Modelo logístico difásico no estudo do crescimento de fêmeas da raça Hereford

Abstract

Este trabalho teve como objetivo comparar modelos logísticos difásicos ponderados aplicados ao estudo de curvas de crescimento de fêmeas Hereford com três diferentes estruturas de erros: erros independentes (EI), auto-regressivos de primeira ordem (AR (1)) e auto-regressivo de segunda ordem (AR (2)) a dados de peso-idade de 55 fêmeas da raça Hereford avaliadas desde o nascimento até 675 dias de idade. Utilizou- se o procedimento model do software Statistical Analysis System (SAS) por meio das opções weight e %AR. A comparação entre os modelos foi realizada com base na interpretação biológica dos parâmetros e nos avaliadores de qualidade de ajuste (coeficiente de determinação ajustado, teste de Durbin- Watson, desvio padrão residual, número de iterações), além do critério de informação de Akaike (AIC) e do teste F para comparação de modelos. Os resultados obtidos para o ajuste dos modelos aos dados médios indicaram que o modelo logístico difásico AR (2) foi o mais eficiente para descrever a curva de crescimento do rebanho. Ao se considerar o conjunto de dados individuais, nenhum dos modelos abordados foi recomendado por produzirem estimativas não condizentes com a realidade.

This study had the objective of comparing weighted difasics logistic models applied to the study of Hereford females growth curves with three different error structures: independent errors (IE), first-order auto-regressive (AR (1)) and second- order auto-regressive (AR (2)) to weight-age data of 55 females of the Hereford breed, raised in the Bagé region, RS, Brazil, evaluated from birth to 675 days old. The weight and %AR options of model procedure, available in the software Statistical Analysis System (SAS), was used to fit data. The comparison among the models was carried out through the biological interpretation basis of the parameters and in the adjustment of quality measures (adjusted determination coefficient, Durbin- Watson test, residual standard desviation, number of iterations), beyond the Akaike information criteria (AIC) and the F test for model comparison. The models fitted to mean data indicated that the difasic logistic with AR(2) structure was the most efficient to describe the herd growth curve. In the individual fit, none of the models was accepted because they didn’t produce consistent estimates.