AMMI-Bayesiano aplicado a ensaios multiambientais: um estudo de caso com dados de produção de milho
DOI:
https://doi.org/10.34117/bjdv11n1-063Keywords:
Modelo AMMI-Bayesiano, interação genótipo × ambiente, ensaios multiambientais, software RAbstract
A interação genótipo por ambiente (GA) desempenha um papel central no melhoramento genético, influenciando diretamente a identificação e recomendação de genótipos superiores. O modelo de Efeitos Principais Aditivos e Interação Multiplicativa (AMMI) é amplamente utilizado para analisar essa interação, com seus resultados frequentemente apresentados em gráficos biplots. Neste contexto, a abordagem Bayesiana surge como uma alternativa promissora ao permitir a construção de regiões de credibilidade bivariadas no biplot AMMI-2, aprimorando a interpretação dos escores genotípicos e ambientais. Neste trabalho foi realizado uma análise de dados de um ensaio multiambiental de produção de milho utilizando o modelo AMMI-Bayesiano descrito na literatura, utilizando o software R. Foram avaliados 55 genótipos de milho em 15 ambientes no ano agrícola de 2005/06, sob delineamento em blocos casualizados com três repetições, sendo a produtividade de espigas a variável resposta. Os resultados destacaram a eficácia das regiões de credibilidade bivariadas na identificação de genótipos estáveis e grupos homogêneos de genótipos e ambientes com padrões específicos de interação GA, conferindo credibilidade estatística às conclusões.
References
CHEN, M. H.; SHAO, Q. M. Monte Carlo estimation of bayesian credible and HPD intervals. Journal of Computational and Graphical Statistics, Alexandria, v. 8, n. 1, p. 69-92, 1999.
CROSSA, J.; YANG, R.C.; CORNELIUS, P. L. Studying crossover genotype× environment interaction using linear-bilinear models and mixed models. Journal of Agricultural, Biological, and Environmental Statistics, Springer, v. 9, n. 3, p. 362-380, 2004.
CROSSA, J.; VARGAS, M.; JOSHI, A. K. Linear, bilinear, and linear-bilinear fixed and mixed models for analyzing genotype x environment interaction in plant breeding and agronomy. Canadian Journal of Plant Science, NRC Research Press, v. 90, n. 5, p. 561-574, 2010.
CROSSA, J. et al. Bayesian estimation of the additive main effects and multiplicative interaction model. Crop Science, Wiley Online Library, v. 51, n. 4, p. 1458-1469, 2011.
GELMAN, A.; RUBIN, D. B. Inference from iterative simulation using multiple sequences. Statistical Science, v. 7, n. 4, p. 457–472, 1992.
HU, Z.; YANG, R.C. Improved statistical inference for graphical description and interpretation of genotype x environment interaction. Crop Science, Wiley Online Library, v. 53, n. 6, p.2400-2410, 2013.
OLIVEIRA, L. A. et al. Credible intervals for scores in the ammi with random effects for genotype. Crop Science, v. 55, n. 2, p. 465-476, 2015.
PEREZ-ELIZALDE, S.; JARQUIN, D.; CROSSA, J. A general bayesian estimation method of linear–bilinear models applied to plant breeding trials with genotype × environment interaction. Journal of Agricultural, Biological, and Environmental Statistics, v. 17, n. 1, p. 15-37, 2012.
R CORE TEAM. R: A Language and Environment for Statistical Computing. Vienna, Austria, 2024. Disponivel em: <https://www.R-project.org/>.
RAFTERY, A. E.; LEWIS, S. How many iterations in the gibbs sampler? In: BERNARDO J.M.; BERGER J.O.; DAWID A.P. et al. (Eds.) Bayesian statistics 4 Oxford: Oxford University Press, p. 763–773, 1992.
SILVA, W. C. J.; DUARTE, J. B. Metodos estatisticos para estudo de adaptabilidade e estabilidade fenotipica em soja. Pesquisa Agropecuaria Brasileira, v. 41, 2006.
SILVA, C. P. D. et al. A bayesian shrinkage approach for ammi models. PLoS ONE, v. 10, 2015. ISSN 19326203.
VIELE, K.; SRINIVASAN, C. Parsimonious estimation of multiplicative interaction in analysis of variance using kullback-leibler information. Journal of Statistical Planning and Inference, v. 84, 2000. ISSN 03783758.
