کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10973153 1108011 2016 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Technical note: Bayesian calibration of dynamic ruminant nutrition models
ترجمه فارسی عنوان
یادداشت های فنی: کالیبراسیون بیزی برای مدل های تغذیه ای روزمره خوابیده
کلمات کلیدی
روش های بیزی، نشخوار کننده مدل سازی مکانیکی،
ترجمه چکیده
مدل های مکانیکی هضم و متابولیسم گوسفند، درک ما از فرآیندهای فیزیولوژی حیوانات جسمی را تقویت کرده است. شیوه های مدل سازی دقیق، تغییرات ذاتی در داخل و در میان حیوانات فردی را نادیده می گیرند و بدین ترتیب هیچ راهی برای ارزیابی اینکه چگونه منابع خطا نتایج خروجی های مدل را تحت تاثیر قرار می دهد، ندارند. ما کالیبراسیون بیزی را از مدل های ریاضی معرفی می کنیم تا نیاز به ابزارهای مدل سازی مکانیکی قوی داشته باشیم که می توانند تجزیه و تحلیل خطا را با باقی ماندن در محدوده برآورد پارامترهای مبتنی بر داده ها جای دهند. به منظور پیش بینی، رویکرد بیزی، یک توزیع پیش بینی خفیف تولید می کند که نشان دهنده برآورد جاری از ارزش متغیر پاسخ است، با توجه به عدم اطمینان در مورد پارامترها و تغییرات باقی مانده مدل. پیش بینی ها به عنوان توزیع های احتمالی بیان می شوند، بنابراین اطلاعات قابل توجهی بیشتر از تخمین های نقطه در رابطه با عدم اطمینان انتقال می یابد. مطالعه ما برخی از مزایای فنی کالیبراسیون بایس را نشان می دهد و دیدگاه های آینده را در زمینه مدل سازی تغذیه حیوانات مورد بحث قرار می دهد.
موضوعات مرتبط
علوم زیستی و بیوفناوری علوم کشاورزی و بیولوژیک علوم دامی و جانورشناسی
چکیده انگلیسی
Mechanistic models of ruminant digestion and metabolism have advanced our understanding of the processes underlying ruminant animal physiology. Deterministic modeling practices ignore the inherent variation within and among individual animals and thus have no way to assess how sources of error influence model outputs. We introduce Bayesian calibration of mathematical models to address the need for robust mechanistic modeling tools that can accommodate error analysis by remaining within the bounds of data-based parameter estimation. For the purpose of prediction, the Bayesian approach generates a posterior predictive distribution that represents the current estimate of the value of the response variable, taking into account both the uncertainty about the parameters and model residual variability. Predictions are expressed as probability distributions, thereby conveying significantly more information than point estimates in regard to uncertainty. Our study illustrates some of the technical advantages of Bayesian calibration and discusses the future perspectives in the context of animal nutrition modeling.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Dairy Science - Volume 99, Issue 8, August 2016, Pages 6362-6370
نویسندگان
, , , ,