1
00:00:01,137 --> 00:00:03,697
Dobrý den, v tomto videu si

2
00:00:03,697 --> 00:00:06,377
ukážeme výpočet odhadu koeficientu

3
00:00:06,377 --> 00:00:08,777
heritability pomocí analýzy

4
00:00:08,777 --> 00:00:11,417
variance užitkových hodnot po

5
00:00:11,417 --> 00:00:14,337
příbuzných jedinců, v našem případě s

6
00:00:14,337 --> 00:00:16,937
pomocí skupin polosourozenců podle otce.

7
00:00:18,377 --> 00:00:19,777
Když se podívám do wordovského

8
00:00:19,777 --> 00:00:22,377
dokumentu vpravo, tak vidíme, že

9
00:00:22,377 --> 00:00:25,057
máme jednoduchou databázi, kde máme

10
00:00:25,457 --> 00:00:27,977
celkem 40 jedinců, u nichž máme

11
00:00:27,977 --> 00:00:30,897
naměřené hodnoty.  A u každého z nich

12
00:00:31,017 --> 00:00:33,617
máme určeno, kdo byl jeho otec a podle té

13
00:00:33,617 --> 00:00:35,977
tabulky vidíme, že máme tady celkem 5

14
00:00:35,977 --> 00:00:38,897
skupin polosourozenců vždy po 8

15
00:00:38,897 --> 00:00:41,897
jedincích. Protože je to

16
00:00:41,897 --> 00:00:43,897
analýza variance, která využívá lineární

17
00:00:43,897 --> 00:00:46,377
modely, tak náš lineární model je

18
00:00:46,377 --> 00:00:49,017
y, což je užitkovost j-tého potomka

19
00:00:49,017 --> 00:00:52,017
po i-tém otci se rovná průměr plus

20
00:00:52,017 --> 00:00:54,657
efekt ai, což je efekt i tého

21
00:00:54,657 --> 00:00:57,537
otce plus reziduum ei,

22
00:00:57,537 --> 00:01:00,097
což jsou ostatní nahodilé vlivy,

23
00:01:00,097 --> 00:01:02,537
které nejsme schopni detekovat a zahrnout

24
00:01:02,537 --> 00:01:05,397
do výpočtu. Abychom

25
00:01:05,517 --> 00:01:08,517
nemuseli všechno manuálně

26
00:01:08,517 --> 00:01:11,397
počítat od základu, tak už 

27
00:01:11,997 --> 00:01:14,157
máme tady nějaké  přepočítané hodnoty,

28
00:01:14,157 --> 00:01:16,757
jako jsou součty, čtverce

29
00:01:16,757 --> 00:01:19,117
součtů a součty

30
00:01:19,317 --> 00:01:20,117
čtverců.

31
00:01:24,336 --> 00:01:26,736
Jak vidíte, máme zde v tabulce

32
00:01:26,736 --> 00:01:29,336
přepočítané součty za dílčí

33
00:01:29,336 --> 00:01:32,336
hodnoty. Podle otců této velké Yi

34
00:01:32,336 --> 00:01:35,136
s tečkou to je ten 2. sloupec.

35
00:01:35,536 --> 00:01:38,536
Ve 3. sloupci máme spočítané druhé

36
00:01:38,536 --> 00:01:40,856
mocniny těchto dílčích součtu.

37
00:01:41,456 --> 00:01:42,896
Tady jsou potřeba, abychom mohli

38
00:01:42,896 --> 00:01:45,666
spočítat 3. sloupec,

39
00:01:45,706 --> 00:01:48,586
který představuje 2. mocninu součtu

40
00:01:48,586 --> 00:01:51,426
za konkrétního otce děleno

41
00:01:51,426 --> 00:01:54,306
Ni, to znamená počtem potomků po

42
00:01:54,386 --> 00:01:57,346
tom daném otci. Tuto 2. mocninu

43
00:01:57,346 --> 00:02:00,176
součtu, čili čtverec součtů lomeno

44
00:02:00,176 --> 00:02:02,416
Ni, když je sečteme za všechny otce

45
00:02:02,416 --> 00:02:04,496
dohromady, takže máme potom dole

46
00:02:04,496 --> 00:02:07,296
výslednou hodnotu sumu Yi na druhou

47
00:02:07,296 --> 00:02:09,736
lomeno Ni. To je ten součet

48
00:02:09,736 --> 00:02:11,816
čtverců podle otců.

