Функциональные резервы щитовидной железы и тестостеронсинтезирующей системы у коров с разной молочной продуктивностью и их телят тема диссертации и автореферата по ВАК РФ 03.03.01, кандидат наук Ротмистровская, Елена Геннадьевна
- Специальность ВАК РФ03.03.01
- Количество страниц 208
Оглавление диссертации кандидат наук Ротмистровская, Елена Геннадьевна
ОГЛАВЛЕНИЕ
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ 5
1. ОБЗОР ЛИТЕРАТУРЫ 10
1.1 Роль эндокринной системы в обмене веществ и продуктивности животных 10
1.2 Значение тестостерона в организме животных 15
1.3 Роль щитовидной железы в организме животных 21
1.4 Прогнозирование молочной продуктивности крупного рогатого скота 34
2. МАТЕРИАЛЫ И МЕТОДЫ ИИСЛЕДОВАНИЙ 40
3. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ И ИХ ОБСУЖДЕНИЕ 44
3.1 Динамика суточных удоев у подопытных лактирующих коров 44
3.2 Уровень общего белка в крови лактирующих коров с разной молочной продуктивностью 45
3.3 Динамика общих липидов в крови лактирующих коров 48
3.4 Динамика общего холестерола в крови лактирующих разнопродуктивных коров 50
3.5 Динамика активности аминотрансфераз в крови лактирующих коров 53
3.6 Динамика тиреоидных гормонов в крови лактирующих коров
с разной молочной продуктивностью 57
3.7 Функциональные резервы щитовидной железы у коров с
разным уровнем молочной продуктивности по фазам лактации 61
3.8 Динамика концентрации тестостерона в крови лактирующих коров 67
3.9 Функциональные резервы тестостеронсинтезирующей
системы у лактирующих коров на пике и в конце лактации 70 ЗЛО Динамика живой массы телочек, полученных от
разнопродуктивных коров 81
»
3.11 Динамика общего белка в крови телочек, полученных от разнопродуктивных коров 82
3.12 Уровень общего холестерола в крови телочек, полученных от разнопродуктивных коров 84
3.13 Динамика общих липидов в крови телочек, полученных от разнопродуктивных коров 85
3.14 Активность аминотрансфераз в крови телочек, полученных от разнопродуктивных коров 87
3.15 Концентрация тиреоидных гормонов в крови телочек, полученных от разнопродуктивных коров 90
3.16 Функциональные резервы щитовидной железы у телочек, полученных от разнопродуктивных коров 93
3.17 Концентрация тестостерона в крови телочек, полученных от разнопродуктивных коров 95
3.18 Функциональные резервы тестостеронсинтезирующей
системы у 6 -месячных телочек 97
3.19 Состояние обмена веществ, щитовидной железы и тестостеронсинтезирующей системы у 20 - месячных телок и связь
этих показателей с будущей их молочной продуктивностью 100
ЗАКЛЮЧЕНИЕ 122
ВЫВОДЫ
132
ПРАКТИЧЕСКИЕ ПРЕДЛОЖЕНИЯ 134
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 136
ПРИЛОЖЕНИЯ 166
(
Перечень используемых в работе сокращений
КАТС- коэффициент активности тестостеронсинтезирующей системы ИАтг - индекс активности тиреоидных гормонов Т з - трийодтиронин Т 4-тироксин
ТТГ - тиреотропный гормон ХГ - хорионический гонадотропин ACT - аспартатаминотрансфераза AJIT - аланинаминотрансфераза
Рекомендованный список диссертаций по специальности «Физиология», 03.03.01 шифр ВАК
Функциональные резервы эндокринных желез и обмен веществ в прогнозировании молочной продуктивности скота2015 год, кандидат наук Попова, Елена Леонидовна
Обмен веществ, резистентность и резервы эндокринной системы у крупного рогатого скота разных линий быков2018 год, кандидат наук Стасенкова, Юлия Владимировна
Функциональные резервы тестостеронсинтезирующей системы и их связь с хозяйственно-полезными признаками у быков разных пород и линий2011 год, кандидат биологических наук Вострухина, Юлия Юрьевна
Потенциальные резервы щитовидной железы у лактирующих коров разного уровня молочной продуктивности и их телят голштинизированного черно-пёстрого скота2008 год, кандидат биологических наук Кретова, Валерия Михайловна
Функциональная активность коры надпочечников и состояние метаболизма у лактирующих коров черно-пестрой породы и их потомства2011 год, кандидат биологических наук Морозова, Екатерина Владимировна
Введение диссертации (часть автореферата) на тему «Функциональные резервы щитовидной железы и тестостеронсинтезирующей системы у коров с разной молочной продуктивностью и их телят»
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность выбранной темы. Эффективная селекционная работа в молочном скотоводстве на современном этапе ее развития невозможна без комплексного использования в ней не только зоотехнических методов, но и интерьерных показателей животного.
В этом перспективном и актуальном направлении селекции животных с использованием показателей крови имеется ряд научных исследований, которые проводились в разные годы (В.А. Першин, 1962; Л.С. Жебровский, 1969, 1973; П.Ф. Солдатенков,1976; М.Т. Таранов,1976; В.П. Радченков, 1984; Е.В. Бутров, В.А. Матвеев,1989; Р. О. Кертиев, 1996; В.П Кулаченко, 1997).
Имеются исследования, в которых показана коррелятивная зависимость между уровнем молочной продуктивности и отдельными биохимическими показателями крови (Л.С. Жебровский, 1971; Е. В. Бутров, В.А. Матвеев, 1989; В.Б. Дмитриев, 1998; В.И. Ерёменко, 1999, 2000, 2006; В.М. Кретова, 2007; В.И. Ерёменко, 2008, 2010; Ю.Ю. Вострухина, 2010).
Однако использование в прогнозировании таких показателей далеко не всегда приносит желаемые результаты, так как часто тот или иной показатель отражает лишь кратковременную метаболическую картину животного.
Поэтому в селекционной работе необходимо все больше использовать не только отдельные тесты, а целую систему различных показателей, что позволит повысить уровень прогноза будущей продуктивности животных.
Все это свидетельствует о том, что необходимы глубокие исследования в области физиологии и биохимии, которые будут направлены на раскрытие стойких механизмов в индивидуальном развитии животного.
Разноречивость и противоречивость результатов связаны также с тем, что биохимические показатели крови имеют высокую вариабельность (особенно эндокринные показатели). Поэтому изучение различных регуляторных механизмов, которые напрямую связаны с продуктивными
показателями животных, должны проводиться через узловые регуляторные системы, особенно такие, как эндокринная система (щитовидная железа, кора надпочечников, тестостеронсинтезирующая система и др.).
Для определения оценки функциональной активности эндокринной железы, как правило, проводят определение базального уровня того или иного гормона. Однако, уровень гормона в крови не всегда объективно отображает реальное функциональное состояние железы, поэтому определяют функциональные резервы эндокринной железы с помощью метода функциональных нагрузок (В.П. Радченков, 1987; В.А. Матвеев, А.И. Дюкар, 1992; В.И.Еременко, 2000, 2003; В.М. Дюмина (В.М. Кретова), 2006; Д.А. Меченков, 2008, 2009; В.И.Ерёменко, 2010; Ю.Ю. Вострухина, 2011).
В этой связи определение показателей функциональных резервов щитовидной железы и тестостеронсинтезирующей системы в комплексе с метаболитами крови, которые непосредственно взаимосвязаны с уровнем молочной продуктивности, позволит разработать надежные тесты для раннего прогнозирования молочной продуктивности крупного рогатого скота, что является актуальным.
