انتخاب و ارزيابي پارامترها در تابعيت مولفه هاي اصلي و تابعيت خطي چندگانه براي پيش بيني وزن دنبه

Selection and validation of parameters in multiple linear and principal component regression for prediction fat-tail weight.

هدف از مطالعه حاضر بررسي ارتباط بين وزن بدن و اندازه گيري هاي ابعاد دنبه با وزن دنبه با استفاده از تابعيت چندگانه و تحليل مولفه هاي اصلي بود. در كل 11 صفت قبل از كشتار شامل، وزن بدن، طول دنبه، محيط، عرض و قطرهاي دنبه در 3 موقعيت بالا، وسط و پايين و نيز وزن دنبه بعد از كشتار، در 120 راس گوسفند نژاد تركي- قشقايي مورد اندازه گيري قرار گرفتند. بعد از آناليز داده ها 5 مولفه اصلي اول (PC) مجموعا 69/89 درصد از واريانس وزن دنبه به ترتيب 02/45، 81/19، 58/11، 27/7، 1/6 را تشريح كردند. بالاترين ضرايب در PC1 مربوط به محيط و عرض هاي دنبه (036/0 ± 362/0) و در PC2 مربوط به قطرهاي دنبه (34/0 ± 50/0) بود. وزن بدن در 3 مولفه اصلي بعدي داراي بيشترين ضريب بود. طول دنبه در PC3 و PC4 بالاترين ضريب را داشت. در آناليز تابعيت مولفه هاي اصلي، طول دنبه (071/0)، محيط بالاي دنبه (041/0) و وزن بدن (040/0) بالاترين ضرايب را داشتند. درحالي كه در روش حداقل مربعات عمومي محيط وسط دنبه (083/0)، طول دنبه (077/0) و وزن بدن (042/0) بالاترين ضرايب را داشتند. همچنين، تابعيت مولفه هاي اصلي منجر به برآورد مقادير بسيار پايين تر خطاي استاندارد (006/0 تا 02/0) نسبت به روش حداقل مربعات عمومي (01/0 تا 08/0) شد. نتايج حاصل از اين تحقيق نشان داد، تخمين وزن دنبه با استفاده از تجزيه مولفه هاي اصلي صحّت بالاتري داشته كه مي تواند براي متخصصان اصلاح نژاد در هنگام اعمال مديريت، انتخاب و اجراي برنامه هاي اصلاح نژادي مفيد باشد.

The objective of this study was to investigate the relationship among body weight and Fat-tail measurements with fat-tail weight by using Multiple regression and Principal component analysis. The eleven characters includes, body weight, Fat-tail length, Fat-tail circumference, width and diameters in 3 position of upper, middle and lower before the slaughter, and also Fat-tail weight after the slaughter, were measured in 120 Torki-Ghashghaii sheep. After analyzing data, the five first principal components explained 89.69% of the total variability for Fat-tail weight by 45.02, 19.81, 11.58, 7.27 and 6.1, respectively. The highest coefficients in the PC1 and PC2 were to Fat-tail circumference and widths (0.362±0.036) and Fat-tail diameters (0.50±0.34), respectively. Body weight had the highest coefficient in 3 next principal components. Fat-tail length had the highest coefficient in PC3 and PC4. In the Principal component regression, Fat-tail length (0.071), upper circumference of Fat-tail (0.041) and body weight (0.040), had the highest coefficients. While, in General least squares method, middle circumference of Fat-tail (0.083), Fat-tail length (0.077) and body weight (0.042), had the highest coefficients. Also, Principal component regression resulted into much lower amounts for Standard Error (0.006 to 0.02) than General least squares method (0.01 to 0.08). The result of this study showed, estimation of Fat-tail weight using Principal component analysis had a higher accuracy that could be useful for genetic improvement specialists in designing appropriate management, selection and implementation breeding programs.