49
00:02:12,816 --> 00:02:15,456
V posledním sloupci pak máme definován

50
00:02:15,456 --> 00:02:18,096
výpočet součtu čtverců,

51
00:02:18,496 --> 00:02:21,096
kdy každou individuální hodnotu 

52
00:02:21,096 --> 00:02:23,776
jedince po I-tém otci umocníme na druhou a

53
00:02:23,776 --> 00:02:26,776
sečteme za všechny jedince v

54
00:02:26,776 --> 00:02:28,776
rámci otce a potom ještě sečteme za

55
00:02:28,776 --> 00:02:31,096
všechny otce dohromady a získáváme

56
00:02:31,096 --> 00:02:33,936
celkový součet - suma sumy

57
00:02:33,936 --> 00:02:36,576
y na druhou, čili celkovou sumu

58
00:02:37,096 --> 00:02:39,776
čtverců, součet čtverců všech

59
00:02:39,776 --> 00:02:41,616
jedinců dané populace.

60
00:02:42,936 --> 00:02:44,536
Dál ještě musíme definovat počet

61
00:02:44,536 --> 00:02:47,456
otců, který se rovná 5,

62
00:02:47,456 --> 00:02:50,456
celkový počet potomků n je 40

63
00:02:50,456 --> 00:02:52,976
a N0 jako vážený počet potomků

64
00:02:53,656 --> 00:02:56,216
na otce, ta je v našem případě rovno Ni,

65
00:02:56,496 --> 00:02:59,496
což je 8. Aby se nám to načetlo do

66
00:02:59,496 --> 00:03:01,936
paměti počítače, tak si tyto napsané

67
00:03:01,936 --> 00:03:03,176
hodnoty označím.

68
00:03:05,066 --> 00:03:07,546
A dám ctrl + enter a mám je

69
00:03:07,546 --> 00:03:09,386
načtené v paměti počítače.

70
00:03:11,186 --> 00:03:13,186
AS těmito předpočítanými hodnotami jdu do

71
00:03:13,186 --> 00:03:16,146
tabulky analýzy variant a spočítám si

72
00:03:16,146 --> 00:03:19,026
podle definovaných vzorců dílčí

73
00:03:19,266 --> 00:03:21,546
součty čtverců odchylek od průměru.

74
00:03:23,876 --> 00:03:26,076
A to vlastně v podstatě pouze 2, i když

75
00:03:26,076 --> 00:03:28,876
tady máme celkem 3 vzorce.

76
00:03:30,546 --> 00:03:32,306
Protože v modelové rovnici máme jediný

77
00:03:32,306 --> 00:03:34,866
efekt, a to je efekt otce, tak vlastně

78
00:03:34,986 --> 00:03:37,786
nám můžeme spočítat součty čtverců

79
00:03:37,786 --> 00:03:40,786
odchylek od průměru mezi skupinami

80
00:03:41,546 --> 00:03:44,506
a uvnitř skupin těchto polosourozenců

81
00:03:45,066 --> 00:03:47,826
SSa si označíme výpočet

82
00:03:47,826 --> 00:03:49,706
součet čtverce odchylek od průměru mezi

83
00:03:49,706 --> 00:03:52,546
skupinami polosourozenců podle otce a

84
00:03:52,546 --> 00:03:55,376
podle vzorce je to hodnota.

85
00:03:56,946 --> 00:03:59,386
suma je ten součet

86
00:04:01,346 --> 00:04:02,826
druhé mocniny součtu, 

87
00:04:04,946 --> 00:04:07,266
velké Y na druhou lomeno n.

