【正文】 V10V11V12V13V14V15V16V172005年02組V1V2V3V4V5V6V7V8V9V10V11V12V13V14V152005年03組V1V2V3V4V5V6V7V8V9V10V11V12V13V14V15V162005年04組V10V2V3V4V5V6V7V8V9V10V11V12V13V14V15V162005年05組V1V2V3V4V5V6V7V8V9V10V11V12V13V14V152005年06組V1V2V3V4V5V6V7V8V9V10V11V12V13V14V15前面各模型數(shù)據(jù)擬合效果的差異表明了它們對不同試驗數(shù)據(jù)適用性的不同，那么這些模型在品種穩(wěn)定性評價結(jié)果中有無差異，這是品種特性分析中最終關(guān)注的問題。較小的AIC值表示較好的模型擬合效果 AIC Values of different stability models. Smaller AIC value indicates better fitting models試驗 Trial穩(wěn)定性方差模型Stability varianceFinlayWilkinson模型EberhartRussell模型AMMI1模型環(huán)境方差模型Environmental variance02年1組02年2組03年1組03年3組03年4組04年1組04年2組04年3組04年4組05年1組05年2組05年3組05年4組05年5組05年6組注： 表示參數(shù)尋優(yōu)未達到收斂。但是變化是不一致的，既有的品系增產(chǎn)，有的品系減產(chǎn)，換另外一個點這種增產(chǎn)或減產(chǎn)明顯發(fā)生了變化。(2m6m) ，田間管理略高于大田水平，產(chǎn)量結(jié)果為籽粒產(chǎn)量，單位kg/12m178。資料來源詳細狀況見表32。在利用SAS 中的Proc mixed程序進行分析時，AIC值將由該程序自動給出。該式中右邊第一項可解釋為衡量模型對試驗數(shù)據(jù)擬合優(yōu)良度的一個度量，第二項可解釋為對增加模型參數(shù)個數(shù)的一種平衡。 run。 run。AMMI1模型random int / sub = L。EberhartRussell模型repeated V/ sub =L type = FA(1)。FinlayWilkinson模型repeated V/ sub = L type = FA1(1)。 repeated V/ sub = L type = un(1)。 model Y = V /ddfm = satterthwaite。表31針對品種環(huán)境處理均值數(shù)據(jù)5種穩(wěn)定性分析模型的SAS程序編碼 Syntax for the SAS mands to fit 5 stability analysis models for varietyenvironment treatment mean data所有模型均需要的語句：proc mixed 。 穩(wěn)定性模型分析的程序上述模型可統(tǒng)一運用SAS中的PRO MIXED程序進行分析。環(huán)境方差模型由于未對方差協(xié)方差結(jié)構(gòu)作任何限制，因此它在多數(shù)情況下應(yīng)是最接近實際的模型。同樣，=的方差協(xié)方差矩陣var()=Σ={}是無結(jié)構(gòu)的。環(huán)境方差模型相當于Scheffe [36] 提出的兩向混合模型。向量=的方差協(xié)方差是完全無結(jié)構(gòu)的，即方差協(xié)方差矩陣var () =的元素可以取任何值，只要為非負。 環(huán)境方差模型環(huán)境方差模型(Environmental variance model)可表示為…………………………… 和是相互獨立均值均為零的隨機變量，其方差分別為和。對有重復(fù)的試驗觀測，其AMMI1模型可表示為 ……………………..該模型較模型()增加了環(huán)境主效應(yīng)，其余項與模型()中的意義相同。 AMMI1模型加性主效乘式互作模型常簡稱為AMMI模型[34]，它因乘積項多少的不同可形成一系列的模型。