دوره 16، شماره 4 - ( زمستان 1404 )                   جلد 16 شماره 4 صفحات 8-1 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

MoradiShahrBabak H, Moghbeli H, MoradiShahrbabak M, Gholami M. (2025). A Study on the Fitting of a Linear Regression Model for the Live Weight of Biometric Traits using Principal Component Analysis in One-Hump Semnani Camels. Res Anim Prod. 16(4), 1-8. doi:10.61882/rap.2025.192
URL: http://rap.sanru.ac.ir/article-1-192-fa.html
مرادی شهربابک حسین، مقبلی هادی، مرادی شهربابک محمد، غلامی میلاد.(1404). مطالعه برازش مدل‎ های تابعیت وزن زنده از صفات بیومتری با تحلیل مؤلفه‎ های اصلی در شترهای یک ‎کوهانه نژاد سمنانی پژوهشهاي توليدات دامي 16 (4) :8-1 10.61882/rap.2025.192

URL: http://rap.sanru.ac.ir/article-1-192-fa.html


1- دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران
چکیده:   (1206 مشاهده)
چکیده مبسوط
مقدمه و هدف: با توجه به وجود خشک‎سالی‌های ممتد و متناوب در نواحی کویر مرکزی و حواشی آن، فقط شتر قابلیت زیست و تولید را دارد و سایر دام‌ها قادر به ادامه حیات دراکثر این مناطق با این شرایط نیستند. با توجه به روند کاهشی جمعیت شتر در کشور، انجام مطالعات گسترده جهت انتخاب حیوانات مناسب ضروری است و اجرای برنامه‎ های اصلاحی ضرورت خاصی را دارد. اولین مرحله در برنامه ‎های اصلاحی و انتخاب حیوانات، شناسایی صفات مهم اقتصادی و اندازه‎ گیری و یا برآورد دقیق این صفات با استفاده از روش‎ های صحیح و دقیق است. به ‎دلیل موقعیت و شرایط مکانی زندگی شتر، در اکثر موارد دسترسی به باسکول جهت وزن‎ کشی مقدور نیست و همچنین از آنجا که در بین پرورش دهندگان شتر، سن یک سالگی سن انتخاب برای ماندن در گله یا فروش است، اهمیت داشتن معادله‎ ای صحیح از تابعیت وزن از صفات بیومتری در این سن بیش از پیش آشکار می‎ شود. بنا بر این، ضرورت ارائه روش مناسب در این خصوص سبب گردیده است تا با استفاده از اندازه‎ های ظاهری بدن، جهت ارزیابی شتران زنده از نظر خصوصیات وزن استفاده شود. سازوکارهای درگیر در کنترل اغلب صفات بیولوژیک در موجودات زنده پیچیده‎ تر از آن هستند که به ‎وسیله آنالیز تک‎ متغیره تفسیر شوند. از آنجا که اغلب صفات به‎ طور بیولوژیک از طریق اثرات پلیوتروپیک ژن ‎ها و پیوستگی جایگاه‎ های ژنی با یکدیگر همبستگی دارند و این همبستگی سبب اریب ‎شدن برآوردها می‎ شود، در نتیجه روش‎ های چندمتغیره جهت آنالیز داده ‎ها با همبستگی بالا به‎ کار گرفته می ‎شوند. روش آنالیز مؤلفه‎ های اصلی یک روش ریاضی جهت تبدیل تعدادی از متغیرهای همبسته به تعداد کمتری از متغیرهای غیرهمبسته است که در صورت اندازه‎ گیری یک سری از صفات مرتبط با صفت مورد نظر، اندازه دقیق صفت مورد نظر که امکان اندازه ‎گیری ندارد را می‎ توان با استفاده از آنالیز مؤلفه‎ های اصلی پیش ‎بینی کرد. هدف اصلی پژوهش حاضر، مقایسه روش تحلیل مولفه ‎های اصلی (PCA) با روش رگرسیون خطی چندمتغیره و حداقل مربعات معمولی است و در نهایت معادله‎ ای مناسب، ساده، دقیق و کارآمد جهت برآورد وزن زنده از صفات بیومتری شترهای یک ساله ارائه می‎ گردد.