Цель и задачи исследования. Целью данной диссертационной работы было определение функционального состояния тестостеронсинтезирующей системы, щитовидной железы и показателей обмена веществ у разнопродуктивных коров и их телочек, а также разработка математических моделей с использованием изучаемых показателей для раннего прогнозирования молочной продуктивности крупного рогатого скота черно -пестрой породы.
Для достижения указанной цели были поставлены следующие задачи:
1. Изучить уровень общего белка, холестерола, липидов, активности AJIT, ACT в крови лактирующих коров черно - пестрой породы с разным уровнем молочной продуктивности.
2. Определить уровень гормонов : тироксина, трийодтиронина и тестостерона в крови лактирующих коров черно - пестрой породы с разным уровнем молочной продуктивности.
3. Установить функциональные резервы щитовидной железы и тестостеронсинтезирующей системы у разнопродуктивных коров.
4. Изучить метаболический и гормональный статус, функциональные резервы щитовидной железы и тестостеронсинтезирующей системы у телочек, полученных от разнопродуктивных коров.
5. Разработать математические модели с использованием полученных показателей для раннего прогнозирования молочной продуктивности коров.
Научная новизна работы. Впервые проведено комплексное изучение метаболических и гормональных показателей, а также функциональных резервов щитовидной железы и тестостеронсинтезирующей системы у разнопродуктивных коров и их телочек. Разработаны математические модели с использованием полученных показателей для раннего прогнозирования молочной продуктивности крупнорогатого скота черно - пестрой породы.
Теоретическая и практическая значимость работы. Состоит в том, что полученные результаты исследования расширяют научное представление об особенностях метаболического и гормонального статуса, а также функциональных резервах щитовидной железы и тестостеронсинтезирующей системы у разнопродуктивных коров черно - пестрой породы и их телочек. Полученные математические модели могут быть использованы для раннего прогнозирования молочной продуктивности крупного рогатого скота черно -пестрой породы.
Апробация и реализация результатов научных исследований.
Основные положения диссертационной работы были доложены на 7 научных конференциях:
- Международной научно-практической конференции, посвященной 30-летию образования кафедры кормления, разведения и генетики
7
сельскохозяйственных животных Брянской ГСХА ( 18-19 октября 2012 г.). -Брянск, 2012.
Международной научно - практической конференции «Агропромышленный комплекс: контуры будущего» (14-16 ноября 2012 г.) . -Курск, 2012.
- Международной научно-производственной конференции «Проблемы сельскохозяйственного производства на современном этапе и пути их решения» (20-21 ноября 2012 г.). - Белгород, 2012.
- Международной научно-практической конференции «Развитие аграрного сектора в условиях вступления России в ВТО» (28 ноября 2012 г.).-Смоленск, 2012.
Международной научно-производственной конференции «Инновационные пути развития АПК на современном этапе» (14- 16 мая 2012 г.). - Белгород, 2012.
Международной научно-производственной конференции «Актуальные проблемы ветеринарии и интенсивного животноводства, посвященной памяти доктора ветеринарных наук, профессора Ткачева Анатолия Алексеевича» (1-2 октября 2013 г.).- Брянск, 2013.
- Международной научно - практической конференции «Научное обеспечение агропромышленного производства» (29-31 января 2014 г.). -Курск, 2014.
Объем и структура диссертации. Работа изложена на 165 страницах основного текста, содержит 7 рисунков, 44 таблицы. Список литературы включает 276 источников, в том числе 63 иностранных авторов.
Публикации результатов исследования. По материалам диссертации опубликовано 7 статей и 2 статьи опубликованы в изданиях, рекомендованных ВАК РФ Министерства образования и науки.
Основные положения, выносимые на защиту:
1) уровень общего белка, общего холестерола и общих липидов, а также активность AJIT и ACT в крови более высокоудойных коров выше и положительно коррелируют с величиной суточных удоев;
2) уровень тироксина, трийодтиронина и тестостерона у высокоудойных коров ниже, чем у низкоудойных и отрицательно коррелирует с величиной суточных удоев;
3) коэффициенты активности тиреоидных гормонов и индексы активности тестостеронсинтезирующей системы у высокоудойных коров ниже, чем у низкопродуктивных, и отрицательно коррелируют с уровнем молочной продуктивности коров;
4) уровень общего белка, общего холестерола и общих липидов, а также активность AJIT, ACT выше в крови телочек, полученных от высокоудойных коров;
5) уровень тироксина, трийодтиронина и тестостерона в крови телочек имеет такую же направленность, как и у их матерей;
6) функциональные резервы щитовидной железы у телочек, полученных от более высокоудойных коров, имеют меньший коэффициент активности тиреоидных гормонов;
7) функциональные резервы тестостеронсинтезирующей системы ниже у телочек, полученных от более высокоудойных коров, и имеют меньший индекс активности тестостеронсинтезирующей системы;
8) математические модели для раннего прогнозирования молочной продуктивности крупного рогатого скота черно - пестрой породы.
1. ОБЗОР ЛИТЕРАТУРЫ
1.1 Роль эндокринной системы в обмене веществ и продуктивности
животных
Регуляция основных физиологических функций в организме происходит за счет влияния гормонов на органы и клетки организма. Гормоны оказывают мощное биологическое действие на рост различных органов и тканей, а также влияют на дифференцировку тканей организма, участвуют в процессах обмена веществ. Эти вещества выделяются одной или несколькими эндокринными железами, могут действовать как синергисты или антагонисты (В.Л. Владимиров, 1974).
Для всех гормонов характерны следующие характеристики: наличие специализированной железы или клетки, вырабатывающей данный гормон. Выделение гормона непосредственно в кровь и транспортировка его к органу - мишени, а также способность специфически воздействовать на ткани и органы- мишени при незначительных концентрациях их в крови (H.A. Юдаев, 1980).
Эндокринная система осуществляет основную роль в процессах обмена веществ, скорости синтеза белков, углеводов, жиров. Эндокринная система через выделяемые ею гормоны оказывает влияние на специфические клетки -мишени. Образующиеся в организме различные гормоны, ферменты и белки являются специфичными и оказывают регулирующее влияние на различные метаболические процессы (Д. Теппермен, 1989; J.W. Blum, Р. Кипа, W. Scheider, 1979; М. Assane, A. Sere, 1990).
Гормоны принимают участие в регуляции активности всех клеток организма. Воздействуя на органы-мишени, они вызывают в них значительные физиологические изменения. У гормона может быть несколько органов-мишеней, и вызываемые им физиологические изменения могут сказываться на целом ряде функций организма (Б.В. Алёшин, В.И. Губский,
1983; В.Б. Дмитриев, 1998).
В научной литературе имеется достаточное количество работ, указывающих на мощное воздействие различных гормонов на метаболические процессы, происходящие в организме животного (В.Т. Головань, 1972; М.Е. Зельцер, 1988; В.И. Георгиевский, 1990; П.Д. Дейвис, 2000; J.W. Blum et al., 1983; Н. Bonsack, 1992).
В организме связь между клетками, органами и тканями происходит следующим образом: нервные клетки получают сигналы, которые поступают из внешней и внутренней среды и преобразуют их в нервные импульсы и синапсы, так же и эндокринная система через эндокринные железы выделяет в кровь гормоны, влияя на органы - мишени (JI.C. Жебровский, 2002).
После того как гормон соединится с рецептором, в клетке запускается целая система биохимических реакций, которые воздействуют на синтетический аппарат клетки и приводят в итоге к перестройке ее работы: усилению или прекращению синтеза различных веществ, изменению проницаемости клеточной мембраны (В.А. Ткачук, 1983).
