Россия
Аннотация. Цель исследований – возможность применения уравнения множественной двухфакторной регрессии для раскрытия достоверной сопряженности признаков, влияющих на уровень молочной продуктивности коров голштинской породы. Методы исследований. Исследования проводились в ЗАО СП «Аксиньино» Ступинского района Московской области. На основе ИАС «СЕЛЭКС» была создана база данных, включающая выборку по 11 017 головам. Данные о молочной продуктивности были взяты за 305 дней 1-й, 2-й, 3-й и максимальной лактаций. Результаты. За 305 дней 1-й лактации удой составил в среднем 7909,5 кг молока, за 2-ю – 8289,1 кг (p ≤ 0,001), за 3-ю – 8446,2 кг (p ≤ 0,001). Удой за максимальную лактацию составил 8964,3 кг молока (p ≤ 0,001). Содержание жира и белка в молоке коров в промежутке между 1-й и 3-й лактацией составляет 4,03–4,08 и 3,22–3,23 % соответственно. Коэффициент множественной двухфакторной регрессии представляет смещение отклика от 7787,81–8239,00 (1-я, 2-я, 3-я лактации) до 8841,63 (максимальная лактация). Диаграммы рассеяния модели множественной регрессии показывают, что значение переменной величины «удой» статистически зависимо от показателей массовой доли жира и массовой доли белка в молоке. Коэффициент детерминации на уровне 0,997–0,998 свидетельствует о том, что уравнением регрессии объясняется 99,7–99,8 % дисперсии результативного признака. Значимость F-критерия Фишера говорит о высокой достоверности результатов и отсутствии случайности и наличия оправданной в нашем исследовании закономерности. Содержание жира и белка имело отрицательную связь с удоем (p ≤ 0,001) по лактациям. Получены высокие значения взаимосвязи между уровнем удоя и содержанием белка (–0,518…–0,766), содержанием жира и белка (0,626–0,784). Научная новизна. Впервые проведены исследования на соответствие модели уравнения полученным экспериментальным данным и наличие количества независимых переменных (массовая доля жира и белка), включенных в уравнение для описания зависимой переменной (удой).
множественная регрессия, коровы, лактация, удой, массовая доля жира, массовая доля белка
1. Лепехина Т. В. Корреляционная связь и наследуемость основных хозяйственно-полезных признаков у коров разных генераций: автореф. дис. … канд. биол. наук [Электронный ресурс]. URL: https://www.dissercat.com/content/korrelyatsionnaya-svyaz-i-nasleduemost-khozyaistvenno-poleznykh-priznakov-u-korov-raznykh-ge (дата обращения: 23.08.2021).
2. Контэ А. Ф., Игнатьева Л. П. Многофакторный регрессионный анализ показателей типа телосложения коров-первотелок черно-пестрой голштинизированной породы Подмосковья // Вестник Ульяновской ГСХА. 2020. № 4 (52). С. 226-231.
3. Дунин И. М. Наши усилия должны быть направлены на снижение зависимости от импортного племенного материала и генетических технологий // Аграрная наука. 2021. № 5. С. 36-37.
4. Гомидова, В. С. Множественная регрессия и корреляция [Электронный ресурс]. URL: http://scienceforum.ru/2015/article/2015008364 /ahttps://scienceforum.ru/2015/article/2015008364 (дата обращения: 19.08.2021).
5. Тарасова Е. И. Гены-маркеры продуктивных характеристик молочного скота [Электронный ресурс]. URL: https://cyberleninka.ru/article/n/geny-markery-produktivnyh-harakteristik-molochnogo-skota-obzor (дата обращения: 19.08.2021).
6. Максимова Т. Г., Попова И. Н. Эконометрика: учебно-методическое пособие. Санкт-Петербург: Университет ИТМО, 2018. 70 с.
7. Мартынова Е. Н., Исупова Ю. В. Экстерьерные особенности и молочная продуктивность голштинизированных коров холмогорской породы разных генераций // Пермский аграрный вестник. 2018. № 1 (21). С. 125-131.
8. Шилова З. В., Шилов О. И. Теория вероятностей и математическая статистика: учебное пособие. Киров: Изд-во ВГГУ, 2015. 158 с.
9. Norouzian M. A., Bayatani H., Alavijeh M. V. Comparison of artificial neural networks and multiple linear regression for prediction of dairy cow locomotion score [Электронный ресурс]. URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8094148 (дата обращения: 23.08.2021).
10. Popescu A. Regresion modelling in predicting milk production depenting on dairy bovine livestock [Электронный ресурс]. URL: https://www.researchgate.net/publication/292361817 (дата обращения: 23.08.2021).
11. Yamazaki T., Takeda H., Hagiya K., Yamaguchi S., Sasaki O. Prediction of random-regression coefficient for daily milk yield after 305 days in milk by using the regression-coefficient estimates from the first 305 days [Электронный ресурс]. URL: https://pdfs.semanticscholar.org/b5a4/b2bfd68ef8a61bfa7e8ae817e9a60f9cf4f6.pdf (дата обращения: 23.08.2021).
12. Кольцов С.Н. Регрессионный анализ [Электронный ресурс]. URL: https://docplayer.com/29963508-Regressionnyy-analiz-kolcov-s-n.html (дата обращения: 23.08.2021).
13. Токарев Д. В. Линейная регрессия [Электронный ресурс]. URL: https://masters.donntu.org/2005/kita/tokarev/library/linreg.htm (дата обращения: 23.08.2021).
14. Вильвер Д. С. Взаимосвязь хозяйственно-полезных признаков коров различных генотипов [Электронный ресурс]. URL: https://cyberleninka.ru/article/n/vzaimosvyaz-hozyaystvenno-poleznyh-priznakov-korov-razlichnyh-genotipov (дата обращения: 23.08.2021).
15. Галочкин В. Т., Латыш А. Р. Исследование уравнения множественной линейной регрессии [Электронный ресурс]. URL: https://cyberleninka.ru/article/n/issledovanie-uravneniya-mnozhestvennoy-lineynoy-regressii/viewer (дата обращения: 05.09.2021).
16. Корреляция и регрессия. Информационная грамотность [Электронный ресурс]. URL: https://biconsult.ru/services/korrelyaciya-i-regressiya (дата обращения: 05.09.2021).
17. Линейная регрессия и множественная регрессия: в чем разница [Электронный ресурс]. URL: https://nesrakonk.ru/what-difference-between-linear-regression-and-multiple-regression/ (дата обращения: 05.09.2021).
18. Гедранович А. Б. Модели парной и множественной регрессии [Электронный ресурс]. URL: http://www.miu.by/rus/kaf_ep/kaf_download/24169_90115326.pdf (дата обращения: 05.09.2021).
19. Ayalew W., Aliy M., Negussie E. Estimation of genetic parameters of the productive and reproductive traits in Ethiopian Holstein using multi-trait models // Asian Australasian Journal of Animal Sciences. 2017. № 30 (11). Pp. 1550-1556. DOI:https://doi.org/10.5713/ajas.17.0198.
20. Lu H., Wang Y., Bovenhuis H. Phenotypic and genetic effects of season on milk production traits in dairy cattle in the Netherlands // Journal of Dairy Science. 2020. Vol. 104. Iss. 4. Pp. 4486-4497.
21. Lu H., Bovenhuis H. Phenotypic and genetic effects of pregnancy on milk production traits in Holstein-Friesian cattle // Journal of Dairy Science. 2020. Vol. 103. Iss. 12. Pp. 11597-11604.