مواد و روش‎ ها: در این پژوهش، به ‎صورت تصادفی 250 نفر از شترهای یک ساله از مناطق مختلف استان سمنان انتخاب گردیدند که پس از ثبت جنسیت و سن، صفات بیومتری و اوزان ثبت شدند. به ‎منظور تعیین میزان احتمال همبستگی میان دو دسته از فرمول ضریب تبیین (R2) و به‎ منظور تشخیص شدت چندخطی در تحلیل رگرسیون حداقل مربعات معمولی از فرمول ضریب تورم واریانس (VIF) استفاده شد. ویرایش داده ‎ها با نرم‎ افزار Excel و آنالیزهای تابعیت چندگانه و PCA با نرم ‎افزار SAS‌ انجام شدند. سپس، وجود هم ‎راستایی چندگانه در داده‎ ها با بررسی همبستگی بین متغیرهای مستقل بررسی شد. پس از برآورد مقادیر و بردارهای ویژه مربوطه، تعدادی از مقادیر ویژه که بیشترین تغییرات را توجیه می ‎کنند برای ایجاد معادله تابعیت جدید مورد استفاده قرار گرفتند. به‎ منظور انتخاب تعداد مقادیر ویژه از قانون کایسر-گاتمن استفاده شد. در مرحله آخر، ضرایب معادله تابعیت با داده‎ های استاندارد شده به ‎دست آمدند.
یافته ها: صفات وزن بدن، ارتفاع بدن، طول بدن، محیط شکم و محیط سینه به ترتیب با مقادیر میانگین 170 کیلوگرم، 145، 116، 174 و 134 سانتی‌متر و با ضریب تبیین 0/92 اندازه‌گیری و برآورد شدند. وجود ضریب تبیین بالا می‎تواند ناشی از تورم واریانس حاصل از هم‎ راستایی و یکی از ابتدایی‎ ترین نشانه‎ های وجود هم‎ راستایی چندگانه باشد که با بررسی بین اکثر متغیرها همبستگی بالایی مشخص گردید. مقادیر تورم واریانس برای متغیرهای مستقل ارتفاع بدن، طول بدن، محیط شکم و دور سینه به ترتیب 45/66، 0/39، 0/92 و 2/05 برآورد شدند که صفت ارتفاع بدن دارای بیشترین واریانس نسبت به مقدار بحرانی پنج تا 10 بود که هم‌راستایی چندگانه رخ خواهد داد. طبق نتیجه آنالیز روش حداقل مربعات معمولی، صفات ارتفاع بدن، طول بدن، محیط شکم و محیط سینه به ترتیب به میزان‌های 0/50، 0/49، 0/48 و 0/51 در برآورد وزن بدن اهمیت داشتند، که صفات محیط سینه و محیط شکم به ‎ترتیب بیشترین و کمترین اهمیت را داشتند. با توجه به نتایج آنالیز تابعیت مولفه‌های اصلی، صفات ارتفاع بدن، طول بدن، محیط شکم و محیط سینه به ترتیب به مقادیر 0/95، 0/62، 0/76 و 0/78 در برآورد وزن بدن مورد اهمیت بودند که صفات ارتفاع بدن و طول بدن به ‎ترتیب بیشترین و کمترین اهمیت را داشتند.
نتیجه‌گیری: نتایج حاصل از این مطالعه نشان می ‎دهند که مشکل هم‎ راستایی چندگانه موجود در اطلاعات مربوط به ارتباط بین وزن شتر نژاد سمنانی با چهار متغیر مستقل مربوط به این صفت با استفاده از روش تابعیت مولفه‎ های اصلی قابل حل است. در شرایط وجود هم ‎راستایی چندگانه در داده‎ ها، روش تابعیت مؤلفه ‎های اصلی برای برآورد معادله تابعیت نسبت به روش حداقل مربعات معمولی پیشنهاد می‎ شود. در این صورت، خطاهای استاندارد برآوردها نسبت به روش حداقل مربعات معمولی کمتر خواهد بود. در نهایت، نتایج به ‎دست ‎آمده پیشنهاد می‎ کنند که آنالیز مؤلفه‎ های اصلی را می ‎توان در حالت وجود هم ‎راستایی در آنالیزهای رگرسیون خطی چندمتغیره به‎ کار برد و برآوردهای دقیق ‎تری نسبت به روش ‎های حداقل مربعات معمولی داشت. همچنین، این روش را با کاهش مؤثر در تعداد صفات بیومتریک مورد نیاز می ‎توان برای استفاده در برنامه‎ های اصلاحی و انتخاب افراد برتر استفاده کرد.
متن کامل [PDF 780 kb]   (60 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1404/1/21 | پذیرش: 1404/5/31

