Evaluation of Growth in Broiler Chicken Using General Linear and Multi-Level Linear Growth Models

Year 2020, , 163 - 171, 30.06.2020

Volkan İzgi Suna Akkol , Ahmet Tekeli

https://doi.org/10.19159/tutad.692328

Abstract

This study was conducted to compare the growth curve models using general linear and multi-level linear growth models and to determine the differences in growth in broiler chickens. For this purpose, a data set containing live weight records of 74 male broiler chickens was used. The measurements were recorded individually, once a week, from hatching to the sixth week. For the analysis of the data, five different growth models, two of the general linear models, and three of the multi-level linear models were used. To find the model that best explains the change; log-likelihood (ll), Akaike information criterion (AIC), Bayes information criterion (BIC), corrected Akaike information criterion (AICC) and Likelihood ratio test (LRT) were used. The results of the study showed that multi-level growth models make more precise predictions than general linear models, and the model that best describes growth is the “random intercept and random slope quadratic growth model” with the smallest fit criteria. According to this model, it was demonstrated that the chickens had significantly different weights since hatching, where the linear and quadratic effect on growth was significant in male broiler chickens, and that individual differences continued significantly during the period of growth.

Keywords

Ross broiler, growth curve, hierarchical data, repeated measurement, covariance structure

Genel Doğrusal ve Çok Seviyeli Doğrusal Büyüme Modelleri Kullanılarak Etlik Piliçlerde Büyümenin Değerlendirilmesi

Abstract

Bu çalışma, genel doğrusal ve çok seviyeli doğrusal büyüme modellerini kullanarak büyüme eğrisi modellerini karşılaştırmak ve etlik piliçlerde büyümedeki farklılıkların tespit edilmesi amacıyla yapılmıştır. Bu amaçla 74 erkek etlik pilicin canlı ağırlık kayıtlarını içeren veri seti kullanılmıştır. Ölçümler yumurtadan çıkıştan altıncı haftaya kadar haftada bir olmak üzere bireysel olarak kaydedilmiştir. Verilerin analizi için, genel doğrusal modellerden iki ve çok seviyeli doğrusal modellerden üç olmak üzere beş farklı büyüme modeli kullanılmıştır. Değişimi en iyi açıklayan modeli bulmak için; log olabilirlik (log-likelihood, ll), Akaiki bilgi ölçütü (Akaike Information Criteria, AIC), Bayes bilgi ölçütü (Bayesian Information Criteria, BIC), düzeltilmiş Akaiki bilgi ölçütü (AIC Corrected, AICC) ve olabilirlik oran testi (Likelihood Ratio Test, LRT)’nden faydalanılmıştır. Çalışmanın sonuçları, çok seviyeli büyüme modellerinin genel doğrusal modellerden daha hassas tahminler yaptığını ve büyümeyi en iyi açıklayan modelin en küçük uyum ölçütlerine sahip “kesim noktası ve eğimin şansa bağlı olduğu kuadratik büyüme modeli” olduğunu ortaya koymuştur. Bu modele göre, erkek etlik piliçlerde büyüme üzerine zamanın lineer ve kuadratik etkisiyle birlikte yumurtadan çıkıştan itibaren büyümenin takip edildiği süre boyunca bireysel farklılıkların anlamlı olduğu sonucuna varılmıştır.

Keywords

Ross etlik piliç, büyüme eğrisi, hiyerarşik veri, tekrarlamalı ölçüm, kovaryans yapısı

