接续上文【基于R语言进行AMMI分析1】
1、AMMI()函数的结果解读
# 加载agricolae包
library(agricolae)
# 加载数据
data(plrv)
# 查看数据
head(plrv)
model<-with(plrv,AMMI(Locality,Genotype,Rep,Yield,PC=TRUE))
# 查看方差分析结果
model$ANOVA
# 查看主成分的方差分析结果
model$analysis
# 查看基因型和环境的均值
model$means
# 查看双标图
model$biplot
(1)model$ANOVA:主效应和互作效应的方差分析
结果显示:ENV(环境)间差异显著;GEN(品种)间差异显著;ENV:GEN(环境与品种互作)显著。
(2)model$analysis:环境与品种交互作用的主成分方差分析
结果显示:环境与品种交互作用可分解为5个主成分,其中通过显著检验的主成分有3个(PC1、PC2、PC3),这三个主成分对交互作用总变异(交互作用平方和)的累计贡献率为92.7%,对数据具有很大的代表性。用于做AMMI2双标图的PC1和PC2的累计贡献率为83.3%,此双标图的反映的品种稳产性和环境辨别力结果的可信度较高。
【注:这里的PC1实际指的是IPCA1,依此类推】
(3)model$means:基因型和环境的均值
(4)model$biplot:用于制作双标图的数据
下图中可以看出:
AMMI1双标图,plot(model,0,1):0对应Yield列,1对应PC1列。
AMMI2双标图,plot(model,1,2):1对应的PC1列,2对应PC2列。
(5)示例1
data(CIC)
data1<-CIC$comas[,c(1,6,7,17,18)]
data2<-CIC$oxapampa[,c(1,6,7,19,20)]
head(data1)
head(data2)
cic<-rbind(data1,data2)
model<-with(cic,AMMI(Locality,Genotype,Rep,relative))
model$ANOVA
(6)示例2
# 加载agricolae包
library(agricolae)
# 加载数据集
data("sinRepAmmi")
# 展示数据集
head(sinRepAmmi)
# 设置重复数
REP<-3
# 设置MSE
MSerror<-93.24224
# AMMI模型分析
model<-with(sinRepAmmi,AMMI(ENV,GEN,REP,YLD,MSE=MSerror,PC=TRUE))
# 查看方差分析结果
print(model$ANOVA,na.print="")
# 查看AMMI1双标图
plot(model,0,1)
# 查看G×E交互作用的主成分分析结果
pc<-model$PC
pc$loadings
summary(pc)
biplot(pc)
2、index.AMMI()函数
index.AMMI()函数的使用方法为:index.AMMI(model),其中model为AMMI()函数的运算结果。
index.AMMI()函数的输出结果为数据框,包括的指标如下:
①ASV:AMMI stability value
②YSI:Yield stability index
③rASV:Rank of AMMI stability value
④rYSI:Rank of yield stability index
⑤means:基因型的均值
计算公式可参考:
结果解释:
ASV是衡量基因型(品种)稳定性的指标,其值越小,基因型(品种)的稳定性越好(【个人评价】此时对IPCA1和IPCA2对G×E交互作用的方差解释率有较高要求,解释率越高,ASV的评价就越准确);而YSI则是在稳定性评价(ASV从小到大排序的Rank值)的基础上增加了产量数据(means从大到小排序的Rank值)(【个人评价】YSI对品种丰产性和稳产性的评价过于简单,其结果不及GGE双标图)。而根据案例给出的计算结果rYSI实际是YSI计算公式中的RY。
# 加载agricolae包
library(agricolae)
# 加载数据集
data(plrv)
# 查看数据
head(plrv)
# AMMI分析
model<-with(plrv,AMMI(Locality,Genotype,Rep,Yield,console = FALSE))
# 产量稳定性分析
Idx<-index.AMMI(model)
# 查看稳定性分析指标
names(Idx)
# 查看稳定性分析结果
Idx
3、稳定性参数D值
根据本人查看的文献,国内对品种稳定性的评价更多的是使用【基于AMMI模型的品种稳定性分析_张泽】的稳定性参数。解释如下:
当统计检验显著的IPCA轴多于2个以上时,用一般的方法不可能做出像双标图那样直观的坐标图来分析,并且为了更全面、定量地反映GEI(基因型与环境互作)信息,需要计算出一个能度量稳定性的综合指标Di(j)。Di(j)就是在IPCA多维空间中品种(或试点)离原点的距离(即欧氏距离),计算公式如下:
其中,N为显著的IPCA个数,为第i个基因型(或第j个试点)在r个IPCA上的得分。由于Di(j)实际上是在N个IPCA上得分的累加,因此Di值越小、则品种越稳定。对应地,Dj值越大、则表示试点对品种差异的判别力越强。(【个人评价】此方法对G×E互作的主成分进行更多的综合考虑,即所有统计显著的主成分都要求计算在内,主成分对G×E互作的方差解释率更高,评价也更准确)
# 加载agricolae包
library(agricolae)
# 加载数据集
data(plrv)
# 查看数据
head(plrv)
# AMMI分析
# 将console设置为TRUE,可以直接查看主成分分析结果
model<-with(plrv,AMMI(Locality,Genotype,Rep,Yield,console =TRUE))
# 由结果可知PC1、PC2、PC3结果显著
# 查看基因型和环境在各主成分上的得分
model$biplot
# 产量稳定性分析
df<-model$biplot
df<-df[,-c(6,7)]
df$D<-with(df,sqrt(PC1^2+PC2^2+PC3^2))
library(dplyr)
df<-df%>%group_by(type) %>%arrange(D) %>%mutate(rank_D=row_number())
# 结果展示
print(df,n=37)