88
00:04:08,896 --> 00:04:10,256
A toto odečtu

89
00:04:11,826 --> 00:04:14,626
od celkové sumy umocněné na druhou. To tam mám

90
00:04:14,626 --> 00:04:15,906
taky definováno.

91
00:04:17,626 --> 00:04:18,666
A to dělím n.

92
00:04:20,856 --> 00:04:23,696
A znova si vypíši název toho objektu,

93
00:04:23,696 --> 00:04:26,536
v kterém mám ten výpočet - SSA

94
00:04:26,936 --> 00:04:29,936
tak mě vyjde vypočítaná hodnota součtu

95
00:04:29,976 --> 00:04:32,816
čtverců od průměru mezi skupinami

96
00:04:32,816 --> 00:04:33,736
polosourozenců.

97
00:04:35,210 --> 00:04:38,170
Od součtu čtverců od celého průměru

98
00:04:38,770 --> 00:04:41,450
uvnitř skupiny polosourozenců SSE je

99
00:04:41,450 --> 00:04:44,400
reziduální. A je dán

100
00:04:44,800 --> 00:04:47,400
rozdílem součtu

101
00:04:47,720 --> 00:04:49,280
čtverců 

102
00:04:54,720 --> 00:04:57,440
mínus 

103
00:04:57,440 --> 00:05:00,320
podíl sumy druhé mocniny

104
00:05:00,320 --> 00:05:02,920
součtu za skupiny podle otců lomeno n

105
00:05:02,920 --> 00:05:05,640
To taky máme definováno, to je ta

106
00:05:07,080 --> 00:05:09,960
suma velké Y na druhou lomeno n.

107
00:05:13,510 --> 00:05:16,350
A toto je náš výpočet

108
00:05:16,350 --> 00:05:19,190
součtu čtverců

109
00:05:19,190 --> 00:05:21,110
od průměru uvnitř skupiny

110
00:05:21,110 --> 00:05:22,190
polosourozenců.

111
00:05:26,490 --> 00:05:26,650
Tak.

112
00:05:29,960 --> 00:05:32,720
Když se podíváme na tabulku ANOVy

113
00:05:33,920 --> 00:05:36,720
tak ještě musíme spočítat

114
00:05:37,320 --> 00:05:40,200
průměrné čtverce MS, což

115
00:05:40,200 --> 00:05:42,120
jsou právě ty variance.

116
00:05:44,080 --> 00:05:46,600
A MSa je varianta otovská,

117
00:05:47,080 --> 00:05:50,040
která je rovna podílu toho

118
00:05:50,040 --> 00:05:52,800
součtu čtverců od průměru mezi skupinami děleno

119
00:05:52,800 --> 00:05:54,760
stupně volnosti. A stupně volnosti na

120
00:05:54,760 --> 00:05:57,559
úrovni otců je počet otců mínus

121
00:05:57,559 --> 00:05:58,119
jedna.

122
00:06:01,479 --> 00:06:03,719
Takže MSA na vychází

123
00:06:04,079 --> 00:06:06,919
 4299,401.

124
00:06:08,319 --> 00:06:10,719
A variance reziduální MSE

125
00:06:11,759 --> 00:06:14,119
je přímo rovna zase

126
00:06:15,079 --> 00:06:16,559
součtu čtverců odchylek od průměru

127
00:06:16,559 --> 00:06:19,039
uvnitř skupin - reziduální a zase děleno stupně volnosti.

128
00:06:19,039 --> 00:06:21,679
V tomto případě jsou počet potomků mínus

129
00:06:21,679 --> 00:06:22,519
počet otců.

130
00:06:26,149 --> 00:06:28,749
A toto je naše variance reziduální

131
00:06:29,029 --> 00:06:30,749
 2333,896

132
00:06:31,029 --> 00:06:32,389
 .

133
00:06:34,679 --> 00:06:36,839
A tady vlastně končí analýza variance.

134
00:06:37,959 --> 00:06:40,319
My jsme si spočítali varianci

135
00:06:40,319 --> 00:06:43,079
otcovskou a varianci reziduální.

