In charlotte-ngs/ZLHS2016:

knitr::opts_chunk$set(echo = FALSE, results = 'asis')

r6obj_docstat <- rmddochelper::R6ClassDocuStatus$new()
r6obj_docstat$set_current_status(psVersion = "0.0.901",
                                 psStatus  = "Initialisation",
                                 psProject = "ZL_HS_2016")
r6obj_docstat$include_doc_stat(psTitle = "## Document Status")

r6ob_abbrtable <- rmddochelper::R6ClassTableAbbrev$new()
### # include table of abbreviations only, if there are any
if (!r6ob_abbrtable$is_empty_abbr())
  r6ob_abbrtable$include_abbr_table(psAbbrTitle = "## Abbreviations")

Aufgabe 1

In der Vorlesung wurden die linearen gemischten Modelle zur Voraussage von Zuchtwerten vorgestellt. Damit der Unterschied zwischen linearen Modellen mit nur fixen Effekten (Regressionsmodelle) und den linearen gemischten Modellen besser verständlich wird, wollen in dieser Übung nochmals anschauen, wie multiple lineare Regressionen an Daten angepasst werden.

Gegeben sei der folgende Datensatz.

nNrRecords <- 9
dfMlrData <- data.frame(Tochter = c(1:nNrRecords),
                        Herde   = c("1","1","2","2","2","3","3","3","3"),
                        Vater   = c("C","A","B","A","C","C","C","A","B"),
                        Leistung = c(110,100,110,100,100,110,110,100,100))
### # write data to outfile
sMlrOutfile <- "mlrdata.csv"
if (!file.exists(sMlrOutfile)) write.csv2(dfMlrData, file = sMlrOutfile)
### # create the table
knitr::kable(dfMlrData)

Die Zahlen in der Kolonne Leistung der oben gezeigten Tabelle sollen als beobachtete phänotypische Leistungen aufgefasst werden. Im anzupassenden Regressionsmodell sollen Herde und Vater als fixe Effekte verwendet werden.

Ihre Aufgabe

a) Stellen Sie das Regressionsmodell für die oben aufgelisteten Daten. b) Berechnen Sie die Schätzungen für die fixen Effekte der Herde und des Vaters.

Hinweise

Die Funktion zur Anpassung von Regressionen in R lautet lm()
Die Angabe der Daten für die Funktion lm() muss über ein Dataframe gemacht werden. Dies kann entweder über die direkte Angabe der Daten in der Funktion data.frame() gemacht werden, oder die Daten können auch mit read.csv2() von der Webseite (https://charlotte-ngs.github.io/LBGHS2016/w10/mlrdata.csv) eingelesen werden. Die direkte Angabe des Dataframes sieht wie folgt aus:

nNrRecords <- 9
dfMlrData <- data.frame(Tochter = c(1:nNrRecords),
                        Herde   = c("1","1","2","2","2","3","3","3","3"),
                        Vater   = c("C","A","B","A","C","C","C","A","B"),
                        Leistung = c(110,100,110,100,100,110,110,100,100))

Das Modell wird mit der speziellen Model-Syntax von R spezifiziert. Diese würde für unser Beispiel, wie folgt aussehen:

Leistung ~ -1 + Herde + Vater

Die Resultate des angepassten Modells können mit der Funktion summary() angezeigt werden.

Aufgabe 2

Anstelle des Regressionsmodells in der Aufgabe 1 verwenden wir jetzt ein gemischtes lineares Modell. In diesem Modell werden die Herden als fixe Effekte und die Väter als zufällige Effekte modelliert. In der Vorlesung werden wir diese Art von Modellen noch genauer unter dem Namen "Vatermodell" anschauen. Die Covarianzmatrix $G$ der zufälligen Vatereffekte setzen wir dabei zu

$$G = 0.1*I$$

wobei $I$ die Einheitsmatrix bezeichnet.

Ihre Aufgabe

a) Stellen Sie die Mischmodellgleichungen für die Daten in Aufgabe 1 auf. b) Berechnen Sie die Schätzer für die fixen Effekte der Herde und machen Sie eine Voraussage für die zufälligen Vatereffekte