References

• Akaike, H., 1974. A new look at the statistical model identification. IEEE Transaction on Automatic Control, 19(6): 716-724.
• Akbulut, Ö., Bayram, B., Tüzemen, N., 2004. Esmer sığırlarda büyümenin doğrusal olamayan modellerle analizi. Atatürk Üniversitesi Ziraat Fakültesi Dergisi, 35(3-4):165-168.
• Akkol, S.G., 1998. REML ve DFREML yöntemlerinin ıslah amaçlı çalışmalarda kullanılması. Yüksek lisans tezi, Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü, Van.
• Akkol, S., Gökdal, Ö., Atay, O., 2019. Evaluation of individual growth performance of goat kids by using multilevel models. International Journal of Scientific and Technological Research, 5(3): 88-98.
• Akkol, S., Karakuş, F., Cengiz, F., 2018. Multilevel analysis for repeated measures data in lambs1. Journal of Agricultural Sciences, 24(2): 218-226.
• Alkan, S., Birgül, Ö.B., 2016. Etlik piliçlerde embriyonun erken ve geç gelişim dönemlerinde yapılan yüksek ısıl uygulamaların büyüme özelliklerine etkileri. Mediterranean Agricultural Sciences, 29(3): 149-154.
• Araújo, C.C., Rodrigues, K.F., Vieira Vaz, R.G.M., Conti, A.C.M., Amorim, A.F., Campos, C.F.A., 2018. Analysis of growth curves in different lineages of Caipira broiler type. Acta Scientiarum Animal Sciences, v40: e38806.
• Bayram, B., Akbulut, Ö., 2009. Esmer ve Siyah Alaca sığırlarda büyüme eğrilerinin doğrusal ve doğrusal olmayan modellerle analizi. Hayvansal Üretim, 50(2): 33-40.
• Bilgin, Ö.C., Esenbuğa, N., 2003. Doğrusal olmayan büyüme modellerinde parametre tahmini. Hayvansal Üretim, 44(2): 81-90.
• Breslow, N.E., Clayton, D.G., 1993. Approximate inference generalized linear mixed models. Journal of the American Statistical Association, 88(421): 9- 25.
• Browne, W.J., 1998. Applying MCMC methods to multilevel models. PhD dissertation, (http://seis.bris. ac.uk/-frwjb/materials/wbphd.pdf), (Erişim tarihi: 10.11.2019).
• Browne, W.J., Draper, D., 2001. A Comparison of Bayesian and Likelihood-Based Methods for Fitting Multilevel Models. Computational Statistics. Institute of Education, University of London. UK.
• Çolak, C., Orman, M.N., Ertuğrul, O., 2006a. Simental X Güney Anadolu kırmızısı sığırlarının beden ölçümleri için basit doğrusal ve lojistik büyüme modelleri. Ankara Üniversitesi Veteriner Fakültesi Dergisi, 53(3): 195-199.
• Çolak, C., Orman, M.N., Ertuğrul, O., 2006b. Simental X Güney Anadolu kırmızısı sığırlarına ait canlı ağırlık ölçümlerine dayanan için doğrusal ve doğrusal olmayan büyüme eğrileri. Lalahan Hayvancılık Araştırma Enstitüsü Dergisi, 46(1): 1-5.
• Daskiran, I., Koncagul, S., Bingol, M., 2010. Growth characteristics of indigenous norduz female and male lambs. Journal of Agricultural Sciences, 16(1): 62-69.
• Demuner, L.F., Suckeveris, D., Muñoz, J.A., Caetano, V.C., Lima, C.G., Filho, D.E.F., Faria, D.E., 2017. Adjustment of growth models in broiler chickens. Pesquisa Agropeccuaria Brasileira, 52(12): 1241-1252.
• Efe, E., 1990. Büyüme eğrileri. Doktora tezi (Basılmamış), Çukurova Üniversitesi Fen Bilimleri Enstitüsü, Adana.
• Eleroğlu, H., Yıldırım, A., Canikli, A., Duman, M., Bircan, H., 2018. Analysis of growth curves of guinea (Numida meleagris) fed diets containing dry oregano (Origanum vulgare L.) in an organik sistem. Ciencia Investigación Agrarıa, 45(2): 99-108.
• Fırat, M.Z., Bek, Y., 1997. Varyans unsurlarının tahmini için maksimum olabilirlik metotlarının karşılaştırmalı olarak incelenmesi. Çukurova Üniversitesi Ziraat Fakültesi Dergisi, 12(1): 1-8.
