Hauke Hüttmann, 2007 - Institut für Tierzucht und Tierhaltung ...
Hauke Hüttmann, 2007 - Institut für Tierzucht und Tierhaltung ...
Hauke Hüttmann, 2007 - Institut für Tierzucht und Tierhaltung ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
3 Eigene Untersuchungen<br />
Für die räumliche Exponentialfunktion SP(EXP) nehmen die Korrelationen als Funktion der<br />
Zeit ab nach g exp (d) = e (-d / p) , wobei d der Anzahl an Tagen zwischen den beiden Beobachtungstagen<br />
t 1 and t 2 entspricht (d = │t 1 - t 2 │). Somit modelliert SP(EXP) die Kovarianzen der<br />
2<br />
Beobachtungen zu den Zeitpunkten t 1 <strong>und</strong> t 2 mit Cov [Y t1 , Y t2 ] = σ e * e (-d / p) .<br />
Die Güte der Anpassung an den Datensatz wurde mit dem Likelihood-Ratio-Test (LRT)<br />
geprüft, wobei die beste Anpassung die präziseste Abbildung der Korrelationsstrukturen<br />
zwischen den wiederholten Beobachtungen verspricht.<br />
Der LRT ist ein allgemein einsetzbares Verfahren zum Vergleich von Modellen mit Hilfe des<br />
Maximum-Likelihood Schätzverfahrens. Dabei werden jeweils die Likelihood-Werte eines<br />
Ausgangsmodells mit denen eines durch auferlegte Restriktionen aus dem Ausgangsmodell<br />
hergeleiteten, hierarchisch untergeordneten Vergleichsmodells (restringiertes Modell)<br />
verglichen (MIELENZ et al., 2006). Hierbei wird mit der Teststatistik geprüft, ob das<br />
unrestringierte Modell (M2) eine signifikant bessere Anpassung aufweist als das restringierte<br />
Modell (M1). Ist dies nicht der Fall, so wird das restringierte Modell dem unrestringierten<br />
vorgezogen, da es einfacher <strong>und</strong> gleichwohl hinsichtlich seiner Erklärungskraft nicht<br />
schlechter ist. Die entsprechende Prüfgröße des LRT wird durch die nachfolgende Formel<br />
bestimmt:<br />
⎡ LREML(<br />
M1)<br />
⎤<br />
LRT = ( −2) * log<br />
2 *log LREML(<br />
M1)<br />
2 *log LREML<br />
⎢<br />
= −<br />
+<br />
( M 2) ≈ χ²(<br />
FG)<br />
LREML(<br />
M 2)<br />
⎥<br />
⎣ ⎦<br />
(log = natürlicher Logarithmus)<br />
Dabei stimmt die Anzahl an Freiheitsgraden (FG) mit der Anzahl an Restriktionen überein,<br />
durch welche das erweiterte Modell M2 zu dem restringierten Modell M1 reduziert wird.<br />
Demnach ergibt sich die Anzahl an Freiheitsgraden aus der Anzahl an Varianzkomponenten,<br />
die durch die Restriktionen auf Null gesetzt werden müssen. In χ 2 -Tabellen kann nun gemäß<br />
der Anzahl an Freiheitsgraden geprüft werden, ob eine signifikante Differenz der<br />
Log-Likelihood-Werte [∆(-2logL)] vorliegt.<br />
Des Weiteren wurde in diesen Modelltest der Vergleich des Fixed Regression Modells I mit<br />
dem daraus weiterentwickelten Random Regression Modell II eingeb<strong>und</strong>en.<br />
Die Weiterentwicklung des Fixed Regression Modells zum Random Regression Modell<br />
ermöglicht es, auch zufällige Effekte in die Schätzung der Regressionskurven aufzunehmen.<br />
Durch die Modellierung der zufälligen Effekte mit einer Funktion des Laktationstags werden<br />
mit einem Random Regression Testtagsmodell (SCHAEFFER <strong>und</strong> DEKKERS, 1994) <strong>für</strong><br />
jeden Laktationstag tierspezifisch die zufälligen Effekte geschätzt, während mit dem Fixed<br />
67