| تعداد نشریات | 284 |
| تعداد نشریات سازمان | 82 |
| تعداد شماره‌ها | 3,036 |
| تعداد مقالات | 33,971 |
| تعداد مشاهده مقاله | 45,667,309 |
| تعداد دریافت فایل اصل مقاله | 76,605,956 |
انتخاب و ارزیابی پارامترها در تابعیت مولفه های اصلی و تابعیت خطی چندگانه برای پیش بینی وزن دنبه | ||
| علوم دامی | ||
| مقاله 8، دوره 27، شماره 104، آبان 1393، صفحه 91-100 اصل مقاله (955.66 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/asj.2014.100173 | ||
| نویسندگان | ||
| سید مهدی حسینی وردنجانی* 1؛ سید رضا میرایی آشتیانی2؛ عباس پاکدل3؛ حسین مرادی شهر بابک4 | ||
| 1دانشآموخته کارشناسی ارشد ژنتیک و اصلاح نژاد دام پردیس کشاورزی و منابع طبیعی کرج | ||
| 2استاد گروه علوم دامی پردیس کشاورزی و منابع طبیعی کرج | ||
| 3دانشیار گروه علوم دامی پردیس کشاورزی و منابع طبیعی کرج | ||
| 4استادیار گروه علوم دامی پردیس کشاورزی و منابع طبیعی کرج | ||
| چکیده | ||
| هدف از مطالعه حاضر بررسی ارتباط بین وزن بدن و اندازهگیریهای ابعاد دنبه با وزن دنبه با استفاده از تابعیت چندگانه و تحلیل مولفههای اصلی بود. در کل 11 صفت قبل از کشتار شامل، وزن بدن، طول دنبه، محیط، عرض و قطرهای دنبه در 3 موقعیت بالا، وسط و پایین و نیز وزن دنبه بعد از کشتار، در 120 راس گوسفند نژاد ترکی- قشقایی مورد اندازهگیری قرار گرفتند. بعد از آنالیز دادهها 5 مولفه اصلی اول (PC) مجموعا 69/89 درصد از واریانس وزن دنبه به ترتیب 02/45، 81/19، 58/11، 27/7، 1/6 را تشریح کردند. بالاترین ضرایب در PC1 مربوط به محیط و عرضهای دنبه (036/0 ± 362/0) و در PC2 مربوط به قطرهای دنبه (34/0 ± 50/0) بود. وزن بدن در 3 مولفه اصلی بعدی دارای بیشترین ضریب بود. طول دنبه در PC3 و PC4 بالاترین ضریب را داشت. در آنالیز تابعیت مولفههای اصلی، طول دنبه (071/0)، محیط بالای دنبه (041/0) و وزن بدن (040/0) بالاترین ضرایب را داشتند. درحالی که در روش حداقل مربعات عمومی محیط وسط دنبه (083/0)، طول دنبه (077/0) و وزن بدن (042/0) بالاترین ضرایب را داشتند. همچنین، تابعیت مولفههای اصلی منجر به برآورد مقادیر بسیار پایینتر خطای استاندارد (006/0 تا 02/0) نسبت به روش حداقل مربعات عمومی (01/0 تا 08/0) شد. نتایج حاصل از این تحقیق نشان داد، تخمین وزن دنبه با استفاده از تجزیه مولفههای اصلی صحّت بالاتری داشته که میتواند برای متخصصان اصلاح نژاد در هنگام اعمال مدیریت، انتخاب و اجرای برنامه های اصلاح نژادی مفید باشد. | ||
| عنوان مقاله [English] | ||
| Selection and validation of parameters in multiple linear and principal component regression for prediction fat-tail weight | ||
| نویسندگان [English] | ||
| S. M Hosseini vardanjani1؛ S. R Miraei-Ashtiani2؛ Ali Pakdel3؛ Hosein Moradi Shahrebabak4 | ||
| چکیده [English] | ||
| 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 | ||
| مراجع | ||
|
Árnason, T., & Thorsteinsson, S. (1982). Genetic studies on carcass traits in iceland twin ram lambs II. Analysis of principal components and construction of selection indices. Livestock Production Science, 8(6), 507-517.
Bedhiaf Romdhani, S., & Djemali, M. (2006). Estimation of sheep carcass traits by ultrasound technology. Livestock science, 101(1), 294-299.
Everitt, B., Landau, S., & Leese, M. (2001). Cluster analysis. 2001. Arnold, London.
Farahani, A. H. K., Shahrbabak, H. M., Shahrbabak, M. M., & Yeganeh, H. M. (2010). Relationship of fat-tail and body measurements with some economic important traits in fat-tail Makoei breed of Iranian sheep. African Journal of Biotechnology, 9(36), 5989-5992.
Jolliffe, I. T., & MyiLibrary. (2002). Principal component analysis (Vol. 2): Wiley Online Library.
Karlsson, A. (1992). The use of principal component analysis (PCA) for evaluating results from pig meat quality measurements. Meat science, 31(4), 423-433.
Negussie, E., Rottman, O., Pirchner, F., & Rege, J. (2000). Allometric growth coefficients and partitioning of fat depots in indigenous Ethiopian Menz and Horro sheep breeds. In (pp. 151-163).
Nikolov, S. (2010). Principal Component Analysis: Review and Extensions.
Orman, A., ÇalIskan, G. Ü., Dikmen, S., Üstüner, H., Ogan, M. M., & ÇalIskan, Ç. (2008). The assessment of carcass composition of Awassi male lambs by real-time ultrasound at two different live weights. Meat science, 80(4), 1031-1036.
Pires, J., Martins, F., Sousa, S., Alvim-Ferraz, M., & Pereira, M. (2008). Selection and validation of parameters in multiple linear and principal component regressions. Environmental Modelling & Software, 23(1), 50-55.
Safdarian, M., Zamiri, M., Hashemi, M., & Noorolahi, H. (2008). Relationships of fat-tail dimensions with fat-tail weight and carcass characteristics at different slaughter weights of Torki-Ghashghaii sheep. Meat science, 80(3), 686-689.
Sahin, E., Yardimci, M., Cetingul, I., Bayram, I., & Sengor, E. (2008). The use of ultrasound to predict the carcass composition of live Akkaraman lambs. Meat science, 79(4), 716-721.
SAS, 2008. Release 9.2. SAS Institute Inc., Cary, North Carolia, USA.
Truxillo, C., & Hamer, R. (2007). Multivariate Statistical Methods: Practical Research Applications: Course Notes: SAS Institute.
Vatankhah, M., Moradi-Sharbabak, M., Nejati-Javaremi, A., Miraei-Ashtiani, S., & Vaez-Torshizi, R. (2006). A Study of External Fat-Tail Dimensions and Their Relationships With Fat-Tail Weight in Lori-Bakhtiari Breed of Sheep. JWSS-Isfahan University of Technology, 10(3), 445-456.
Yardimci, M., Çetingül, I., & Bayram, I. (2009). Estimation of carcass composition and fat depots by means of subcutaneous adipocyte area and body and tail measurements in fat-tailed Akkaraman lambs. South African Journal of Animal Science, 38(4), 215-221.
| ||
|
آمار تعداد مشاهده مقاله: 1,924 تعداد دریافت فایل اصل مقاله: 795 |
||