Robust QTL effect estimation using the Minimum Distance method
نویسندگان
چکیده
منابع مشابه
Robust QTL analysis by minimum β - divergence method
Robustness has received too little attention in Quantitative Trait Loci (QTL) analysis in experimental crosses. This paper discusses a robust QTL mapping algorithm based on Composite Interval Mapping (CIM) model by minimising β-divergence using the EM like algorithm. We investigate the robustness performance of the proposed method in a comparison of Interval Mapping (IM) and CIM algorithms usin...
متن کاملRobust Minimum Distance Estimation for Nonlinear Semi-Strong GARCH Models
We develop a class of Minimum Distance Estimators for semi-strong Nonlinear ARMAX-Nonlinear GARCH processes. The estimators are asymptotically normal for possibly very heavy-tailed data due to underlying shocks and/or model parameter values. In particular we only impose trivial moment conditions on the GARCH errors, covering non-stationary GARCH. The MDE class is couched within a Method of Mome...
متن کاملbuckling of viscoelastic composite plates using the finite strip method
در سال های اخیر، تقاضای استفاده از تئوری خطی ویسکوالاستیسیته بیشتر شده است. با افزایش استفاده از کامپوزیت های پیشرفته در صنایع هوایی و همچنین استفاده روزافزون از مواد پلیمری، اهمیت روش های دقیق طراحی و تحلیل چنین ساختارهایی بیشتر شده است. این مواد جدید از خودشان رفتارهای مکانیکی ارائه می دهند که با تئوری های الاستیسیته و ویسکوزیته، نمی توان آن ها را توصیف کرد. این مواد، خواص ویسکوالاستیک دارند....
Minimum Local Distance Density Estimation
We present a local density estimator based on first order statistics. To estimate the density at a point, x, the original sample is divided into subsets and the average minimum sample distance to x over all such subsets is used to define the density estimate at x. The tuning parameter is thus the number of subsets instead of the typical bandwidth of kernel or histogram-based density estimators....
متن کاملRobust minimum information loss estimation
Two robust estimators of amatrix-valued location parameter are introduced and discussed. Each is the average of the members of a subsample – typically of covariance or crossspectrum matrices – with the subsample chosen to minimize a function of its average. In one case this function is the Kullback–Leibler discrimination information loss incurred when the subsample is summarized by its average;...
متن کاملذخیره در منابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ژورنال
عنوان ژورنال: Heredity
سال: 1999
ISSN: 0018-067X,1365-2540
DOI: 10.1038/sj.hdy.6885800