فهرست منابع
1. Agricultural statistics, (2022). Volume Two. 191-192. Baker, J. F., Stewart, T. S., Long, C. R., & Cartwright, T. C. (1988). Multiple regression and principal components analysis of puberty and growth in cattle. Journal of Animal Science, 66(9), 2147-2158. Blackith, R. E., & Reyment, R. A. (1971). Multivariate morphometrics (pp. ix+-412). Bryant, F. B., & Yarnold, P. R. (1995). Principal-components analysis and exploratory and confirmatory factor analysis. In L. G. Grimm & P. R. Yarnold (Eds.), Reading and understanding multivariate statistics (pp. 99–136). American Psychological Association. Hocking, P. M., Maxwell, M. H., & Mitchell, M. A. (1996). Relationships between the degree of food restriction and welfare indices in broiler breeder females. British Poultry Science, 37(2), 263-278. Johnson, R. A., & Wichern, D. W. (2002). Applied multivariate statistical analysis. Jolliffe, I. (2005). Principal component analysis: Wiley online library. Google Scholar. Kistler, D. J., & Wightman, F. L. (1992). A model of head‐related transfer functions based on principal components analysis and minimum‐phase reconstruction. The Journal of the Acoustical Society of America, 91(3), 1637-1647. Malau-Aduli, A. E. O., Aziz, M. A., Kojima, T., Niibayashi, T., Oshima, K., & Komatsu, M. (2004). Fixing collinearity instability using principal component and ridge regression analyses in the relationship between body measurements and body weight in Japanese Black cattle. Journal of Animal and Veterinary Advances, 3(12), 856-863. Myers, R. H. (1990). Classical and modern regression with applications (Vol. 2, p. 488). Belmont, CA: Duxbury press. Nazeradl, k. (1986). Camel breeding. First edition. Publications of the Extracurricular Unit of the Cultural Department of the Central Office of the Academic Jihad. Pinto, L. F. B., Packer, I. U., De Melo, C. M. R., Ledur, M. C., & Coutinho, L. L. (2006). Principal components analysis applied to performance and carcass traits in the chicken. Animal Research, 55(5), 419-425. Price, A. L., Patterson, N. J., Plenge, R. M., Weinblatt, M. E., Shadick, N. A., & Reich, D. (2006). Principal components analysis corrects for stratification in genome-wide association studies. Nature Genetics, 38(8), 904-909. Raskin, R., & Terry, H. (1988). A principal-components analysis of the Narcissistic Personality Inventory and further evidence of its construct validity. Journal of Personality and Social Psychology, 54(5), 890. Raychaudhuri, S., Stuart, J. M., & Altman, R. B. (1999). Principal components analysis to summarize microarray experiments: application to sporulation time series. In Biocomputing 2000 (pp. 455-466). Shokri, M. M. (1997). Camel and its breeding. First edition. Nourbakhsh Publications. Sakomura, N. K., Gous, R. M., Marcato, S. M., & Fernandes, J. B. K. (2011). A description of the growth of the major body components of 2 broiler chicken strains. Poultry Science, 90(12), 2888-2896. Smith, L. I. (2002). A tutorial on principal components analysis. Somers, K. M. (1986). Multivariate allometry and removal of size with principal components analysis. Systematic Biology, 35(3), 359-368. Waring, M. E., Eaton, C. B., Lasater, T. M., & Lapane, K. L. (2010). Correlates of weight patterns during middle age characterized by functional principal components analysis. Annals of Epidemiology, 20(3), 201-209.

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به پژوهشهای تولیدات دامی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2026 CC BY-NC 4.0 | Research On Animal Production

Designed & Developed by : Yektaweb