По данным литературы механизм действия гормонов полностью является не изученным. Однако установлено, что после синтеза гормоном железой он попадает непосредственно в кровь. В крови гормоны связываются со специфическими белками переносчиками - альбуминами и только лишь 5 % гормона в крови остается в свободном виде. К органам и тканям гормоны доставляются кровотоком. Физиологическое действие гормона начинает осуществляться после его контакта к этому гормону рецепторами. С кровотоком гормон доставляется ко всем органам и тканям и контактирует с ними. Однако его специфическое действие начинается после соединения с чувствительными к этому гормону рецепторами (H.A. Юдаев, 1980; В.А. Ткачук, 1983).
Активность эндокринной системы зависит от способности желез внутренней секреции выделять определенное количество гормонов, а также
зависит от скорости и способности белков крови к транспортировке гормонов к органам - мишеням. Обычно гормоны связываются белковыми фракциями крови (альбумины, глобулины, преальбумины) и транспортируются ими во все органы и системы. В организме вырабатывается большое количество гормонов, ферментов и других белков, являющихся специфичными и регулирующих процессы метаболизма и роста (С.И. Плященко, 1974; C.B. Шаталов, 1983; B.C. Грачев, 2002).
Белковые молекулы построены из множества полипептидных цепочек, которые, в свою очередь, состоят из аминокислотных остатков. В зависимости от последовательности пар оснований в генах зависят свойства ферментов, а также и белков, которые синтезируются в организме. В связи с этим информация, которая закодирована в генах, является программой, которая определяет свойства всех белков, ферментов и гормонов данного организма, а гены как носители наследственной информации определяют не только специфику белков, но и участвуют в их синтезе. Поэтому можно предположить, что индивидуальные различия животных в различных проявлениях, в том числе и продуктивных, а также различные патологии в организме связаны с эндокринной системой, активностью ферментов и в конечном итоге с уровнем обмена веществ. Поэтому, чтобы регулировать эти процессы, необходимо учитывать породную и индивидуальную наследственную особенность животных (И.П. Битюков, 1995; В.В. Алифанов, 1999).
Уровень гормонов в организме зависит от множества факторов внешней и внутренней среды: температуры среды, поражения радиацией, питания, пола, наличия особей другого пола. Так, например, содержание большинства видов животных в помещениях с определенной постоянной температурой не влияет на их сезонное изменение обмена веществ. Также в период размножения животных выделение половыми железами гормонов в большинстве случаев зависит от длины светового дня (В.В. Валяжников,
1981; А.Е. Болгов, 1982; И.Ф. Горлов, 1996; С.А. Брагинец, 1998).
Факторы внешней среды по- разному влияют на состояние животных разных видов. Так например, у бурундука повышение образования спермы и активация инстинкта размножения наблюдается только лишь при повышении температуры внешней среды (G. M. Chiericato, 1997).
Также накоплен достаточно большой материал в научных исследованиях, где доказана роль гормонов в процессах размножениях (И.Е. Мозгов, 1971; Б.В. Покровский, 1976; В.А. Наук, 1984; В.А. Матвеев, 1997).
Например, брачные игры самцов, охрана гнезда птицами происходят только в том случае, если в организм поступают половые гормоны и гормоны гипофиза в определенной последовательности. Удаление или угнетение функции отдельных эндокринных желез приводит к изменению обмена веществ в организме и поведенческим реакциям животных (H.A. Юдаев, 1976; Wang Jianchen, 1988).
Также в научной литературе приведены данные о роли гормонов и их связи с продуктивностью животных (В.И. Мельников, 1966; P.C. Москалик, 1986; О.Ю. Осадчая, 1998; П. Прохоренко, 2000; В.И. Ерёменко, 2001; 2004; 2004).
Например, в гипофизе карликовых телят уровень гормона роста ниже, чем у нормальных животных, что указывает на генетический контроль секреции соматотропного гормона. Установлено, что уровень СТГ с увеличением возраста уменьшается (R. Hall, 1978; A. Trenke, 1972). По данным Ю.Н. Шамберева (1975), между содержанием соматотропного гормона и ростом животных отмечена положительная коррелятивная связь.
По результатам таких исследований было сделано заключение, что концентрацию соматотропного гормона можно использовать как тест для прогноза скорости роста животных. В исследованиях В.П. Радченкова (1980, 1997) положительная коррелятивная связь между суточным приростом массы животного и концентрацией соматотропного гормона в крови не
установлена.
Исследователь В. М. Кретова (2006, 2007, 2008) указывает на возможность использования в селекции животных данных по функциональной активности щитовидной железы.
Также в работах других исследователей (Д.А. Меченков, 2008, 2009) указывается на взаимосвязь уровня тестостерона в крови лактирующих коров с их продуктивностью.
Отмечается взаимосвязь уровня молочной продуктивности и функциональной активности коры надпочечников (Е.В. Морозова, 2010).
В работах Ю.Ю. Вострухиной (2010) имеются данные о связи уровня тестостерона в крови лактирующих коров с уровнем молочной продуктивности.
В своих исследованиях А.Н. Подрепный (2011) отмечает связь концентрации инсулина с уровнем молочной продуктивности у лактирующих коров.
В.И. Ерёменко (2000, 2003, 2006, 2010) в своих исследованиях отмечает, что уровень гормонов и функциональные резервы желез внутренней секреции у разных пород животных отличаются, это указывает на то, что такие данные можно использовать как тесты для раннего прогнозирования молочной продуктивности скота.
Метод определения функциональных резервов, как указывает Радченков В.П. с сотрудниками (1985), является классическим методом в эндокринологии, позволяющим выявить пределы активности эндокринных желез у человека и у животных. Этот метод занял довольно прочное место среди прочих методов оценки функционального состояния эндокринной системы. Недостаточно знать, что данная железа анатомически изменена, но и необходимо изучить и функциональные изменения ее. По отношению к каждой из эндокринных желез существуют методы функциональной диагностики, так называемые тесты, однако диагностическая ценность их в
большинстве случаев очень мала.
На животных этот метод раньше применялся довольно редко. Для оценки функциональных резервов щитовидной железы применяют тиреотропный гормон, для оценки резервов коры надпочечников -аденокортикотропный гормон, а для нагрузки на инсулярный аппарат животных применяют глюкозу (В.Б.Дмитриев, 1998; В.М. Кретова, 2007).
Для раннего прогнозирования молочной продуктивности коров В. И. Ерёменко и В.М. Кретова (2007) рекомендуют использовать коэффициенты активности щитовидной железы.
В работах В.Д. Дмитриева с сотрудниками (1975) описывается методика выполнения определения функциональных резервов семенника, посредством многократной стимуляции хорионическим гонадотропином. Для определения функциональных резервов семенника проводилась многократная стимуляция хорионическим гонадотропином. ХГ в дозе 30006000 ед. вводили внутривенно 5 раз с интервалом 72 часа. Кровь для исследования отбирали из яремной вены перед каждым введением хорионического гонадотропина. Через 2 часа после введения ХГ семенник отвечал резким повышением концентрации тестостерона в крови по сравнению с базальным уровнем гормона у большинства видов животных. После третьей нагрузки ХГ уровень тестостерона достигал своего максимума через 24 часа. Последующие стимуляции не вызывали желаемого эффекта. Таким образом, значение эндокринной системы в организме животных многогранно и зависит от множества факторов.
1.2 Значение тестостерона в организме животных
В 1935 году Эрнст Лако выделил из яичек быка «кристаллический мужской гормон», а в том же году немецкий химик Бутенандт получил и описал структуру тестостерона, а неделей позже югославский химик Леопольд Ружичка осуществил его частичный синтез из холестерина.
