用户名: 密 码:
数据库:饲料效价评定另存文本打印浏览 【字体放大】 【字体还原】

日期20020617名称饲养试验的统计学评估
副类别动物饲养试验方法类别饲料生物学效价评定方法
正文 饲养试验的统计学评估

  (一)设计方法及其精度

  对动物饲养试验进行统计学评估,有助于找出试验设计以及试验单位或材料选取方面的缺陷。按试验目的,可将试验分为定性试验、单因素定量试验和多因素定量试验3类。为了比较不同的设计方法,Bajpai和Nigam (1980) 引入了2个参数:设计权重 (W1) 和精度权重 (W2) 。W1和W2的取值范围为0~1,愈接近1,表示试验设计愈合理,精度愈高。
  1.定性试验 定性试验设计方法有完全随机化设计 (completerandomdesign,CRD)、随机区组设计(randomblockdesign,RBD)、拉丁方设计和交叉设计。在这些设计中,交叉设计是最好的设计方法,它能从试验误差组分中消除个体间的差异。因此,设交叉设计的W1为1。而对于完全随机化设计、随机区组设计和拉丁方设计,一般的原则是:如果误差自由度大于5,它们的W1值分别为0.7、1.0、1.0;相反,如果误差自由度小于5,无论何种设计,W1值均为零。
  确定W2的值时,可将定性试验分为短期试验(小于或等于3个月)和长期试验(3个月以上)。短期试验通常研究维持需要,长期试验则以研究生产性能为目的。在Bajpai和Nigam (1980)报道,对于维持需要,31%试验的变异系数小于或等于5%;而对于产奶量、产毛量、增重等生产指标,变异系数大于或等于10%的试验,分别为31%、25%、45%。这就是说研究维持需要的短期试验变异小一些,精度较高。(Bhatia等,(1992)报道研究生产性能的长期试验变异较大,精度较低。根据变异系数查表即可得知W2的值。
  2.单因子定量试验 单因子定量试验Wi的确定与定性试验相同,但对于W2的确定,必须考虑试验目的。
  (1)寻求最大值与最小值试验:这类试验的水平数应大于2,如果水平数等于2,那么W2为零。对于3个或3个以上水平来讲,如果处理的1次和2次组分都显著,W2等于1;如果仅是部分1次和2次组分显著,W2等于0.5;如果1次和2次组分都不显著,则W2为零。
  (2)寻求代替范围试验:在短期和长期试验的变异系数分别为5%和15%的情况下,如果处理不显著,那么W2为1,其他变异系数下W2的值与定性试验相似。如果处理显著,把处理平方和剖分成1次和2次组分检验它们的显著性,如果任一组分显著,它的结果是负效应,那么置W2为零,这表明所选的代替范围没有起作用。如果1次反应是正的、显著的,而2次组分不显著时,置W2等于0.5,这表明检测不到最大代替水平。
  在1次效应为正,2次效应为负或可获得最大代替水平时,W2为1。
  3.多因子定量试验

  (1)反应面试验:多因子试验的主要目的是估测一系列因子与反应值之间的关系。一但获得适宜的模型(反应面),下一步的目标就是为确定不同因子理想的组合水平寻求恰当的模型。确定适宜的反应面的必需条件是信息矩阵的非奇性。如果试验的信息矩阵是奇性的且不能估测模型参数,则W1为零。当试验的信息矩阵具有非奇性且仅以寻求适宜模型为目的时,W1依最适标准而定。就反应面问题而言,以G率(或称最适标准)最为合适。
  (2)研究不同因子主效应及其交互作用析因试验的W1和W2:如果所有因子组合以完全随机化和拉丁方设计,W1将取1。在混杂设计的情况下,W1的值等于W11W12。W11与效应的相对重要性有关。在所有混杂试验中,W11都为零。对完全析因设计,W12等于其在所有效应总自由度中所占的比例。对部分析因设计, W11与最适标准有关,其确定方法与反应面试验相同。对S1×S2×……~Sk多因子试验,W2按下式计算。具体计算实例可参阅Bajpai (1980)的文章。
          
  式中:n--所有效应和交互作用的总自由度;
  ni--与次序效应有关的自由度;
     W2i--与次序效应有关的权重。
  如果检测不到次序效应(以变异系数显著性衡量),那么置W2i为零。
  (二)剂量一反应数据的解释与曲线模型的应用

