„Wir haben dann eine lineare Regression angepasst, die alle drei lebensgeschichtlichen Merkmale umfasst, um den Vektor der linearen Selektionsgradienten, β, für jedes Geschlecht zu schätzen (Lande und Arnold 1983). Ein quadratisches Regressionsmodell, das alle linearen, quadratischen und Kreuzproduktterme enthält wurde dann verwendet, um die Matrix der nichtlinearen Selektionsgradienten γ für jedes Geschlecht zu schätzen.
Dies ist aus der Veröffentlichung Evidence for strong intralocus sexual conflict in the Indian Moth Ploida interpunctella . Ich bin mir nicht sicher, warum sie diese Gradienten separat schätzen, anstatt sie nur aus dem einen vollständigen Modell zu entnehmen - irgendwelche Vorschläge? Ist das normal oder haben sie es aus einem bestimmten Grund getan?
Für einige ähnliche Arbeiten siehe diese beiden Papiere:
Gosden et al . scheinen nur die linearen Gradienten eines Modells mit Sex als Effekt zu verwenden.
Stearns et al , die lineare, quadratische und korrelative Schätzungen aus einem multiplen Regressionsmodell pro Geschlecht verwenden (ähnlich dem Hauptpapier, das ich zuerst zitiere, aber kein Modell nur mit linearen Termen für den linearen Koeffizienten verwende).
Ich habe den entsprechenden Autor des zitierten Papiers angeschrieben, um nach dem Grund zu fragen. Ich werde Sie wissen lassen, was er sagt, wenn er antwortet
Dies folgt direkt dem Rat von Lande & Arnold (1983) , der sagt:
Die lineare multiple Regression kann zunächst verwendet werden, um die Kräfte der Richtungsauswahl abzuschätzen, , und ihre Standardfehler. Dann kann eine quadratische multiple Regression (16) oder (A1) verwendet werden, um die Kräfte der stabilisierenden Selektion abzuschätzen, , mit ihren Standardfehlern. Die Regression (16) liefert die beste quadratische Annäherung an die selektive Oberfläche (obwohl gültige Schätzungen von kann nur durch eine rein lineare Regression oder durch Verwendung der orthogonalen Regression (Al) erhalten werden).
Der Grund dafür ist, dass die Schätzungen der Richtungsauswahl durch die Terme höherer Ordnung im vollständigen Modell beeinflusst werden, das die quadratische und korrelative Auswahl umfasst, und das lineare Modell daher die besten Schätzungen der Änderung des Mittelwerts über eine Auswahlgeneration hat ( ). Das vollständige Modell ist jedoch die bessere Darstellung der Fitnessoberfläche. Es gibt auch andere Methoden, um die Fitnessoberfläche anzunähern.
Fürs Protokoll, ich habe den gleichen Ansatz vor vielen Jahren in meiner Masterarbeit verwendet.
rg255
M. Beausoleil
poly(x,2)in R verwenden oder ein Modell nur mit dem linearen und ein zweites Modell mit sowohl dem linearen als auch dem quadratischen Term ausführen. Ist das korrekt?M. Beausoleil