Impact of dealing with outliers on variance estimations and genetic evaluations with milk yield test-day models in German Holstein cows

Abstract

Diese Arbeit beschäftigt sich mit zwei unterschiedlichen Verfahren, um Ausreißer zu behandeln. Die Varianzkomponentenschätzung mit einem fixed regression TD Model wurde zum Einen ohne Ausreißer und zum Anderen mit angepassten Ausreißern gerechnet. Beide Methoden wurden mit drei unterschiedlichen Regressionen gerechnet. Die Einfache, die Robuste und die lokale Regression mit linearem und quadratischem Polynom. Ziel war es, die als Ausreißer gekennzeichneten TD zu entfernen oder zu reduzieren. Weiterhin sollten drei Regressionen, angewandt auf 111,599 TD für Milch von 11,620 deutschen Holstein-Kühen bezüglich des Einflusses der Behandlung der Ausreißer in den Milchleistungsdaten in Abhängigkeit von der Anzahl und Verteilung der Ausreißer, der mittleren Abweichung, bezüglich der mittleren Abweichungsquadrate, der Standardfehler der Resteffekte und der Varianzkomponenten verglichen werden. Es erfolgte außerdem eine Schätzung der genetischen und der nicht genetischen Parameter, der mittleren Zuchtwerten und der Rangierung der Tiere. Die Ergebnisse werden mit den Originaldaten verglichen, wobei jede Art der Veränderung einbezogen wird. Obwohl die Ergebnisse der Resteffekte nicht hinreichend genug waren, um den angemessenen Koeffizienten k in Abhängigkeit des Verfahrens zu bestimmen, konnte generell eine verbessert Anpassung, sowohl für die Ausschluss- als auch Anpassungsmethode der Ausreißer erzielt werden. Jedoch sind die Ergebnisse, vor allem hinsichtlich der Standardabweichung für den additiv-genetischen und permanenten Umwelteffekt, von 0,4% bis 0,8% für die Ausschluss- und 1% bis 5% für die Anpassungsmethode der Ausreißer, je nach Methode der Regression zu empfehlen. Die Arbeit mit Ausreißerdaten setzt sich aus zwei Hauptbestandteilen zusammen: erstens das Auffinden eines passenden Models für die Ausreißerproblematik und zweitens die Bewertung der Ausreißer. Außerdem muss Entweder das Weglassen der Ausreißer bei der Bearbeitung der Daten oder das Anpassen der Ausreißer unter der Festlegung von oberen und unteren Grenzen erfolgen. Sollte das Model nicht korrekt an die Daten angepasst sein oder die Limitierung der Daten nicht korrekt definiert sein, werden Daten inkorrekterweise als Ausreißer definiert oder nicht als Ausreißer erkannt.