• Ghaderi-Jzefrehei, M., Rafeie, F., Behzadi, M.R.B., Nazari, S., Dolatabadi, M., Samadian, F., Najafabadi, H.A., 2018. Simple hierarchical and general nonlinear growth modeling in sheep. Turkish Journal of Veterinary And Animal Sciences, 42(4): 326-334.
• Goldstein, H., 2011. Multilevel Statistical Models. 4th Ed., John Wiley & Sons, Ltd. Chichester, United Kingdom.
• Hedeker, D., 2004. An introduction to growth modeling. In: D. Kaplan (Ed.), The sage handbook of quantitative methodology for the social sciences, Thou-Sand Oaks, CA: Sage Publications, pp. 215- 234.
• Hurvich, C.M., Tsai, C.L., 1989. Regression and time series model selection in small samples. Biometrika, 76(2): 297-307.
• Kocabaş, Z., Kesici, T., Eliçin, A., 1997. Akkaraman İvesi X Akkaraman ve Malya X Akkaraman kuzularında büyüme eğrisi. The Turkish Journal of Veterinary and Animal Sciences, 21(3): 267-275.
• Kristjansson, S.D., Kircher, J.C., Webb, A.K., 2007. Multilevel models for repeated measures research signs in psychophysiology: An introduction to growth curve modeling. Psychophysiology, 44(5): 728-736.
• Lin, X., Breslow, N.E., 1996. Bias correction in generalized linear mixed models with multiple components of dispersion. Journal of The American Statistical Association, 91(435): 1007-1016.
• Masoudi, A., Azarfar, A., 2017. Comparison of nonlinear models describing growth curves of broiler chickens fed on different levels of corn bran. International Journal of Avian and Wildlife Biology, 2(1): 1-7.
• Michalczuk, M., Damaziak, K., Goryl, A., 2016. Sigmoid models for the growth curves in medium– growing meat type chickens, raised under semi – confined conditions. Annals Animal Science, 16(1): 65-77.
• Patterson, H.D., Thompson, R., 1971. Recovery of inter- block information when block sizes are unequal. Biometrika, 58(3): 545-554.
• Raudenbush, S.W., Bryk, A.S., 2002. Hierarchical Linear Models: Applications and Data Analysis Methods. 2nd Ed., Newbury Park, CA: Sage.
• Schwarz, G., 1978. Estimating the dimensions of a model. Annals of Statistics, 6(2): 461-464.
• Ser, G., Kaki, B., Yeşilova, A., Yılmaz, A., 2013. Genel doğrusal karışık modellerde farklı kovaryans yapıları ve tahmin yöntemlerinin performanslarının karşılaştırılması. Hayvansal Üretim, 54(2): 18-23.
• Simsek, B., Firat, M.Z., 2011. Application of multilevel analysis in animal sciences. Applied Mathematics and Computation, 218(3): 1067-1071.
• Singer, J.D., 1998. Using SAS PROC MIXED to fit multilevel models, hierarchical models and individual growth models. Journal of Educational and Behavioral Statistics, 23(4): 323-355.
• Topal, M., Ozdemir, M., Aksakal, V., Yildiz, N., Dogru, U., 2004. Determination of the best nonlinear function in order to estimate growth in Morkaraman and Awassi lambs. Small Ruminant Research, 55(1- 3): 229-232.
• Ünalan, A., Çankaya, S., 2012. Jersey sığırlarda süt verimine ait varyans unsurlarının farklı yöntemlerle tahmini. Anadolu Tarım Bilimleri Dergisi, 27(1): 41- 47.
• Van Der Leeden, R.,1998. Multilevel analysis of repeated measures data. Quality and Quantity, 32(1): 15-29.
• Yıldız, G., Soysal, M.İ., Gürcan, E.K., 2009. Tekirdağ ilinde yetiştirilen Karacabey Merinosu X Kıvırcık Melezi kuzularda büyüme eğrisinin farklı modellerle belirlenmesi. Tekirdağ Ziraat Fakültesi Dergisi, 6(1): 11-19.
• Zhao, Z., Li, S., Huang, H., Li, C., Wang, Q., Xue, L., 2015. Comparative study on growth and developmental model of indigenous chicken breeds in China. Open Journal of Animal Sciences, 5(02): 219-223.