想要参加相关学习和培训，想要得到相关资料和代码，添加微信joinVSNC为好友，拉您进入数据分析交流群。

现代农业鉴定数据的特点：

1、  规模大，随着育种规模的增加，测试品种的数目越来越大（大于1,000个），地点越来越多（大于10个）

2、  不同阶段试验设计不同，初级阶段测试品种多，但地点内无重复或者重复少，用多点代替重复在育种中有实际的价值；高级试验品种数目少，有重复。

l  一般初级试验的目的是淘汰劣质品种，试验设计一般为增广试验设计（中间加对照，对照有重复，品种无重复）或者增广格子试验设计，主要依靠对照来估计区组的效应，在一定的成本下，这种试验设计效率最高，因此得到广泛应用。

l  高级试验的目的是选择优良品种，重点考察品种的适应性和丰产性，主要有完全随机区组（RCBD）和增广格子试验设计（alpha-lattice）。

3、  统计分析模型重要，主要有两点决定：

l  在规模小的情况下，育种家通过对种质、表型、抗性等观察直接选择，产量数据是一个参考。在规模比较大的情况下，这种能力大大削弱，所以育种家必须依靠数据，而原始数据到结果呈现就是统计模型在起作用，因为这不再是一个平均数的年代，好的模型会事半功倍。

l  育种的选择不是一个显著性的问题，而是一个排序的问题。好的品种不仅仅是产量最高，还要结合品种的稳定性和适应性，因此是一个次优的问题。在统计模型结果排序和平均数结果排序可以看出，排名最高的品种在两者之间都是最高的，但前30名排序变化就比较大，不同的模型，排序差别也比较大。如何选择模型没有定论，需要看模型对数据拟合的程度。

l  实际的鉴定数据，数据缺失普遍存在，误差比较大，而且地点间差异比较大，方差异质性普遍存在，常规的统计（比如平均数、方差分析、线性回归分析等）不适合数据的分析要求，学术界普遍认为混合线性模型非常适合田间鉴定数据（MET）的分析。

Breeding View处理鉴定数据的流程图：

Breeding View这款软件主要将数据分析流程化，将数据导入进去之后经过数据的清洗、异常值的提出、模型的比较分析选择、最终给出报表的形式。结果分为品种的稳定性（Finlay-Wikinson AMMI）、品种的适应性（GGE Biplot）和品种稳定性系数，经过对不同混线性模型方差协方差的结果评价（依据AIC、BIC），最终选择最优的模型，并给出品种的排名、BLUE值和BLUP值。

问题来了，如何更灵活的选择模型呢？

以上是自动化分析软件的结果，如果想要系统的接受相关的统计理论和学习MET数据分析方法呢？

1、  参加ASReml培训会，会有空间分析（即田间数据加上行列信息的分析）和MET常用模型的分析（比如FA、Diagonal、Identity、Unstructed等）以及模型的比较和选择。

2、  参加GenStat培训会，会有实验设计、空间分析、品种稳定性分析（AMMI、GGE Biplot）、MET（各种模型）和品种适应性（GGE Biplot）的讲解。

3、  如果不关注模型本身，而只想要分析结果的解读和流程化分析，那就参加BMS培训会，里面会有Breeding View在自动化分析田间鉴定数据的方法讲解和结果解读。

最新的培训通知，关注下面公众号，查看最新培训。

学习交流QQ群：398671275