В 1939 году Ружичка и Бутенандт получают Нобелевскую премию за открытие метода синтеза тестостерона из холестерина.
В мужском организме тестостерон синтезируется в клетках Лейдига, и является главным стероидным гормоном семенника (X А. Гуаш^еБ, 1985).
Клетки Лейдига - крупные клетки, входящие в состав ткани семенника, диаметром около 20 мкм с овальным ядром. Основной функцией клеток Лейдига является синтез мужского полового гормона — тестостерона.
В женском организме тестостерон синтезируется яичниками, превращаясь в клетках зреющего фолликула в эстрогены, способствует развитию молочных желёз (концентрация его во время беременности увеличивается) (В.И. Георгиевский, 1990).
У женских особей около ворот яичников расположены клетки, которые по строению похожи на клетки Лейдига в мужском организме, именно в них синтезируются андрогены. Все стероидные гормоны синтезируются в организме из холестерола. Роль в физиологических функциях организма проявляется на всех этапах жизнедеятельности организма (А.Г. Резников, 1988).
Общим предшественником стероидных гормонов является холестерин. Углеродный скелет холестерина включает 27 атомов углерода и состоит из 4 конденсированных колец. Четвертое кольцо имеет длинную боковую цепь. Холестерин, необходимый для синтеза стероидных гормонов, поступает из разных источников в гормонсинтезирующие клетки желез, а в составе липопротеинов низкой плотности (ЛНП) или синтезируется в клетках из ацетил-СоА. Избыток холестерина откладывается в липидных каплях в виде эфиров жирных кислот. Запасной холестерин вновь быстро мобилизуется за счет гидролиза. (А. Ленинджер, 1985).
Можно выделить два основных действия тестостерона: анаболическое и андрогенное действие. Первое включает в себя ускорение прироста мышечной массы и физической силы, увеличение плотности костной ткани
(кальцификация костей), стимуляцию линейного роста костей, способствует созреванию костной ткани и анаболический эффект тестостерона стимулирует синтез белка в организме, участвует в регуляции синтеза липопротеидов печенью, модулирует синтез эндорфинов ("гормонов радости"), инсулина, обеспечивает задержку в организме азота, калия, кальция, серы, фосфатов, а также натрия, хлора, воды ( М.И. Балаболкин, 1998).
Андрогенное действие у мужских особей выражается формированием половой системы по мужскому типу, развитием мужских вторичных половых признаков, активирует половое влечение, сперматогенез и потенцию, отвечает за психофизиологические особенности полового поведения. У женщин тестостерон участвует в механизме регрессии фолликула в яичниках и в регуляции уровня гонадотропных гормонов гипофиза (М.И. Балаболкин, 1998).
Для поддержания мужского фенотипа (вторичные половые признаки) в организме необходим тестостерон (A.M. Arnold, 1997).
Для развития вторичных половых признаков, которые увеличиваются с повышением тестостерона в организме в период полового созревания, необходим тестостерон. Также необходимо учитывать важную роль тестостерона в сперматогенезе (М. Santos, 1998).
Своим анаболическим действием тестостерон оказывает влияние на гладкую и мышечную ткань, приводит к увеличению их массы. Уменьшение тестостерона в организме приводит к мышечной дистрофии, а после к атрофии. Этот гормон участвует в обмене липидов в организме (Ф.Ф. Эйснер, 1977; C.B. Шаталов, 1983; Ю.Г. Абовян, 1990; Е. Annison, 1982).
Мужской организм вырабатывает в 10 раз меньше эстрогена, чем в женском, и в 10 раз больше тестостерона, чем его производится в женских надпочечниках, около 4-7 мг в сутки у мужских особей, а у женских 0,5 мг тестостерона в сутки ( H.A. Юдаев, 1980).
Основной тестостерон, находящийся в организме, циркулирует в крови в виде соединения со специфическим белком-носителем - тестостерон-эстрадиол - связывающий глобулин. Этот гликопротеидный белок вырабатывается в печени. В крови связывает половые гормоны: тестостерон, 5-дигидротестостерон, андростендион, эстрадиол, прогестерон, ограничивая количество биологически активной (не связанной) части каждого из гормонов (Л.И. Хайсанова, 1996; Ю.Н. Шамберев, 1970).
Биологический эффект тестостерона наиболее специфичен в клетках -мишенях, где этот гормон накапливается. В клетках семенника, яичниках у женских особей, гипоталамусе, матке и фолликулах были найдены рецепторы к тестостерону (В.П. Радченков, 1985; А. Тгепке, 1972).
Во время развития плода тестостерон синтезируется яичками плода и участвует в дифференцировке головного мозга и половой системы, которая в свою очередь развивается по мужскому типу. В период полового созревания тестостерон участвует в формировании вторичных половых признаков (А.Г. Резников, 1988).
На особей женского пола тестостерон и дигидротестостерон оказывает влияние в развитии их полового аппарата. Также в женском организме тестостерон участвует в процессах биосинтеза в матке и в фолликулах яичников. Повышенная концентрация тестостерона в женском организме приводит к нарушению функций яичников, а также к вирилизации (Б.В. Покровский, 1976).
При удалении семенников происходят нарушения в организме. Это недоразвитие половых органов, диспропорция скелета и ожирение. Кастрация в зрелом возрасте не вызывает такого резкого нарушения обмена веществ. Также происходит снижение синтеза ферментов, отвечающих за анаболические процессы, но при введении тестостерона их синтез восстанавливается (А.Г. Резников, 1982; Р.Н. Ойвадис, 1984; А.Г. Резников, 1988; Р. НитЬок, 1986).
Концентрация тестостерона в крови животных находится под контролем лютеинизирующего гормона (JIT) гипофиза (R. Everett, 1986).
В научной литературе имеется достаточное количество работ, указывающих на то, что уровень тестостерона зависит от возраста, пола, сезона года, количества спермопродукции (В.А. Битюков, 1983; B.JL Владимиров, В.А. Рыжков, М.Ю. Чернов, 1990; Е.П. Ващекин, 1995; С.А. Брагинец, 1998; Т. J. Parkinson, 1985).
В клетках Лейдига отсутствует запас тестостерона, но при необходимости эти клетки способны повысить его синтез за счет повышения генов ферментов стероидогенеза (В. Bartoov, 1981; R.G. Saacke, 1983).
Гормональный потенциал семенников - характеристика способностей семенников вырабатывать тестостерон, т.е. способности экстренных выбросов гормональных ресурсов клеток Лейдига. В частности, это необходимо в условиях социальной конкуренции ( Л.В. Осадчук, 2001).
Установлена отрицательная коррелятивная связь между концентрацией тестостерона в крови животных и проявлением заботы о потомстве у мужских особей (М. Santos, 1998).