相應(yīng)于處理均值的FinlayWilkinson回歸模型可表示為 ……………………………….，的方差為。Gogel等[31,32]建議采用REML擬合該模型。 FinlayWilkinson回歸模型該模型由Finlay和Wilkinson于1963年提出[30]，可表示為 ……………...…………...為第i個品種基因型對環(huán)境變量的回歸系數(shù)，或稱為敏感性；為隨機偏差(未被回歸解釋的基因型環(huán)境交互效應(yīng))。隨機效應(yīng)和的方差分別為和。其中為品種穩(wěn)定性方差，其值越小，品種越穩(wěn)定。 k = 1, …, K）為第i個品種在第j個環(huán)境中的第k次重復(fù)的觀測值；為總體平均值；為第i個品種的主效應(yīng)；為第j個環(huán)境的主效應(yīng)；為第j個環(huán)境中第k個區(qū)組的效應(yīng)；為第i個品種與第j個環(huán)境的基因型環(huán)境互作效應(yīng)；為與對應(yīng)的試驗誤差。該模型的數(shù)學(xué)表達為[86]……………………...…… （i = 1, …, I。因此，下面的模型以隨機完全區(qū)組設(shè)計為主要依據(jù)，給出具重復(fù)值和無重復(fù)數(shù)據(jù)(處理均值)兩種情形時的模型形式。由于隨機完全區(qū)組設(shè)計是我國作物區(qū)域試驗的主要設(shè)計之一，區(qū)域試驗的數(shù)據(jù)通常有以具重復(fù)值的形式給出，也有以品種環(huán)境組合處理均值(無重復(fù)數(shù)據(jù))的形式給出。在構(gòu)建線性混合模型時要根據(jù)研究目的和資料特點選擇一種模型，然后在此模型下選擇合適的協(xié)方差結(jié)構(gòu)，只有選擇合適的協(xié)方差結(jié)構(gòu)對固定效應(yīng)的估計和推論才有意義[27,28]。許自成等[71] 通過線性混合模型中隨機效應(yīng)方差分量的估計和隨機效應(yīng)的預(yù)測，以及固定效應(yīng)的估算，概述了作物多環(huán)境試驗的混合模型分析方法，并推導(dǎo)具體的計算公式。研究證明，作物品種的許多性狀都存在基因型與環(huán)境互作(G E)，它是品種穩(wěn)定性問題產(chǎn)生的根源。 區(qū)域試驗品種穩(wěn)定性分析的發(fā)展作物品種區(qū)域試驗旨在鑒定品種的豐產(chǎn)性、穩(wěn)產(chǎn)性和適應(yīng)性。因此，關(guān)于遺傳材料及其環(huán)境互作效應(yīng)的方差分量的估計就顯得很重要。缺乏嚴格的生態(tài)學(xué)依據(jù)。可靠公正的區(qū)試結(jié)果，要靠精確規(guī)范的試驗和科學(xué)合理的統(tǒng)計分析來保證，而我國以往區(qū)試在質(zhì)量和統(tǒng)計分析上都存在一些問題。朱軍等將分析混合線性模型的MINQUE方法，應(yīng)用于作物品種區(qū)域試驗非平衡資料的分析，提出了單一性狀和綜合性狀的新思路。但是，方差分析法不能分析非平衡數(shù)據(jù)。傳統(tǒng)的方差分析(ANOVA) 方法只能對平衡數(shù)據(jù)進行最佳無偏估算，不能有效地分析有缺失的非平衡數(shù)據(jù)。 線性混合模型和模型選擇應(yīng)用于區(qū)試的必要性作物品種區(qū)域試驗現(xiàn)行的統(tǒng)計方法是每年對區(qū)域試驗進行綜合分析，以確定該年各參試品種的生產(chǎn)能力的差異及其適應(yīng)區(qū)域[25]。本文通過對10套區(qū)域試驗數(shù)據(jù)|(平衡、非平衡數(shù)據(jù))資料的分析，比較幾種主要穩(wěn)定性分析模型的數(shù)據(jù)擬合效果和品種穩(wěn)定性判定等結(jié)果的差異狀況。作物品種穩(wěn)定性研究是基因型與環(huán)境互作研究中的熱點，是對作物品種進行客觀而合理評價的理論基礎(chǔ)及確定新品種推廣價值和適應(yīng)范圍的重要依據(jù)。