136
00:06:44,719 --> 00:06:47,159
Následuje druhá část

137
00:06:47,159 --> 00:06:49,479
výpočtu a to je ta vlastní genetická

138
00:06:49,479 --> 00:06:52,439
analýza, kdy víme z přednášky,

139
00:06:52,839 --> 00:06:55,759
že variance otcovská v sobě obsahuje

140
00:06:55,759 --> 00:06:58,479
genetickou varianci. A

141
00:06:58,479 --> 00:07:00,639
variace reziduální je přímo rovná varianci

142
00:07:00,639 --> 00:07:03,159
prostředí. Takže variance

143
00:07:03,159 --> 00:07:04,519
genetická

144
00:07:06,089 --> 00:07:08,809
je rovna rozdílu variance

145
00:07:08,809 --> 00:07:10,569
otcovské mínus

146
00:07:11,369 --> 00:07:13,449
variance reziduální.

147
00:07:15,039 --> 00:07:17,879
A to celé děleno n0 čili

148
00:07:17,879 --> 00:07:20,439
vážený počet potomků na jednoho otce.

149
00:07:22,119 --> 00:07:24,679
A naše variace genetická podle otců je

150
00:07:24,679 --> 00:07:27,879
 245,6881.

151
00:07:29,689 --> 00:07:31,209
A ještě si napíšeme, že variace

152
00:07:31,209 --> 00:07:34,169
reziduální je přímo rovná MSE

153
00:07:34,169 --> 00:07:36,959
Nebo

154
00:07:36,959 --> 00:07:39,679
variace prostřeďová je přímo rovná MSE.

155
00:07:40,159 --> 00:07:42,319
Opět si to označíme a

156
00:07:42,439 --> 00:07:45,209
spustíme. V druhém

157
00:07:45,209 --> 00:07:47,049
kroku, když jsme si nadefinovali

158
00:07:47,049 --> 00:07:49,049
variace genetické a prostřeďové,

159
00:07:49,049 --> 00:07:51,489
tak si musíme spočítat takzvaný

160
00:07:51,489 --> 00:07:54,009
intraklasní korelační koeficient

161
00:07:54,849 --> 00:07:57,169
ró nebo r si to označíme,

162
00:07:57,889 --> 00:08:00,089
který je roven genetické

163
00:08:00,089 --> 00:08:02,729
varianci děleno celkové

164
00:08:02,729 --> 00:08:05,089
fenotypové varianci, což je ta genetická plus

165
00:08:05,449 --> 00:08:06,289
prostřeďová.

166
00:08:10,069 --> 00:08:12,789
Takže toto je hodnota intraklasního

167
00:08:12,789 --> 00:08:15,589
korelačního koeficientu ró 0,09

168
00:08:15,589 --> 00:08:18,559
zhruba. Ten vzorec nám

169
00:08:18,679 --> 00:08:20,919
velice připomíná výpočet heritability,

170
00:08:21,879 --> 00:08:23,599
protože haritabilita je definována jako

171
00:08:23,599 --> 00:08:25,559
podíl genetické variance ku celkové

172
00:08:25,559 --> 00:08:28,519
fenotypové. Proč to není heritabilita? Je

173
00:08:28,519 --> 00:08:31,159
to z toho důvodu, že my jsme to

174
00:08:31,159 --> 00:08:32,759
počítali na základě skupin

175
00:08:32,959 --> 00:08:35,759
polosourozenců, takže vlastní

176
00:08:35,759 --> 00:08:37,119
hodnota heritability

177
00:08:38,679 --> 00:08:41,199
h na druhou je

178
00:08:41,199 --> 00:08:41,879
rovna

179
00:08:43,119 --> 00:08:45,879
čtyřnásobku tohoto intraklasního

180
00:08:45,879 --> 00:08:48,439
korelačního koeficientu.

