ژنتیک دامپزشکی

الف) انتخاب متغیر: انتخاب k برآوردگر از p برآوردگر (که k

از طرف دیگر دو روش بیزی براساس الگوریتم زنجیره مارکف مونت کارلو(MCMC) شامل رگرسیون انقباضی بیزی (BSR)[1] و جستجو تصادفی انتخاب متغیر (SSVS)[2]که به ترتیب Bayes A و Bayes B در داخل این روش‌ها طبقه‌بندی می‌شوند، برای تخمین اثرات نشانگر پیشنهاد شده‌اند. در روش BSR، یک مدل که شامل اثر تمام نشانگرهای در دسترس هست، طراحی می‌گردد. تخمین انقباضی برای اثرات نشانگرها براساس این فرض پیشین که اثرات تمام نشانگرهااز یک توزیع نرمال با میانگین صفر تبعیت می‌کنند، صورت می‌گیرد. اما در روش  SSVS اثرات نشانگرها مخلوطی از دو توزیع نرمال است که هر دو آنها دارای میانگین صفر، اما یکی از آنها با واریانس بزرگتر و دیگری با واریانس نزدیک به صفر می‌باشد.

ب)برآورد انقباضی: زمانی که تعداد مشاهدات (n) خیلی کم و تعداد برآوردگرها (p) خیلی زیاد باشد برآوردهای حداقل مربعات واریانس بالایی دارند و درنتیجه MSE نیز بالا رفته و صحت پیش‌بینی مدل کاهش می‌یابد. به‌منظور مقابله با این مشکل، برآوردهای انقباضی ضرایب رگرسیون طراحی شده ‌است. ایده اصلی، کاهشMSE به‌وسیله کاهش واریانس برآوردگرها می‌باشد، هرچند که برآوردهای اریبی حاصل شود. یک روش رایج، رگرسیون ریج می‌باشد. این برآوردها در یک مدل بهینه حاصل می‌شودکه در این صورت، بین نیکویی برازش مدل و پیچیدگی مدل یک تعادل برقرار می‌شود.