各因子主效應(yīng)及品種環(huán)境互作效應(yīng)作用在非平衡情況下的分析方法通常是先進行缺區(qū)估計，然后進行傳統(tǒng)的方差分析，但缺區(qū)估計只是一種近似的手段，且在有些復(fù)雜的情況下無法使用?？傊囼灪徒y(tǒng)計分析中存在的問題，最終都會導(dǎo)致品種評價不準確甚至不正確。目前統(tǒng)計分析上主要是統(tǒng)計方法的應(yīng)用較為混亂，各種分析方法的隨意應(yīng)用乃至錯誤釋義等造成了分析結(jié)果的可靠性降低。培育性狀穩(wěn)定、產(chǎn)量質(zhì)量水平高的品種是育種者不懈追求的目標。第三章 信息量準則在區(qū)域試驗穩(wěn)定性分析模型選擇應(yīng)用研究作物品種區(qū)域試驗（以下簡稱區(qū)試）通過多環(huán)境（多地點或多年多點）下的試驗來分析和評價新品種的特征特性，以決定其利用價值以及適宜推廣區(qū)域，是連接作物育種和農(nóng)業(yè)生產(chǎn)的紐帶，具有多方面的重要意義。信息量指標AIC (Akaile’s Information criterion) 便是符合此要求的模型評價指標。AIC，CP都是漸進有效的。顯然除了一些極端情況之外，這些量并不服從F分布，因而并不能保證所挑選出的回歸方程在某種準則下是好的或是較好。事實上，每一步是在一組相關(guān)的F變量中找出最大值或最小值作F檢驗。 準則法和逐步回歸法的優(yōu)缺點逐步回歸方法在應(yīng)用上面臨著一個較大的困難是F檢驗顯著水平的選擇。泰爾提出校正。其次，由于在模型中增加更多的自變量的確使變大，但同時也使預(yù)測誤差的方差也變大。如此定義的介于0和1之間，越接近1，此回歸模型擬合得越好。這個過程一直進行到既沒有變量需要進入也沒有變量需要剔除為止。因此在逐步法當中，在每一步增加了對己選變量的顯著性檢驗。 逐步法逐步法即通常所稱的逐步回歸法，本質(zhì)上是向前法，但吸收了向后法的做法。然后對剩下的變量建立新的回歸方程。若一開始所有自變量的F值經(jīng)檢驗后都顯著，則“最優(yōu)”回歸方程就是全模型。 向后法向后法與向前法正好相反。這一方法有一個明顯的缺點，就是由于各自變量之間可能存在著相關(guān)關(guān)系，此后續(xù)變量的選入可能會是前面選入的自變量變得不重要。而后在與余下的自變量中，考慮在消除了已選入變量的影響之后，對與Y由最大相關(guān)系數(shù)的變量，作回歸系數(shù)顯著性檢驗，己決定是否選入。 基于 F 檢驗的逐步回歸法 向前法在建立最優(yōu)回歸模型的逐步回歸法當中，向前法是從回歸方程僅含常數(shù)項開始，把自變量逐個引入回歸方程。然而在計算Cp統(tǒng)計量時，怎樣來估計未知參數(shù)誤差方差仍沒有十分令人滿意的方法，而且誤差方差的不同估計值還會影響變量選擇的結(jié)果，這可以說是Cp準則的一個缺點。在樣本數(shù)較少的情況下，Cp準則可以節(jié)省參數(shù)。 Cp統(tǒng)計量由 Mallows 提出的 Cp 統(tǒng)計量近年來受到廣泛重視[1318] ，Cp 統(tǒng)計量準則主要用于多元線性回歸分析時回歸自變量的篩選。AIC是通過真模型與擬合模型之間的Kullback—leiber距離在大樣本條件下導(dǎo)出來的，其復(fù)雜度只是考慮了參數(shù)個數(shù)。但是AIC有一定的缺點，由AIC來進行判斷的模型其分布類型必須是已知的。AIC最小化模型法表明，由盡可能少的參數(shù)來表現(xiàn)模型是重要的。其顯著特點之一就是“吝嗇原理 (Principle of parsimony)”的具體化。 模型選擇方法 AIC準則AIC = 2 lnL + 2q ..................................................................................................lnL為模型擬合極大似然值的自然對數(shù)值；q為模型中待估計方差協(xié)方差參數(shù)的數(shù)目。在這里，研究人員假設(shè)所有的變量都是可以測量的，并且假設(shè)可以列出的所有重要變量即足以滿足所要了解的考察對象的性質(zhì)。在這樣的假設(shè)下，模型選擇的目的就是正確