181
00:08:49,479 --> 00:08:51,919
Důvod je jednoduchý, protože genetická

182
00:08:51,919 --> 00:08:54,319
podobnost mezi polosourozenci je

183
00:08:54,359 --> 00:08:57,279
 1/4,

184
00:08:57,279 --> 00:09:00,239
takže mají 25 % společných genů. Proto se

185
00:09:00,239 --> 00:09:02,159
tento podíl genetická variace a

186
00:09:02,319 --> 00:09:04,519
fenotypové variance ještě musí vynásobit

187
00:09:04,519 --> 00:09:07,479
čtyřmi a toto je výsledná hodnota

188
00:09:07,479 --> 00:09:09,559
hrytability 0,38.

189
00:09:14,439 --> 00:09:16,399
A ještě také musíme spočítat

190
00:09:17,439 --> 00:09:20,079
hodnotu střední chyby odhadu koeficientu

191
00:09:20,079 --> 00:09:22,719
haritability. Ten vzorec je

192
00:09:22,719 --> 00:09:25,399
zase ve wordovském dokumentu, a jsou zde vypsané

193
00:09:25,399 --> 00:09:27,799
 dva různé vzorce, které

194
00:09:27,999 --> 00:09:30,719
spočítají téměř identickou hodnotu. Já

195
00:09:30,719 --> 00:09:32,679
jsem vzal ten záklaní vzorec,

196
00:09:32,679 --> 00:09:35,359
mám ho tady už vypsaný a

197
00:09:35,359 --> 00:09:37,359
když ho tam vložím,

198
00:09:38,279 --> 00:09:40,479
označím a spustím, tak tady mám hodnotu.

199
00:09:41,289 --> 00:09:42,849
Vypočítám hodnotu střední chyby odhadové

200
00:09:42,849 --> 00:09:45,599
heritability. Jak vidíte je

201
00:09:45,599 --> 00:09:48,559
velmi vysoká 0,56. Abychom v

202
00:09:48,679 --> 00:09:51,319
té vypočítané hodnotě heritability mohli

203
00:09:51,319 --> 00:09:54,239
trošku věřit, tak by střední chyba

204
00:09:54,239 --> 00:09:56,359
musela být menší než 0,05.

205
00:09:57,359 --> 00:10:00,359
V našem případě zdaleka není. Je to z

206
00:10:00,359 --> 00:10:02,119
toho důvodu, že to je pouze modelový

207
00:10:02,119 --> 00:10:04,679
příklad. Máme tam málo

208
00:10:04,679 --> 00:10:07,359
potomků, málo skupin polosourozenců,

209
00:10:07,799 --> 00:10:09,719
což je ten důvod, proč ta střední chyba

210
00:10:09,719 --> 00:10:12,359
je tak vysoká, což nám ale nevadí,

211
00:10:12,359 --> 00:10:14,559
protože se opravdu jedná jenom o modelový

212
00:10:14,559 --> 00:10:17,119
příklad. 

213
00:10:17,359 --> 00:10:20,159
Tak tímto bychom mohli

214
00:10:20,159 --> 00:10:22,799
skončit. Máme vypočítanou heritabilitu

215
00:10:22,799 --> 00:10:25,759
plus mínus její střední chyba, ale my si

216
00:10:25,759 --> 00:10:28,319
to ještě zkusíme spočítat pomocí

217
00:10:28,319 --> 00:10:31,319
analýzy variance a

218
00:10:31,319 --> 00:10:34,079
pomocí  metody REML - to

219
00:10:34,439 --> 00:10:36,679
znamená pomocí varianty metod

220
00:10:36,679 --> 00:10:39,159
maximální věrohodnosti, ale v prvé

221
00:10:39,159 --> 00:10:40,719
řadě si musíme načíst data.

222
00:10:42,449 --> 00:10:43,929
My máme tu databázi 

223
00:10:43,929 --> 00:10:45,929
připravenou v excelovské tabulce, kterou

224
00:10:45,929 --> 00:10:48,769
máte k dispozici, takže vám

225
00:10:48,769 --> 00:10:51,409
ukáži nejprve, jak si načteme

226
00:10:51,729 --> 00:10:54,729
ta data. Je to velice jednoduché,

227
00:10:54,729 --> 00:10:56,689
tady v tom RSstudiu,

228
00:10:56,689 --> 00:10:58,569
to znamená, dáme tady FILE nahoře.

