asreml怎样设定初始值

asreml的初始值如何设置，很多新手都不是很清楚。为了帮助大家解决这个问题，下面小编就详细讲解一下。需要的人可以从中学习，希望你能有所收获。

00-1010有朋友问我asreml的初始值怎么定，现在分为单性状和多性状。为何要固定初始值：

1.由于人口少，估计的方差分量不准确，需要手动设置初始值，直接求解。

2.对于某些人口数据，估计的方差分量不收敛，因此需要手动修正初始为何要设定初始值：.

1、从头开始，模型长时间运行，根据先验信息手动设置初始值，迭代收敛速度更快。

2.在多性状分析中，模型不容易收敛，手动设置初始值更容易收敛和迭代。

00-1010以asreml包中的数据harvey为例进行演示。

库(asreml)

数据(哈维)

负责人(哈维)

小牛公畜坝线年龄为y1 y2 y3

1 101 Sire_1 0 1 3 192 390 224

2 102 Sire_1 0 1 3 154 403 265

3 103 Sire_1 0 1 4 185 432 241

4 104 Sire_1 0 1 4 183 457 225

5 105 Sire_1 0 1 5 186 483 258

106 sire _ 1015 177 469 267数据前三列为系谱数据，Line为固定因子，ageOfDam为协变量，Y1、Y2、Y3为三个字符。

1. 背景

#计算A的逆矩阵

ainv - asreml。Ainverse(harvey[，1:3])$ginv

主管(ainv)

# 1.单性状模型

mod1 - asreml(y1 ~ Line，random=~ ped(小腿)，ginverse=list(小腿=ainv)，data=harvey)

汇总(mod1)$varcomp结果如下：

汇总(mod1)$varcomp

伽马分量标准误差z比率约束

ped(小腿)！ped 2.144929 108.83588 106.37372 1.0231463阳性

r！方差1.000000 50.74101 86.63851 0.5856635正说明Va为108.83，ve为50.74，模型收敛。

2. 单性状设定初始值和固定初始值

设置初始值以便更好地收敛，并且不影响结果。

# 1.1.设置单个字符的初始值

mod - asreml(y1 ~ Line，random=~ ped(小腿)，

ginverse=list(小腿=ainv)，

起始值=T，

数据=哈维)

vc=mod$gammas.table

风险投资

价值=c(100，50)

风险投资

mod1.1 - asreml(y1 ~ Line，random=~ ped(小腿)，

ginverse=list(小腿=ainv)，

参数=vc，参数=vc，

数据=哈维)

汇总(mod1.1)$varcomp结果：

汇总(mod1.1)$varcomp

伽马分量标准误差z比率约束

彼得(加州

lf)!ped 108.83606 108.83606 106.37146 1.0231697   Positive
R!variance      1.00000   1.00000        NA        NA      Fixed
R!units.var    50.74109  50.74109  86.63707 0.5856742   Positive

2.3 单性状动物模型固定初始值

固定初始值，直接求解，asreml的结果方差组分状态为Fixed

# 1.2. 单性状固定方差组分
mod <- asreml(y1 ~ Line,random =~ ped(Calf),
ginverse = list(Calf=ainv),
start.values = T,
data=harvey)
vc = mod$gammas.table
vc
vc$Value = c(100,50)
vc$Constraint = rep("F",2)
vc
mod1.2 <- asreml(y1 ~ Line,random =~ ped(Calf),
ginverse = list(Calf=ainv),
G.param = vc,R.param = vc,
data=harvey)
summary(mod1.2)$varcomp

结果：

> summary(mod1.2)$varcomp
gamma component std.error z.ratio constraint
ped(Calf)!ped   100       100        NA      NA      Fixed
R!variance       50        50        NA      NA      Fixed

结果可以看出，方差组分变为了100,50，同时状态是Fixed，说明是固定方差组分的结果，这样计算的BLUP值就是我们想要的。

3. 多性状固定方差组分

3.1 运行多性状模型

# 2. 多性状模型
mod2 <- asreml(cbind(y1,y3) ~ trait + trait:Line,
random =~ us(trait):ped(Calf),
rcov = ~ (units):us(trait),
ginverse = list(Calf=ainv),data=harvey)
summary(mod2)$varcomp

> summary(mod2)$varcomp
gamma component std.error    z.ratio constraint
trait:ped(Calf)!trait.y1:y1 108.83746 108.83746 106.37437  1.0231549   Positive
trait:ped(Calf)!trait.y3:y1 -51.25056 -51.25056 166.86351 -0.3071406   Positive
trait:ped(Calf)!trait.y3:y3 499.55701 499.55701 500.53419  0.9980477   Positive
R!variance                    1.00000   1.00000        NA         NA      Fixed
R!trait.y1:y1                50.73993  50.73993  86.63929  0.5856457   Positive
R!trait.y3:y1               -21.53905 -21.53905 136.25598 -0.1580778   Positive
R!trait.y3:y3               273.13654 273.13654 410.03528  0.6661294   Positive

3.2 多性状模型固定方差组分

# 2.2 固定初始值
Va = c(108,-51,499)
Ve = c(50,-21,273)
mod2.2 <- asreml(cbind(y1,y3) ~ trait + trait:Line,
random =~ us(trait,init=Va):ped(Calf),
rcov = ~ units:us(trait,init=Ve),
start.values = TRUE,
ginverse = list(Calf=ainv),data=harvey)
vc = mod2.2$gammas.table
vc
vc$Value = c(Va,1,Ve)
vc$Constraint = c(rep("F",7))
vc
mod2.3 <- asreml(cbind(y1,y3) ~ trait + trait:Line,
random =~ us(trait,init=Va):ped(Calf),
rcov = ~ units:us(trait,init=Ve),
G.param = vc,R.param = vc,
ginverse = list(Calf=ainv),data=harvey)
summary(mod2.3)$varcomp

结果：

> summary(mod2.3)$varcomp
gamma component std.error z.ratio constraint
trait:ped(Calf)!trait.y1:y1   108       108        NA      NA      Fixed
trait:ped(Calf)!trait.y3:y1   -51       -51        NA      NA      Fixed
trait:ped(Calf)!trait.y3:y3   499       499        NA      NA      Fixed
R!variance                      1         1        NA      NA      Fixed
R!trait.y1:y1                  50        50        NA      NA      Fixed
R!trait.y3:y1                 -21       -21        NA      NA      Fixed
R!trait.y3:y3                 273       273        NA      NA      Fixed

4. 结论

• 1，固定方差组分和设置方差组分方法类似， 不同的是constraint为Fixed

• 2，设定方差组分时，先要运行start.values=T，这样就可以生产一个表格，进行修改value和contraint即可

• 3，单性状和多性状设定方法类似

看完上述内容是否对您有帮助呢？如果还想对相关知识有进一步的了解或阅读更多相关文章，请关注行业资讯频道，感谢您对的支持。