用多元統計比較方法,可以進行動物生長過程的統計比較。
資料來源中國飼料數據庫中心
負責人熊本海博士



copyright © 2016 中國飼料數據庫
版權所有:中國農業科學院北京畜牧獸醫研究所
維護制作:中國農業科學院北京畜牧獸醫研究所畜牧信息中心
福利彩票3d开奖