229
00:10:59,599 --> 00:11:02,239
Dáme Import dataset a vybereme nabídku

230
00:11:02,239 --> 00:11:04,119
From Excel, protože to máme v excelovské

231
00:11:04,119 --> 00:11:06,759
tabulce. Dáme

232
00:11:06,759 --> 00:11:07,359
vybrat

233
00:11:16,409 --> 00:11:19,329
A protože to mám na

234
00:11:19,329 --> 00:11:22,009
flashce, tak si dáme brows

235
00:11:22,999 --> 00:11:24,079
.
236
00:11:28,139 --> 00:11:29,939
Kingston a tady data-anova-cz.

237
00:11:31,289 --> 00:11:33,129
xlsx.

238
00:11:35,539 --> 00:11:37,299
Jak vidíte už nám tady ta data, ta

239
00:11:37,299 --> 00:11:39,259
tabulka hezky načetla. Mám tady otce ve

240
00:11:39,259 --> 00:11:42,219
formě ABCDE a ve druhém sloupci

241
00:11:42,219 --> 00:11:44,419
jsou hodnoty potomků.

242
00:11:45,219 --> 00:11:47,899
Nazveme si to data1 pro

243
00:11:47,899 --> 00:11:50,419
jednoduchost a dáme jednoduše

244
00:11:50,419 --> 00:11:53,239
importovat. Vídíme, že se nám

245
00:11:53,239 --> 00:11:55,559
objevil tady druhá záložka nahoře, kde máme

246
00:11:55,559 --> 00:11:58,159
ukázku té databáze. Přepneme se zpátky

247
00:11:58,479 --> 00:12:00,279
do našeho programovacího okénka.

248
00:12:01,849 --> 00:12:04,808
Máme teda data1 a ukážeme si

249
00:12:04,808 --> 00:12:07,048
jak pomoci analýzy variance,

250
00:12:09,208 --> 00:12:10,328
napíšeme si objekt

251
00:12:12,678 --> 00:12:15,198
Anova1

252
00:12:15,198 --> 00:12:18,168
 pomocí funkce LM,

253
00:12:18,168 --> 00:12:20,928
která je základní funkcí v programu R.

254
00:12:20,928 --> 00:12:23,798
Ukážeme si

255
00:12:23,798 --> 00:12:25,358
tedy, jak to tam nadefinujeme. Je to

256
00:12:25,358 --> 00:12:27,118
velice jednoduché. Musíme mu říct tu

257
00:12:27,118 --> 00:12:29,718
modelovou rovnici. To znamená, že y

258
00:12:30,038 --> 00:12:31,918
my v té databázi opravdu ta data máme

259
00:12:31,918 --> 00:12:34,438
taky označené jako y. A jako

260
00:12:34,638 --> 00:12:35,998
otce malými písmeny otec.

261
00:12:38,008 --> 00:12:39,688
Nepoužívá se tady rovná se, ale

262
00:12:39,688 --> 00:12:41,688
takzvaná tilda čili taková ta vlnovka

263
00:12:41,688 --> 00:12:44,368
pravý alt + 1 na alfanumerické

264
00:12:44,368 --> 00:12:47,238
klávesnici. A pak jako

265
00:12:47,238 --> 00:12:49,438
efekt pouze ten efekt otce, takže

266
00:12:49,438 --> 00:12:50,278
napíšeme otec.

267
00:12:52,598 --> 00:12:55,118
Můžeme mít otevřeno naráz více různých

268
00:12:55,118 --> 00:12:57,118
databází, tak si tam musíme definovat, že naše

269
00:12:57,118 --> 00:12:59,238
data jsou ta data1.

