Bonjour.
J'espère que ma question est pertinente...
Voilà j'ai à traiter des données binaires. En pratique ils s'agit de données gaussiennes simulées et ensuite binarisées à l'aide d'un seuil.
En génétique animale il y a plusieurs façons de traiter ce type de données :
- avec des algorithmes dédiés (Mode A Posteriori, cf Gianola et Foulley, 1994 par exemple) et j'ai réussi à le programmer en R dans un cas archi simple,
- en traitant la donnée comme une donnée continue puis en utilisant la formule de Dempster et Lerner qui tient compte de la fréquence d'apparition du phénotype 1 vs. 0. Dans ce cas, j'utilise lmer de lme4 ou proc mixed de SAS et ça fonctionne.
- en utilisant un logiciel adapté à la nature discrète des données. J'ai pensé utiliser glmer sur les données binarisées. Et ça tourne. Apparemment c'est tout simple, la syntaxe est quasi identique à lmer et il faut juste préciser la nature des données.
Mon problème c'est l'interprétation des résultats. J'ai des données simulées donc je sais à peu près quelle valeur de variance et donc d'héritabilité je dois attendre. Et d'ailleurs je suis assez satisfait de ce que j'obtiens avec les 2 premières solutions évoquées.
J'ai un modèle père + mère. Mon h² est égale à 4 fois la variance père divisée par la somme des variances. Ca roule.
Avec le modèle généralisé, je n'obtiens pas d'estimation pour la variance résiduelle. Normal, car elle est fixée à 1 (c'est bien ça ??). Et alors j'ai une h² qui est très forte. Voire qui dépasse 1.
Je n'ai pas mis de données chiffrées (mais je les ai). Je voulais savoir si je n'avais pas loupé une étape majeure dans mon raisonnement. Est-ce que glmer est utilisable pour ce type d'analyse ?
Merci.