  1.方差分析(F检验)及多重比较 剂量一反应试验,t检验和方差分析,并非总是比较准确的统计分析方法。应用方差分析的前提是试验数据具有可加性、正态性和同质性。多数试验资料可以或基本满足这3个条件。因而,由方差分析能够做出有效的判断。但也有一些资料不能满足三性假定,对这些资料就不能直接进行方差分析,一种办法是采用非参数方法分析,另一种方法是将变量进行适当的转换后再进行方差分析。多重比较的方法主要有:最小显著差数(LSD)法、Duncan氏新复极差法(SSR法)、Turkey氏固定极差法和Dunnett氏最小显著差数法等。一个试验选用何种多重比较方法,主要应根据否定一个正确假说和接受一个不正确假说的相对重要性确定。如果否定正确假说是事关重大或后果严重的,则应用q检验;如果接受不正确的假说是事关重大或后果严重的,则宜采用SSR法检验或有F检验保护的LSD法检验。Morris (1989) 指出,当处理间有逻辑结构时,用SSR法进行多重比较是不恰当的。此外,始终选用5%的概率水准也并不合适,应根据具体的试验要求选取合适的概率水准。
  2.折线模型 人们习惯用简单回归分析解释数据。最普遍的作法是假设在一定阈值范围内,反应值是营养素进食量的线性函数。超过阈值后,反应值突然停止。这一模型仅适用于离差均方稍微小于误差均方的重复组数据。折线模型仅适用于个体。当进行饲养试验时,所用的试验动物必然超过1头(只),因而实际上的反应函数必然是曲线。因此,用折线模型估计的最佳剂量水平通常过低。尽管在统计上,某些特定情况下的剂量反应数据服从折线模型,但在实践中并非如此。
  3.抛物线模型 模型方程为: y=a+bx+cx2(x为营养素摄人量, y为反应值)。假设前提是:动物对某一营养素的反应呈曲线型,且生产性能对摄人量不足和过量的反应是对称的。事实上,大多数营养素的摄人量过剩时,会引起生产性能下降,但这种反应很少与摄人量不足的反应对称。更为典型的情况是,在一个较宽的范围内,营养素摄人量过剩时,对生产性能也无不良影响。可见,抛物线模型从原理上是不通的 (Morris,1989)。
  4.双曲线模型 模型方程为: y=a-bc?x(x为营养素摄人量,y为反应值,a、b、c分别为生物参数)。此模型假设在一定范围内,反应值达到一个高峰值,且不随营养素摄人量的增大而减小。该模型的优点是,与抛物线模型相比,方程的系数都是重要的生物学指标估计值,便于推算具有不同反应特性群体的反应曲线。缺点是营养素摄人量增加到一定量后,曲线仍在上升,容易过高地估计最佳摄人剂量 (Morris,1989) 。
5.Reading模型 模型方程如下: 

    式中:ΔW--平均增长率;
     δΔW--群体增长率标准差;
     δw--体重标准差;
     X--标准正态分布之离均差;
     γΔww_--群体内个体间增重率与体重间的相关系数;
  W--平均体重;
  a--每克增重需要量;
     b--每克体重需要量;
     Y--某营养素需要量。
  这种模型的优点之一是与日粮处理无关,而是取决于试验动物的变异性,但这种变异在不同试验之间变化不大;另一个优点是方程中的系数是有生物学意义的参数。因此,根据一组试验动物的一系列数据,就可以估计另外一组平均体重不同的动物的反应曲线;汇总许多试验结果,便可获得最佳的反应系数估计值。此模型的缺点是:假定个体产量呈正态分布,而且都分布在乎均数周围,并且需要估计平均体重。这一假设在短期试验易于满足,而在长期试验,则不易做到。Morris,(1989) 报道,某些饲养试验不能用Reading模型解释,要么是因为营养素摄人量过于复杂或难以确定,要么是因为反应值不直接依赖于营养素摄人量而变化。
  (三)定性与定量因素饲养试验的统计分析

  定性与定量因素试验结果的统计分析,现行的做法大多采用参数差异的统计比较方法,或t检验或方差分析。实际上,当应用最小二乘法将方差分析转化为回归分析时,对于定性因素试验而言,运用多元回归分析不仅可将指标变化剖分成各因素水平影响的几个部分,而且对次级样本含量不等资料的方差分析结果与次级样本含量相等资料的方差分析结果相同。但对于定量因素试验来讲,如果依然沿用定性因素试验的分析思路,那么除了几个参数因素组外,以其他水平取值的效果如何则难以判定。既然因素与指标间存在相关,就可以直接建立两者间的回归函数关系,估计因素允许取值区间任一水平效应的理论值,并以此值代替相应参数水平观察值的均值进行方差分析,此法等同于以因素为自变量,指标为依变量的回归分析。由此看来,对于定量因素而言, 回归分析具有方差分析的功效,并且回归分析考虑了因素与指标的相关,故减少了重复数多而重复内动物数少而加大了误差自由度的统计错误的可能性,提高了统计检验的可靠性。加之,回归分析还有方差分析所不具备的预测功能。因此,应该采用回归分析法处理定量因素试验。由于定量因素饲养试验的统计处理应采用回归分析方法,而定性因素饲养试验通常采用方差分析方法。因此,对于定量与定性因素混合饲养试验资料的统计处理,显然是回归分析与方差分析的结合。这种结合有别于协方差分析。相对定性因素的不同水平比较而言,定量因素就成为协变量,这在某种程度上拓宽了协方差分析的范围,而且在一个饲养试验中可以有多个协变量。具体分析方法查阅有关文献。
  (四)饲养试验中的多指标综合分析

  饲养试验可同时考虑2个以上指标,用以比较2种或多种日粮的不同效果。对于这类资料,多采用单指标分析方法,其缺陷在于没有考虑各指标的整体效应;不同指标反应效果不一致时,很难判定2种处理方法的优劣。所以,它并不能真实反映问题的实质。因而有必要对几个指标同时考虑,进行综合分析。其统计方法可参见有关文献。
  (五)动物生长过程的统计比较方法

  动物的生长模式是曲线型的连续生长过程。通常只能在适当条件下测量生长过程中的一些特定生长点。如果能建立反映动物生长规律的数学模型,便可在不同饲养条件下预测其生长状况,一般以几个参数来描述。考虑到不同时刻生长点的相关,如将每个观察时刻的生长量都视为随机变量,以由各观察点所组成的向量为对比对象,采用多元统计比较方法,可以进行动物生长过程的统计比较。
资料来源中国饲料数据库中心
负责人熊本海博士



copyright © 2016 动物科学与动物医学数据分中心
版权所有:中国农业科学院北京畜牧兽医研究所
维护制作:中国农业科学院北京畜牧兽医研究所畜牧信息中心