Free Access
Issue
Genet. Sel. Evol.
Volume 32, Number 2, March-April 2000
Page(s) 143 - 163
DOI https://doi.org/10.1051/gse:2000111
DOI: 10.1051/gse:2000111

Genet. Sel. Evol. 32 (2000) 143-163

The PX-EM algorithm for fast stable fitting of Henderson's mixed model

Jean-Louis Foulleya - David A. Van Dykb

aStation de génétique quantitative et appliquée Institut national de la recherche agronomique 78352 Jouy-en-Josas Cedex, France
bDepartment of Statistics, Harvard University Cambridge, MA 02138, USA

(Received 7 September 1999; accepted 3 January 2000)

Abstract:

This paper presents procedures for implementing the PX-EM algorithm of Liu, Rubin and Wu to compute REML estimates of variance covariance components in Henderson's linear mixed models. The class of models considered encompasses several correlated random factors having the same vector length e.g., as in random regression models for longitudinal data analysis and in sire-maternal grandsire models for genetic evaluation. Numerical examples are presented to illustrate the procedures. Much better results in terms of convergence characteristics (number of iterations and time required for convergence) are obtained for PX-EM relative to the basic EM algorithm in the random regression.


Keywords: EM algorithm / REML / mixed models / random regression / variance components

Résumé:

L'algorithme PX-EM dans le contexte de la méthodologie du modèle mixte d'Henderson. Cet article présente des procédés permettant de mettre en \oeuvre l'algorithme PX-EM de Liu, Rubin et Wu à des modèles linéaires mixtes d'Henderson. La classe de modèles considérée concerne plusieurs facteurs aléatoires corrélés ayant la même dimension vectorielle comme c'est le cas avec les modèles de régression aléatoire dans l'analyse des données longitudinales ou avec les modèles père-grand-père maternel en évaluation génétique. Des exemples numériques sont présentés pour illustrer ces techniques. L'algorithme PX-EM présente de nettement meilleurs résultats en terme de caractéristiques de convergence (nombre d'itérations et temps de calcul) que l'EM de base sur les exemples ayant trait à des modèles de régression aléatoire.


Mots clé : algorithme EM / REML / modèles mixtes / régression aléatoire / composantes de variance

Correspondence and reprints: Jean-Louis Foulley
foulley@jouy.inra.fr

Copyright INRA, EDP Sciences

Current usage metrics show cumulative count of Article Views (full-text article views including HTML views, PDF and ePub downloads, according to the available data) and Abstracts Views on Vision4Press platform.

Data correspond to usage on the plateform after 2015. The current usage metrics is available 48-96 hours after online publication and is updated daily on week days.

Initial download of the metrics may take a while.