Похожие диссертационные работы по специальности «Физиология», 03.03.01 шифр ВАК
Гормон-метаболитные взаимоотношения в крови коров разного генетического происхождения и их телят2013 год, кандидат биологических наук Полянский, Василий Петрович
Гормональный статус у коров и выделение гормонов с молоком на разных стадиях лактации2001 год, кандидат биологических наук Дворецкая, Тамара Николаевна
Оценка воспроизводительной способности коров молочных пород при разном состоянии тиреоидной системы2023 год, кандидат наук Алейникова Ольга Викторовна
Метаболические показатели, резистентность и функциональное состояние коры надпочечников и семенников у хряков разных пород2024 год, кандидат наук Титовский Александр Владимирович
Использование показателей функциональной активности щитовидной железы в селекции молочного скота2011 год, кандидат биологических наук Соловьев, Руслан Михайлович
Список литературы диссертационного исследования кандидат наук Ротмистровская, Елена Геннадьевна, 2014 год
- ■
i i i
3,1
3,5
3,9
X3
4,3
4,7
Dependent variable: Y Independent variable: X4
Standard T
Parameter Estimate Error Statistic P-Value
Intercept 4035,89 932,308 4,32892 0,0004
Slope 6,14446 2,01838 3,04425 0,0070
Analysis of Variance
Source Sum of Squares Df Mean Square F-Ratio P-Value
ilodel 1,30435E7 1 1,30435E7 9,27 0,0070
Residual 2,53341E7 18 1,40745E6
Total (Corr.) 3,83776E7 19
Correlation Coefficient = 0,582986 R-squared = 33,9872 percent Standard Error of Est. » 1186,36
The StatAdvisor
The output shows the results of fitting a linear model to describe :he relationship between Y and X4. The equati on of the fitted model is
Y - 4035,89 + 6,14446*X4
Since the P-value in the ANOVA table is less than 0.01, there is a statistically significant relationship between Y and X4 at the 99% :onfidence level.
The R-Squared statistic indicates that the model as fitted explains 33,9872% of the variability in Y. The correlation coefficient equals ),582986, indicating a moderately strong relationship between the /ariables. The standard error of the estimate shows the standard ieviation of the residuals to be 1186,36. This value can be used to :onstruct prediction limits for new observations by selecting the forecasts option from the text menu.
Plot of Fitted Model
9300 8300 7300 6300
%
5300 4300
210 310 410 510 610 710
X4
1--1- 1 —T—
- □ □ □ a -
- o □ -
- □ ^___ □ □ -
- □ r n □ -
□ -
I.I. 1 . 1 I
Dependent variable: Y Independent variable: X5
Standard T
Parameter Estimate Error Statistic P-Value
intercept 5191,44 541,164 9,59311 0,0000
Slope 3,65965 1,11218 3,29051 0,0041
Analysis of Variance
Source Sum of Squares Df Mean Square F-Ratio P-Value
Model 1,44145E7 1 1,44145E7 10, 83 0,0041
Residual 2,39632E7 18 1,33129E6
Total (Corr.) 3,83776E7 19
Correlation Coefficient =* 0,612859 R-squared « 37,5596 percent Standard Error of Est. = 1153,81
The StatAdvisor
The output shows the results of fitting a linear model to describe the relationship between Y and X5. The equation of the fitted model is
Y - 5191,44 + 3,65965*X5
Since the P-value in the ANOVA table is less than 0.01, there is a statistically significant relationship between Y and X5 at the 99% confidence level.
The R-Squared statistic indicates that the model as fitted explains 37,5596% of the variability in Y. The correlation coefficient equals 0,612859, indicating a moderately strong relationship between the variables. The standard error of the estimate shows the standard deviation of the residuals to be 1153,81. This value can be used to construct prediction limits for new observations by selecting the Forecasts option from the text menu.
Plot of Fitted Model
9300 8300 7300 6300 5300 4300
0 200 400 600 800 1000
X5
■
- □ □ р □ У -
- о О а / □ -
- a □ с и -
- а ■
- a " п ■
- ^ " -
.
(egression Analysis - Linear model: Y «■ a + b*X
Jependent variable: Y ,'ndependent variable: X6
»arameter Estimate Standard Error T Statistic P-Value
.'ntercept >lope 9315,39 -3790,58 423,228 570,422 22,0103 -6,64 522 0,0000 0,0000
Analysis of Variance
Source Sum of Squares Df Mean Square F-Ratio P-Value
4odel Residual 2, 1, 72642E7 1 11134E7 18 2,72642E7 617411,0 44,16 0,0000
fötal (Corr.) 3,83776E7 19
Correlation Coefficient - -0,842864 ^-squared - 71,042 percent Standard Error of Est. = 785,755
The StatAdvisor
The output shows the results of fitting a linear model to describe :he relationship between Y and X6. The equation of the fitted model is
Y = 9315,39 - 3790,58*X6
Since the P-value in the ANOVA table is less than 0.01, there is a statistically significant relationship between Y and X6 at the 99% confidence level.
The R-Squared statistic indicates that the model as fitted explains '1,042% of the variability in Y. The correlation coefficient equals •0,842864, indicating a moderately strong relationship between the variables. The standard error of the estimate shows the standard ieviation of the residuals to be 785,755. This value can be used to ;onstruct prediction limits for new observations by selecting the ¡"orecasts option from the text menu.
Plot of Fitted Model
9300 8300 7300 6300 5300 4300
0,3 0,5 0,7 0,9 1,1 1,3
X6
Dependent variable: Y Independent variable: X7
Parameter Estimate Standard Error T Statistic P-Value
Intercept Slope 9033,87 -3614,48 649,02 954,854 13,9192 -3,78537 0,0000 0,0014
Analysis of Variance
Source Sum of Squares Df Mean Square F-Ratio P-Value
Model 1, 70099E7 1 1,70099E7 14, 33 0,0014
Residual 2, 13677E7 18 1,18709E6
Total (Corr.) 3,83776E7 19
Correlation Coefficient = -0,665751 R-squared = 44,3225 percent Standard Error of Est. = 1089,54
The StatAdvisor
The output shows the results of fitting a linear model to describe the relationship between Y and X7. The equation of the fitted model is
Y = 9033,87 - 3614,48*X7
Since the P-value in the ANOVA table is less than 0.01, there is a statistically significant relationship between Y and X7 at the 99% confidence level.
The R-Squared statistic indicates that the model as fitted explains 44,3225% of the variability in Y. The correlation coefficient equals -0,665751, indicating a moderately strong relationship between the variables. The standard error of the estimate shows the standard deviation of the residuals to be 1089,54. This value can be used to construct prediction limits for new observations by selecting the Forecasts option from the text menu.
Plot of Fitted Model
9300 8300 7300 6300 5300 4300
. 1 a i a -
- □ □ -
- o a*""»«. —. ^^^ 0 i -
- a i i -
- i i ' -
0,3
0,5
0,7
X7
0,9
1,1
Regression Analysis - Linear model: Y - a + b*x
Dependent variable: Y Independent variable: X8
Standard T
Parameter Estimate Error Statistic P-Value
Intercept 9086,92 638,407 14,2337 0,0000
Slope -3728,28 946,958 -3,93711 0,0010
Analysis of Variance
Source Sum of Squares D£ Mean Square F-Ratio P-Value
Model 1,77573E7 1 1,77573E7 15,50 0,0010
Residual 2,Q6203E7 18 1,14557E6
Total (Corr.) 3,83776E7 19
Correlation Coefficient - -0,680221 R-squarecl - 46,27 percent Standard Error of Est. - 1070,31
The StatAdvisor
The output shows the results of fitting a linear model to describe the relationship between Y and X8. The equation of the fitted model is
Y - 9086,92 - 3728,28*X8
Sir.ce the P-value in the ANOVA table is less than 0.01, there is a statistically significant relationship between Y and X8 at the 991 confidence level.
The R-Squared statistic indicates that the model as fitted explains 46,27% of the variability in Y. The correlation coefficient equals -0,680221, indicating a moderately strong relationship between the variables. The standard error of the estimate shows the standard deviation of the residuals to be 1070,31. This value can be used to construct prediction limits for new observations by selecting the Forecasts option from the text menu.
