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 />
Aufgr<strong>und</strong> der geringen Abweichung der Akaike <strong>und</strong> Bayesian Informationskriterien zu den<br />
Log-Likelihood-Werten (-2logL) wurden diese nicht berücksichtigt. Bei den 4 abgebildeten<br />
Modellvarianten handelt es sich jeweils um die einfachsten <strong>und</strong> komplexesten Varianten mit<br />
der besten Datenanpassung der Fixed <strong>und</strong> Random Regression Modelle.<br />
Bei allen untersuchten Merkmalen zeigte sich anhand der geringen Log-Likelihood-Werte,<br />
dass die Anpassung an den Datensatz bei der komplexesten Modellvariante RR AS TOEP(4)<br />
am besten ist. Die vier dargestellten Modellvarianten unterscheiden sich bei allen Merkmalen<br />
signifikant mit einer Irrtumswahrscheinlichkeit von α = 0,01 voneinander.<br />
Aus den Differenzen der Log-Likelihood-Werte der verschiedenen Modelle zur jeweils<br />
komplexesten Variante (RR AS TOEP(4)) kann der Einfluss abgelesen werden, den die<br />
Random Regression Komponente oder die unterstellte Kovarianzstruktur der wiederholten<br />
Messungen bzw. deren Kombination auf die Datenanpassung haben. Mit Ausnahme des<br />
Merkmals energiekorrigierte Milchmenge zeigte sich bei den übrigen Merkmalen eine<br />
stärkere Verbesserung der Datenanpassung durch die Integration der Random Regression<br />
Komponente im Vergleich zur Wahl einer bestimmten Kovarianzstruktur.<br />
Mit Ausnahme des Merkmals Futteraufnahme konvergierten bei den anderen Merkmalen die<br />
Fixed Regression Modelle mit den unterlegten Kovarianzstrukturen Töplitz(3) <strong>und</strong> Töplitz(4)<br />
nicht. Bei den Random Regression Modellen wurde jedoch deutlich, dass diese beiden<br />
Kovarianzstrukturen die Daten besser erklären als die Kovarianzstrukturen VC, AR(1) <strong>und</strong><br />
SP(EXP). Die Ergebnisse der Varianten mit den Kovarianzstrukturen AR(1) <strong>und</strong> SP(EXP)<br />
sind meist identisch, da sich die Varianz-Kovarianzmatrizen bei den beiden Kovarianzstrukturen<br />
erst ab der fünften Dezimalstelle unterscheiden.<br />
Nachstehend sind die Varianz-Kovarianzmatrizen der Resteffekte (R) <strong>für</strong> die Merkmale<br />
Gesamtfutteraufnahme <strong>und</strong> energiekorrigierte Milchmenge aufgeführt, die entsprechenden<br />
Matrizen <strong>für</strong> das Lebendgewicht <strong>und</strong> die Energiebilanz sind in der Anlage hinterlegt. Die<br />
Matrizen resultieren aus den Random Regression Modellen mit Modellierung der<br />
Laktationskurve nach ALI <strong>und</strong> SCHAEFFER (1987) in Kombination mit der jeweils<br />
unterlegten Kovarianzstruktur.<br />
Beim Merkmal Gesamtfutteraufnahme wurden bei allen getesteten Kovarianzmustern geringe<br />
Korrelationen zwischen den aufeinander folgenden Beobachtungen geschätzt. Während<br />
jedoch bei den Kovarianzmustern AR(1) <strong>und</strong> SP(EXP) die Beziehungen zwischen<br />
Beobachtungen mit wachsendem Abstand sehr stark abnehmen, werden bei den<br />
Kovarianzmustern nach Töplitz deutlich höhere Korrelationen zwischen Beobachtungen mit<br />
mehrtägigem Abstand zueinander gef<strong>und</strong>en.<br />
72