Bayesian inference for normal multiple-trait individual-tree models with missing records via full conjugate Gibbs

$50.00 plus tax (Refund Policy)

Buy Article:

Abstract:

In forest genetics, restricted maximum likelihood (REML) estimation of (co)variance components from normal multiple-trait individual-tree models is affected by the absence of observations in any trait and individual. Missing records affect the form of the distribution of REML estimates of genetics parameters, or of functions of them, and the estimating equations are computationally involved when several traits are analysed. An alternative to REML estimation is a fully Bayesian approach through Markov chain Monte Carlo. The present research describes the use of the full conjugate Gibbs algorithm proposed by Cantet et al. (R.J.C. Cantet, A.N. Birchmeier, and J.P. Steibel. 2004. Genet. Sel. Evol. 36: 49–64) to estimate (co)variance components in multiple-trait individual-tree models. This algorithm converges faster to the marginal posterior densities of the parameters than regular data augmentation from multivariate normal data with missing records. An expression to calculate the deviance information criterion for the selection of linear parameters in normal multiple-trait models is also given. The developments are illustrated by means of data from different crosses of two species of Pinus.

En génétique forestière, la méthode d'estimation par le maximum de vraisemblance restreinte (REML) des composantes de la variance et de la covariance à partir de modèles normaux à caractères multiples d'arbres individuels est influencée par les observations manquantes pour un caractère ou un individu. Les données manquantes influencent la forme de la distribution des estimations par REML des paramètres génétiques ou des fonctions mathématiques qui les représentent. De plus, les équations d'estimation sont aussi impliquées dans le calcul lorsque plusieurs caractères sont analysés. Une approche bayésienne complète recourrant aux méthodes de Monte Carlo par chaînes de Markov constitue une alternative à la méthode d'estimation par REML. Les auteurs décrivent une utilisation de l'algorithme de Gibbs dans sa version complètement conjuguée, tel que Cantet et al. (R.J.C. Cantet, A.N. Birchmeier et J.P. Steibel. 2004. Genet. Sel. Evol. 36 : 49–64) l'ont proposé, pour estimer les composantes de la variance et de la covariance pour des modèles à caractères multiples d'arbres individuels. Cet algorithme converge plus rapidement vers les densités marginales a posteriori des paramètres que la méthode traditionnelle d'augmentation des données à partir des données normales multivariées comprenant les observations manquantes. Les auteurs fournissent également une équation permettant de calculer le critère d'information de la déviance pour la sélection des paramètres linéaires dans les modèles normaux à caractères multiples. Les développements mathématiques sont illustrés à partir des données provenant de différents croisements chez deux espèces du genre Pinus.

[Traduit par la Rédaction]

Document Type: Research Article

Publication date: May 1, 2006

More about this publication?
  • Published since 1971, this monthly journal features articles, reviews, notes and commentaries on all aspects of forest science, including biometrics and mensuration, conservation, disturbance, ecology, economics, entomology, fire, genetics, management, operations, pathology, physiology, policy, remote sensing, social science, soil, silviculture, wildlife and wood science, contributed by internationally respected scientists. It also publishes special issues dedicated to a topic of current interest.
  • Information for Authors
  • Submit a Paper
  • Subscribe to this Title
  • Terms & Conditions
  • Sample Issue
  • Reprints & Permissions
  • ingentaconnect is not responsible for the content or availability of external websites
Related content

Tools

Favourites

Share Content

Access Key

Free Content
Free content
New Content
New content
Open Access Content
Open access content
Subscribed Content
Subscribed content
Free Trial Content
Free trial content
Cookie Policy
X
Cookie Policy
ingentaconnect website makes use of cookies so as to keep track of data that you have filled in. I am Happy with this Find out more