270
00:12:59,798 --> 00:13:02,768
A

271
00:13:02,768 --> 00:13:04,608
abychom si zobrazili výsledek
272
00:13:04,608 --> 00:13:07,568
ANOVy, tak si ještě napíšeme

273
00:13:08,128 --> 00:13:10,968
anova a v závorce

274
00:13:10,968 --> 00:13:13,918
anova1. Když

275
00:13:13,918 --> 00:13:16,678
to označím a spustíme, tak vidíme

276
00:13:16,998 --> 00:13:19,398
výsledek v pár krocích, vlastně ve 2

277
00:13:19,398 --> 00:13:22,038
řádcích. Máme výslednou tabulku

278
00:13:22,038 --> 00:13:24,318
analýzu variance. Všimněte si, že

279
00:13:24,318 --> 00:13:25,838
tady jsou stupně volnosti,

280
00:13:27,738 --> 00:13:30,218
otcovská čili mezi skupinami a

281
00:13:30,218 --> 00:13:32,178
reziduální. Potom je tam ten součet

282
00:13:32,178 --> 00:13:34,798
čtverců odchylek od průměru. A

283
00:13:34,798 --> 00:13:36,838
poslední 3. sloupec je pro nás zásadní,

284
00:13:36,838 --> 00:13:39,318
protože tam jsou ty MS čili

285
00:13:39,758 --> 00:13:41,798
ty průměrné čtverce, což jsou 

286
00:13:41,798 --> 00:13:43,958
variance. Vidíme, že to je naprosto

287
00:13:43,958 --> 00:13:45,398
stejné, jako když jsme to počítali

288
00:13:45,398 --> 00:13:47,038
manuálně. Podle vzorců

289
00:13:47,558 --> 00:13:49,758
 4299,4 je

290
00:13:50,078 --> 00:13:52,598
variance otců čili mezi skupinami

291
00:13:53,118 --> 00:13:55,758
a 2333,9 je variance

292
00:13:55,918 --> 00:13:57,758
reziduální čili uvnitř skupin

293
00:13:57,758 --> 00:14:00,478
polosourozenců. 

294
00:14:00,478 --> 00:14:02,998
Tady končí analýza variance a pak

295
00:14:02,998 --> 00:14:05,798
nastupuje ta genetická analýza, kde

296
00:14:05,838 --> 00:14:07,278
bychom to zase podle stejných vzorců

297
00:14:07,278 --> 00:14:09,758
spočítali z té otcovské variance tu

298
00:14:09,758 --> 00:14:12,478
genetickou varianci. Spočítali

299
00:14:12,478 --> 00:14:14,758
intraklasní korelační koeficient a z

300
00:14:14,758 --> 00:14:16,958
něj potom

301
00:14:16,958 --> 00:14:17,798
haritabilitu.

302
00:14:20,018 --> 00:14:22,778
Ukážeme si ještě druhou analýzu, kde

303
00:14:23,058 --> 00:14:25,618
kde

304
00:14:25,738 --> 00:14:27,058
použijeme

305
00:14:28,608 --> 00:14:31,598
metodu REML. Zde si musíme už

306
00:14:31,598 --> 00:14:33,998
načíst nebo nainstalovat a načíst

307
00:14:34,158 --> 00:14:35,438
speciální balíček

308
00:14:37,518 --> 00:14:40,518
lme4. V našem případě, pokud jej

309
00:14:40,518 --> 00:14:43,358
nemáte, což předpokládám, tak si

310
00:14:43,358 --> 00:14:45,438
přes INSTALL v Packages

311
00:14:45,998 --> 00:14:48,358
si stáhnete a nainstalujete

312
00:14:48,358 --> 00:14:50,558
jednoduše balíček

313
00:14:51,318 --> 00:14:53,078
lme4.

314
00:14:54,318 --> 00:14:57,238
A dáte instalovat. Já už ho instalovaný

315
00:14:57,238 --> 00:14:59,398
mám, takže nemusím instalovat.