Dependent variable: Y
Standard T
Parameter Estimate Error Statistic P-Value
CONSTANT -5306,11 3298,49 -1,60865 0,1261
X3 1233,3 492,169 2,50586 0,0227
XI 94,3555 40,2266 . 2,3456 0,0314
Analysis of Variance
Source Sum of Squares Df Mean Square F-Ratio P-Value
Model 76852E7 2 8,84262E6 7,26 0,0052
Residual 2, 06924E7 17 1,2172E6
Total (Corr.) 3,83776E7 19
R-squared » 46,0822 percent
R-squared (adjusted for d.f.) = 39,7389 percent Standard Error of Est. ■» 1103,27 Mean absolute error = 820,3 Durbin-Watson statistic = 2,59901
The StatAdvisor
The output shows the results of fitting a multiple linear regression model to describe the relationship between Y and 2 independent variables. The equation of the fitted model is
Y - -5306,11 + 1233,3*X3 + 94,3555*X1
Since the P-value in the ANOVA table is less than 0.01, there is a statistically significant relationship between the variables at the 99% confidence level.
The R-Squared statistic indicates that the model as fitted explains 46,0822% of the variability in Y. The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 39,7389%. The standard error of the estimate shows the standard deviation of the residuals to be 1103,27. This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu. The mean absolute error (MAE) of 820,3 is the average value of the residuals. The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file. Since the DW value is greater than 1.4, there is probably not any serious autocorrelation in the residuals.
In determining whether the model can be simplified, notice that the highest P-value on the independent variables is 0,0314, belonging to XI. Since the P-value is less than 0.05, that term is statistically significant at the 95% confidence level. Consequently, you probably don't want to remove any variables from the model.
Dependent variable: Y
Standard m ■i
Parameter Estimate Error Statistic P-Value
CONSTANT 717,915 3514,86 0,204251 0,8406
XI 53,4144 54,5524 0,979139 0,3412
X4 4,55435 2,59241 1,7568 0,0969
Analysis of variance
Source Sum of Squares Of Mean Square F-Ratio P-Value
Model 1,4395957 2 7,19797E6 5,10 0,0184
Residual 2,398l7E7 17 1,4106926
Total ICorr.) 3,83776E7 19
R-squared « 37,5113 percent
R-squared (adjusted for d.f.) = 30,1597 percent Standard Error of Est. - 1187,72 Mean absolute error « 822,463 Durbin-Watson statistic « 2,22554
The StatAdvisor
The output shows the results of fitting a multiple linear regression model to describe the relationship between Y and 2 independent variables. The equation of the fitted model is
Y - 717,915 + 53,4144*X1 + 4,55435*X4
Since the P-value in the ANOVA table is less than 0.05, there is a statistically significant relationship between the variables at the 95% confidence level.
The R-Squared statistic indicates that the model as fitted explains 37,5113% of the variability in Y. The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 30,1597%. The standard error of the estimate shows the standard deviation of the residuals to be 1187,72. This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu. The mean absolute error {MAE) of 822,463 is the average value of the residuals. The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file. Since the DM value is greater than 1.4, there is probably not any serious autocorrelation in the residuals.
In determining whether the model can be simplified, notice that the highest P-value on the independent variables is 0,3412, belonging to XI. Since the P-value is greater or equal to 0.10, that term is not statistically significant at the 901 or higher confidence level. Consequently, you should consider removing XI from the model.
Dependent variable: Y
Standard T
Parameter Estimate Error Statistic P-Value
CONSTANT -683,343 2900,03 -0,235633 0,8165
XI 81,5437 39,6546 2,05635 0,0554
X5 3,03902 1,067 67 2,8464 0,0112
Analysis of Variance
Source Sum of Squares Df Mean Square F-Ratio P-Value
Model 1,91877E7 2 9, 59387E6 8, 50 0,0028
Residual 1,91899E7 17 1,12882E6
Total (Corr.) 3,83776E7 19
R-squared - 49,9972 percent
R-squared (adjusted for d.f.) - 44,1146 percent Standard Error of Est. = 1062,46
Mean absolute error - 810,03 •>
Durbin-Watson statistic - 2,16576 1
The StatAdvisor
The output shows the results of fitting a multiple linear regression model to describe the relationship between Y and 2 independent variables. The equation of the fitted model is
Y - -683,343 + 81,5437*xl + 3,03902*X5
Since the P-value in the ANOVA table is less than 0.01, there is a statistically significant relationship between the variables at the 99% confidence level.
The R-Squared statistic indicates that the model as fitted explains 49,9972% of the variability in Y. The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 44,1146%. The standard error of the estimate shows the standard deviation of the residuals to be 1062,46. This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu. The mean absolute error (MAE) of 810,03 is the average value of the residuals. The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file. Since the DW value is greater than 1.4, there is probably not any serious autocorrelation in the residuals -
In determining whether the model can be simplified, notice that the highest P-value on the independent variables is 0,0554, belonging to XI. Since the P-value is less than 0.10, that term is statistically significant at the 90% confidence level. Depending on the confidence level at which you wish to work, you may or may not decide to remove XI from the model.
Multiple Regression Analysis
Dependent variable: Y
Standard T
Parameter Estimate Error Statistic P~Val.ua
CONSTANT 7693,24 2827,33 2,72102 0,0145
XI 19,6447 33,8391 0,580532 0,5692
X6 -3578,86 686,168 -5,21572 0,0001
Analysis of Variance
Source Sum of Squares Df Mean Square F-Ratio P-Value
Model 2,74803E7 2 1,37401E7 21,43 0,0000
Residual 1,08974E7 17 641021,0
Total (Corr.) 3/83776E7 13
R-squared - 71,6049 percent
R-squared (adjusted for d.f.) » 68,2643 percent Standard Error of Est, - 800,638 Mean absolute error » 609,508 Durbin-Watson statistic - 2,11055
The StatAdvisor
The output shows the results of fitting a multiple linear regression model to describe the relationship between Y and 2 independent variables. The equation of the fitted model is
Y « 7693,24 + 19,6447*X1 - 3578,86*X6
Since the P-value in the ANOVA table is less than 0.01, there is a statistically significant relationship between the variables at the 99% confidence level.
The R-Squared statistic indicates that the model as fitted explains 71,6049% of the variability in Y. The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 68,26431. The standard error of the estimate shows the standard deviation of the residuals to be 800,638. This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu. The mean absolute error (MAE) of 609,508 is the average value of the residuals. The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file. Since the DW value is greater than 1.4, there is probably not any serious autocorrelation in the residuals.
Jn determining whether the model can be simplified, notice that the highest P-value on the independent variables is 0,5692, belonging to XI. Since the P-value is greater or equal to 0.10, that terra is not statistically significant at the 90% or higher confidence level. Consequently, you should consider removing Xl from the model.
Dependent variables Y
Standard T
Parameter Estimate Error Statistic P-Vaîu
CONSTANT 5178,49 3976,26 1,30235 0,210
XI 46,0034 46,8083 0,982804 0,333
X7 -2993,33 1145,83 -2,61237 0,018
Analysis of Variance
Source Sum of Squares Df Mean Square F-Ratio P-Valu
Model 1,81587E7 2 9,07935E6 7,63 0,004
Residual 2,02189E7 17 1,18935E6
Total (Corr.) 3,83776E7 19
R-squared ** 47,3159 percent
R-squared (adjusted for d.f.) - 41,1178 percent Standard Error of Est. - 1090,57 MeAn absolute error « 735,381 Durbin-Watscm statistic - 2,19799
The StatAdvisor
The output shows the results of fitting a multiple linear regression model to describe the relationship between Y and 2 independent variables. The equation of the fitted model is
Y - 5178,49 + 46,0034*X1 - 2993,33*X7
Since the P-value in the ANOVA table is less than 0.01, there is a statistically significant relationship between the variables at the 99% confidence level.
