Bayesian annalysis of a generalized linear mixed model in plant breeding

A análise de dados experimentais freqüentemente envolve tratamentos de efeitos aleatórios. São também relativamente frequentes dados de contagens para características de interesse, que em geral apresentam distribuição Poisson. Nestes casos a forma adequada de analise é ajustar modelos lineares generalizados mistos (MLGM). É comum a realização de inferências de forma assintótica usando aproximações normais do modelo descrito acima. Embora muitas vezes tais aproximações sejam satisfatórias, a inferência bayesiana permite a obtenção de distribuições exatas a posteriori para cada parâmetro. Neste trabalho foi aplicada a amostragem Gibbs para o ajuste de um MLGM usando a inferência bayesiana em um ensaio envolvendo dados de contagens de tubérculos graúdos em batata, visando a obtenção de estimativas de parâmetros genéticos como herdabilidades, componentes da variância e valores genéticos. Para ilustrar a metodologia foram utilizados dados experimentais do Programa de Melhoramento Genético de Batata da Universidade Federal de Lavras (UFLA). Implementou-se um algoritmo no software R para a amostragem Gibbs das distribuições a posteriori nas quais se pôde estimar os parâmetros genéticos e fenotípicos de interesse. Foram também tomadas amostras de combinações lineares e não lineares dos parâmetros originais do modelo, gerando novas distribuições a posteriori e respectivas inferências. Em virtude dos resultados apresentados, pode-se atestar que a inferência bayesiana é uma forma adequada e confiável para a análise de dados experimentais em genética