316
00:15:01,098 --> 00:15:01,538
A

317
00:15:06,608 --> 00:15:09,568
LME4 jak vidíte je

318
00:15:09,568 --> 00:15:12,168
tady, takže když já si ho takto zapnu

319
00:15:12,168 --> 00:15:14,928
nebo napíšete přímo do textu library

320
00:15:15,328 --> 00:15:17,568
lme4, tak se nám

321
00:15:18,478 --> 00:15:19,758
ten balíček zaktivuje.

322
00:15:21,198 --> 00:15:24,158
A zde si vytvoříme

323
00:15:24,158 --> 00:15:27,118
zase nejprve objekt, třeba

324
00:15:27,118 --> 00:15:28,158
reml1 si ho nazveme.

325
00:15:30,198 --> 00:15:32,438
Zde použijeme funkci, která v tom balíčku

326
00:15:32,438 --> 00:15:33,878
je a to je LMR.

327
00:15:36,368 --> 00:15:38,008
A zase si musím nadefinovat tu

328
00:15:38,008 --> 00:15:40,928
jednoduchou rovnici, takže zase y.

329
00:15:43,498 --> 00:15:46,308
tilda a za

330
00:15:46,308 --> 00:15:48,588
to musíme tentokrát ale trochu

331
00:15:48,588 --> 00:15:50,948
jinak nadefinovat

332
00:15:51,468 --> 00:15:53,588
tu rovnici jako

333
00:15:53,588 --> 00:15:56,228
 1 plus a v

334
00:15:56,228 --> 00:15:58,838
závorce. Bude

335
00:15:58,838 --> 00:16:01,798
 1, kolmá

336
00:16:01,798 --> 00:16:04,608
čára. A dál napíšeme

337
00:16:04,608 --> 00:16:05,208
otec.

338
00:16:07,758 --> 00:16:09,958
To je vše akorát zase nadefinujeme, že ta

339
00:16:09,958 --> 00:16:12,518
naše data jsou data1, z kterch to má

340
00:16:12,518 --> 00:16:15,478
počítat. Abych si výsledek zase

341
00:16:15,478 --> 00:16:18,038
zobrazil, tak napíšeme summary.

342
00:16:20,248 --> 00:16:22,568
našeho výpočtu reml1.

343
00:16:24,508 --> 00:16:27,428
A když to označíme

344
00:16:27,428 --> 00:16:30,428
a dáme ctrl + enter, tak se nám zobrazí

345
00:16:30,428 --> 00:16:32,948
celková tabulka této analýzy,

346
00:16:33,548 --> 00:16:35,908
kde si můžeme všimnout, že

347
00:16:36,788 --> 00:16:38,668
tyto 2 řádky jsou pro nás důležité.

348
00:16:40,038 --> 00:16:42,238
Kdy jak vidíte nám přímo

349
00:16:42,678 --> 00:16:44,758
tento výpočet

350
00:16:45,758 --> 00:16:48,358
remlem spočítal přímo genetickou

351
00:16:48,358 --> 00:16:50,758
varianci podle otců a tu

352
00:16:50,758 --> 00:16:52,678
reziduální varianci čili prostředkovou

353
00:16:52,678 --> 00:16:55,478
varianci, takže se nám tímto výpočtem

354
00:16:55,478 --> 00:16:58,358
ještě zkrátí proces, kdy nepočítáme

355
00:16:58,718 --> 00:17:01,198
varianci otcovskou a varianci reziduální,

356
00:17:01,478 --> 00:17:03,158
ale přímo nám spočítá genetickou

357
00:17:03,158 --> 00:17:04,878
varianci a prostřeďovou varianci.

358
00:17:06,318 --> 00:17:08,278
Ale zase to potom musíme dát do těch

359
00:17:08,398 --> 00:17:10,558
výpočtových vzorečků pro výpočet 

360
00:17:10,558 --> 00:17:12,478
intraklasního korelačního koeficientu

361
00:17:12,998 --> 00:17:15,238
a pro výpočet

362
00:17:15,238 --> 00:17:16,038
heritability.

363
00:17:19,158 --> 00:17:22,038
Takže děkuji za pozornost a určitě si to

364
00:17:22,038 --> 00:17:23,118
ještě vyzkoušejte.