| Summary: | === Structural Equation Models (SEM) can be used to study recursive and simultaneous relationships in multivariate analyses. Nonetheless, the number of different recursive causal structures that can be usedfor fitting a SEM to multivariate data can be huge, even when only a few traits are considered. In recent applications of SEM in mixed model quantitative genetics settings, causal structures were preselectedbased on prior biological knowledge alone. Therefore, the wide range of possible causal structures has not been properly explored. Alternatively, causal structure spaces can be explored using algorithms which, using data driven evidence, can search for structures that are compatible with the joint distribution of the variables under study. However, the search cannot be performed directly on the joint distribution of the phenotypes as it is possibly confounded by genetic covariance among traits. In this thesis, we propose to search for recursive causal structures among phenotypes using the IC algorithm after adjusting the data for genetic effects. A standard multiple trait model is fitted to obtain a posterior covariance matrix of phenotypes conditional to unobservable additive genetic effects, which is then used as input for the IC algorithm. === Modelos de equações estruturais (MEEs) podem ser utilizados para estudar relacionamentos de recursividade e feedback em análise multivariada. O número de estruturas causais recursivas distintasque podem ser utilizadas para ajustar tais modelos pode ser muito grande, mesmo no estudo de um pequeno conjunto de características. Em aplicações recentes de MEEs no contexto de modelos mistosem genética quantitativa, as estruturas causais foram pré-selecionadas utilizando apenas conhecimento biológico a priori. Desta forma, a ampla gama de estruturas causais possíveis não tem sido adequadamente explorada. Como alternativa, espaços de estruturas causais podem ser explorados por meio de algoritmos que, orientados por evidências nos dados, podem buscar por estruturas causais que são compatíveis com a distribuição conjunta das variáveis estudadas. Entretanto, a busca não pode ser realizada diretamente na distribuição conjunta dos fenótipos, uma vez que esta se apresenta potencialmente confundida por covariâncias genéticas. Na presente tese, o autor propõe buscar porestruturas causais recursivas entre fenótipos utilizando o algoritmo IC após ajustar os dados para efeitos genéticos. Para isso, ajusta-se um modelo multicaracterísticas padrão para se obter a matriz decovariância fenotípica condicionalmente aos efeitos genéticos não-observáveis, que é posteriormente submetida ao algoritmo IC.
|
|---|