The R-Squared statistic indicates that the model as fitted explains 47,3159% of the variability in Y. The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 41,1178%. The standard error of the estimate shows the standard deviation of the residuals to be 1090,57. This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu. The mean absolute error (MAE) of 735,381 is the average value of the residuals. The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file. Since the DW value is greater than 1.4, there is probably not any serious autocorrelation in the residuals.
In determining whether the model can be simplified, notice that the highest P-value on the Independent variables is 0,3395, belonging to Xl. Since the P-value is greater or equal to 0.10, that term is not statistically significant at the 90% or higher confidence level. Consequently, you should consider removing XI from the model.
Dependent variable: Y
Standard T
Parameter Estimate Error Statistic P-Valu<
CONSTANT 4490,68 3543,65 1,26725 0,222J
XI 55,7672 42,3203 1,31774 0,205:
X8 -3093,12 1045,85 -2,95751 0,008!
Analysis of Variance
Source Sum of Squares Df Mean Square F-Ratio F-Valui
Model 1,96684E7 2 9,83418E6 8,94 0,002:
Residual 1,87093E7 17 1,10054E6
Total (Corr.) 3»83776E7 19
R-squared » 51,2495 percent
R-squared (adjusted for d.f.) ** 45,5142 percent Standard Error of Est. « 1049,07 Mean absolute error = 753,071 Durbin-Watson statistic - 2,85729
The StatAdvisor
The output shows the results of fitting a multiple linear regression model to describe the relationship between Y and 2 independent variables. The equation of the fitted model Is
Y - 4490,68 + 55,7672*X1 - 3093,12*X8
Since the P-value in the ANOVA table is less than 0.01, there is a statistically significant relationship between the variables at the 99% confidence level.
The R-Squared statistic indicates that the model as fitted explains 51,2496% of the variability in Y. The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 45,5142%. The standard error of the estimate shows the standard deviation of the residuals to be 1049,07. This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu. The mean absolute error (MAE) of 753,071 is the average value of the residuals. The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file. Since the DW value is greater than 1.4, there is probably not any serious autocorrelation in the residuals.
In determining whether the model can be simplified, notice that the highest P-value on the independent variables is 0,2051, belonging to XI. Since the P-value is greater or equal to 0.10, that term is not statistically significant at the 901 or higher confidence level. Consequently, you should consider removing XI from the model.
Dependent variables Y
Standard T
Parameter Estimate Error Statistic P-Value
CONSTANT -3449,65 2374,81 -1,4526 0,1645
X2 1380,49 474,183 2,91131 0,0097
X3 1117,2 468,509 2,38459 0,0290
Analysis of Variance
Source Sum of Squares Df Mean Square F-Ratio P-Value
Model 2,01007E7 2 1,00504E7 9,35 0,0018
Residual 1,82769E7 11 1,07511E6
Total (Corr.J 3,83776E7 19
R-squared - 52,3762 percent
R-squared (adjusted for d.f.) «• 46,7734 percent
Standard Error of Est. - 1036,87 ,, w
Mean absolute error - 754,941 *"
Durbin-Watson statistic = 1,70744
The StatAdvisor
The output shows the results of fitting a multiple linear regression model to describe the relationship between Y and 2 independent variables. The equation of the fitted model is
Y - -3449,65 + 1380,49*X2 + 1117,2*X3
Since the P-value in the ANOVA table is less than 0.01, there is a statistically significant relationship between the variables at the 99% confidence level.
The R-Squared statistic indicates that the model as fitted explains 52,3762% of the variability In Y. The adjusted R-sqUared statistic, which is more suitable for comparing models with different numbers of independent variables, is 46,77341. The standard error of the estimate shows the standard deviation of the residuals to be 1036,87. This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu. The mean absolute error (MAE) of 754,941 is the average value of the residuals. The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file. Since the DW value is greater than 1.4, there is probably not any serious autocorrelation in the residuals.
In determining whether the model can be simplified, notice that the highest P-value on the independent variables is 0,0290, belonging to X3. Since the P-value is less than 0.05, that term is statistically significant at the 95% confidence level. Consequently, you probably don't want to remove any variables from the model.
Dependent variable; Y
Parameter Estimate Standard Error ! T Statistic P-Value
CONSTANT X2 Î14 296,S02 1139,8 3,9321 2038,33 563,17 2,16123 0,145611 2,02389 1,81938 0,8859 0,0590 0,0865
Analysis of Variance
Source Sura of Squares Df Mean Square F-Ratio P-Value
Model Residual 1,79625E7 2,04151E7 2 8,98125E6 17 1,20089E6 7,48 0,0047
Total (Corr.y 3,83776E7 19
R-squared « 46,8046 percent
R-squared (adjusted for d,f.) - 40,5464 percent Standard Error of Est. - 1095,85 Mean absolute error ■» 774,872 Durbin-Watson statistic - 1,$6557
The StatAdvisor
The output shows the results of fitting a multiple linear regression model to describe the relationship between Y and 2 independent variables. The equation of the fitted model is
Y - 296,802 + 1139,8*X2 + 3,9321*X4
Since the P-value in the ANOVA table is less than 0.01, there is a statistically significant relationship between the variables at the 99% confidence level.
The R-Squared statistic indicates that the model as fitted explains 46,8046% of the variability in Y. The adjusted R-squared statistic, which is more suitable for comparing models with different numbers Of independent variables, is 40,5464%. The standard error of the estimate shows the standard deviation of the residuals to be 1095,85. This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu. The mean absolute error (MAE) of 774,872 is the average value of the residuals. The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file. Since the DW value is greater than 1.4, there is probably not any serious autocorrelation in the residuals.
In determining whether the model can be simplified, notice that the highest P-value on the independent variables is 0,0865, belonging to X4. Since the P-value is less than 0.10, that terra is statistically significant at the 90% confidence level. Depending on the confidence level at which you wish to work, you may or may not decide to remove X4 from the model.
Multiple Regression Analysis
Dependent variable : Y
Parameter Estimate Standard Error : T Statistic P-Value
CONSTANT X2 X5 607,518 1205,63 2,70718 1898,7 483,405 1,05106 0,319964 2,49404 2,57567 0,7529 0,0232 0,0196
Analysis of Variance
Source Sum of Squares Df Mean Square F-Ratio P-Value
Model Residual 2,08337E7 1,75439E7 2 1,04169E7 17 1,03199E6 10,09 0,0013
Total (Corr.) 3,83776E7 19
R-squared » 54,2861 percent
R-squared (adjusted for d.f.) = 48,908 percent Standard Error of Est. - 1015,87 Mean absolute error - 770,34 Durbin-Watson statistic - 1,44139
The StatAdvisor
The output shows the results of fitting a multiple linear regression model to describe the relationship between Y and 2 independent variables. The equation of the fitted model is
Y - 607,518 + 1205, 63*X2 4- 2,70718*X5
Since the P-value in the ANOVA table is less than 0.01, there is a statistically significant relationship between the variables at the 99% confidence level.
The R-Squared statistic indicates that the model as fitted explains 54,2861% of the variability in Y. The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 48,908%. The standard error of the estimate shows the standard deviation of the residuals to be 1015,87. This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu. The mean absolute error (MAE) of 770,34 is the average value of the residuals. The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file. Since the DW value is greater than 1.4, there is probably not any serious autocorrelation in the residuals.
In determining whether the model can be simplified, notice that the highest P-value on. the independent variables is 0,0232, belonging to X2. Since the P-value is less than 0.05, that term is statistically significant at the 95% confidence level. Consequently, you probably don't want to remove any variables from the model.
