Am diesjährigen Biometrischen Kolloquium in Halle nahm die AG 1 „Biometrie und Bioinformatik“ der GPZ gemeinsam mit der AG Versuchswesen der Gesellschaft für Pflanzenbauwissenschaften, des AK Biometrie und Versuchsmethodik der Deutschen Phytomedizinischen Gesellschaft sowie der AG Landwirtschaftliches Versuchswesen der Deutschen Region der Internationalen Biometrischen Gesellschaft teil.
Bei diesem Kolloquium gab es einen ausgeprägten agrarwissenschaftlichen Schwerpunkt mit einer Reihe von Vorträgen zur QTL Kartierung bei Nutztieren und Kulturpflanzen sowie zur Anwendung von gemischten Modellen bei verschiedenen agrarwissenschaftlichen Fragestellungen, z.B. bei der Auswertung von Sortenversuchen für das Offizialprüfwesen. Ein weiteres Schwerpunktthema waren statistische Verfahren für Genexpressionsdaten. In diesem Jahr waren außerdem Kollegen der Polnischen Region der Internationalen Biometrischen Gesellschaft zu Gast, und viele von diesen hielten Vorträge mit Bezug zur Versuchsplanung basierend auf gemischten Modellen.
Höhepunkt aus agrarwissenschaftlicher Sicht waren zwei eingeladene Vorträge: Prof. Walter Stroup (University of Nebraska, Lincoln) berichtete zur Versuchsplanung für Feldversuche basierend auf geostatistischen Methoden sowie für die nichtlineare Regression für Ertragsfunktionen mehrerer Einflussvariabler. Der Vortrag machte unter anderem deutlich, dass die Verfügbarkeit geostatistischer Verfahren zur Auswertung von Feldversuchen kein Ersatz für eine fundierte Versuchsplanung ist. Es wurden verschiedene, einfach zu implementierende Werkzeuge für die Versuchsplanung bei avisierter geostatistischer Auswertung vorgestellt und anhand von Beispielen erläutert.
Der zweite Gast, Dr. Oliver Schabenberger (SAS Institute) trug zum Thema “reduced rank spline regression” vor. Diese Verfahren beruhen auf einer elementaren Beziehung zwischen dem Strafterm einer Spline-Regression und Varianzkomponenten im gemischten Modell. Sie erlauben es, komplexe funktionale Zusammenhänge durch eine nichtparametrische glättende Regression anzupassen. Die Glättung ist im Allgemeinen stärker als bei anderen Spline-Verfahren, weil die Regressionskoeffizienten des Splines als zufällige Effekte modelliert werden, welche durch eine Schrumpfungsschätzung (best linear unbiased prediction) geschätzt werden. Interessante Anwendungen ergeben sich in verschiedenen Bereichen, so z.B. in der geostatistischen Auswertung großer raumbezogener Datensätze, wie sie im Zusammenhang mit der teilflächenspezifischen Bewirtschaftung sowie der GPS-basierten Ertragskartierung in immer größerem Maße anfallen, oder bei der Normalisierung von Genexpressionsdaten. Hier stoßen klassische Verfahren, wie das Kriging, an rechentechnische Grenzen, wenn die Zahl der Datenpunkte in die Tausende geht, vor allem bei Verwendung von likelihood-basierten Verfahren.
(H.-P. Piepho, Hohenheim)