Dependent variable: Y
Standard T
Parameter Estimate Error Statistic P-Value
CONSTANT 7235,74 2123,0 3,40827 0,0033
X2 433,433 433,584 0,99965 0,3315
X6 -3368,0 709,996 -4,74368 0,0002
Analysis of Variance
Source Sum of Squares Df Mean Square F-Ratio P-Value
Model 2,78812E7 2 1,39406E7 22,58 0,0000
Residual 1,04964E7 17 617435,0
Total (Corr.) 3,83776E7 19
R-squared - 72,6497 percent
R-squared (adjusted for d.f.) » 69,432 percent Standard Error of Est. = 785,77 Mean absolute error •= 586,209 Durbin-Watson statistic « 1,89031
The StatAdvisor
The output shows the results of fitting a multiple linear regression model to describe the relationship between Y and 2 independent variables. The equation of the fitted model is
Y - 7235,74 + 433,433*X2 - 3368,0*X6
Since the P-value in the ANOVA table is less than 0.01, there is a statistically significant relationship between the variables at the 99% confidence level.
The R-Squared statistic indicates that the model as fitted explains 72,6497% of the variability in Y. The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 69,432%. The standard error of the estimate shows the standard deviation of the residuals to be 785,77. This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu. The mean absolute error (MAE) of 586,209 is the average value of the residuals. The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file. Since the DW value is greater than 1.4, there is probably not any serious autocorrelation in the residuals.
In determining whether the model can be simplified, notice that the highest P-value on the independent variables is 0,3315, belonging to X2. Since the P-value is greater or equal to 0.10, that term is not statistically significant at the 90% or higher confidence level. Consequently, you should consider removing X2 from the model.
Dependent variable: Y
Standard T
Parameter Estimate Error Statistic P-Value
CONSTANT 4089,36 2386,46 1,71357 0,1048
X2 1053,47 492,518 2,13895 0,0472
X7 -2688,85 973,621 -2,7617 0,0133
Analysis of Variance
Source Sum. of Squares Df Mean Square F-Ratio P-Value
Model 2,1541E7 2 1,07705E7 10,88 0,0009
Residual 1,68366E7 17 990387,0
Total (Corr.) 3,83776E7 19
R-squared = 56,1292 percent
R-squared (adjusted for d.f.) = 50,9679 percent Standard Error of Est. - 995,182 Mean absolute error = 751,134 Durbin-Watson statistic » 1,76067
The StatAdvisor
The output shows the results of fitting a multiple linear regression model to describe the relationship between Y and 2 independent variables. The equation of the fitted model is
Y - 4089,36 + 1053, 47*X2 - 2688,85*X7
Since the P-value in the ANOVA table is less than 0.01, there is a statistically significant relationship between the variables at the 99% confidence level.
The R-Squared statistic indicates that the model as fitted explains 56,1292% of the variability in Y. The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 50,9679%. The standard error of the estimate shows the standard deviation of the residuals to be 995,182. This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu. The mean absolute error (MAE) of 751,134 is the average value of the residuals. The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file. Since the DW value is greater than 1.4, there is probably not any serious autocorrelation in the residuals.
In determining whether the model can be simplified, notice that the highest P-value on the independent variables is 0,0472, belonging to X2. Since the P-value is less than 0.05, that term is statistically significant at the 95% confidence level. Consequently, you probably don't want to remove any variables from the model.
Dependent variable: Y
Standard T
Parameter Estimate Error Statistic P-Value
CONSTANT 3162,0 1705,45 1,85406 0,0812
X2 1354,32 373,18 3,62913 0,0021
X8 -3219,41 744,752 -4,3228 0,0005
Analysis of Variance
Source Sum of Squares Df Mean Square F-Ratio P-Value
Model 2, 67588E7 2 1,33794E7 19,58 0,0000
Residual 1, 16188E7 17 683457,0
Total (Corr.) 3,83776E7 19
R-squared = 69,7251 percent
R-squared (adjusted for d.f.) - 66,1634 percent Standard Error of Est. = 826,715 Mean absolute error - 607,088 Durbin-Watson statistic = 2,49936
The StatAdvisor
The output shows the results of fitting a multiple linear regression model to describe the relationship between Y and 2 independent variables. The equation of the fitted model is
Y - 3162,0 + 1354,32*X2 - 3219,4l*X8
Since the P-value in the ANOVA table is less than 0.01, there is a statistically significant relationship between the variables at the 99% confidence level.
The R-Squared statistic indicates that the model as fitted explains 69,7251% of the variability in Y. The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 66,1634%. The standard error of the estimate shows the standard deviation of the residuals to be 826,715. This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu. The mean absolute error (MAE) of 607,088 is the average value of the residuals. The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file. Since the DW value is greater than 1.4, there is probably not any serious autocorrelation in the residuals.
In determining whether the model can be simplified, notice that the highest P-value on the independent variables is 0,0021, belonging to X2. Since the P-value is less than 0.01, the highest order term is statistically significant at the 99% confidence level. Consequently, you probably don't want to remove any variables from the model.
Dependent variable: Y
Standard T
Parameter Estimate Error Statistic P-Value
CONSTANT -697,563 1863,46 -0,374336 0,7128
X3 1253,32 446,499 2,80699 0,0121
X4 5,45594 1,73424 3,14601 0,0059
Analysis of Variance
Source Sum of Squares Df Mean Square F-Ratio P-Value
Model 2,10668E7 2 1,05334E7 10,34 0,0012
Residual 1,73109E7 17 1,01829E6
Total (Corr.) 3,83776E7 19
R-squared = 54,8933 percent
R-squared (adjusted for d.f.) = 49,5867 percent Standard Error of Est. = 1009,1 Mean absolute error = 766,121 Durbin-Watson statistic - 2,40325
The StatAdvisor
The output shows the results of fitting a multiple linear regression model to describe the relationship between Y and 2 independent variables. The equation of the fitted model is
Y - -697,563 + 1253,32*X3 + 5,45594*X4
Since the P-value in the ANOVA table is less than 0.01, there is a statistically significant relationship between the variables at the 99% confidence level.
The R-Squared statistic indicates that the model as fitted explains 54,8933% of the variability in Y. The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 49,5867%. The standard error of the estimate shows the standard deviation of the residuals to be 1009,1. This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu. The mean absolute error (MAE) of 766,121 is the average value of the residuals. The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file. Since the DW value is greater than 1.4, there is probably not any serious autocorrelation in the residuals.
In determining whether the model can be simplified, notice that the highest P-value on the independent variables is 0,0121, belonging to X3. Since the P-value is less than 0.05, that term is statistically significant at the 95% confidence level. Consequently, you probably don't want to remove any variables from the model.
Dependent variable: Y
Parameter Estimate Standard Error T Statistic P-Value
CONSTANT X3 X5 1645,03 966,516 2,86712 1935,03 509,027 • 1,12017 0,850133 1,89875 2,55954 ' 0,4071 0,0747 0,0203
Analysis of Variance
Source Sum of Squares Df Mean Square F-Ratio P-Value
Model Residual 1,86072E7 1,97704E7 2 9,30362E6 17 1,16296E6 8,00 0,0036
Total (Corr.) 3,83776E7 19
R-squared «= 4 8,4B46 percent
R-squared (adjusted for d.f.) = 42,424 percent Standard Error of Est. = 1078,41 Mean absolute error - 904,41 Durbin-Watson statistic = 1,75677
The StatAdvisor
The output shows the results of fitting a multiple linear regression model to describe the relationship between Y and 2 independent variables. The equation of the fitted model is
Y - 1645,03 + 966,516*X3 + 2,86712*X5
Since the P-value in the ANOVA table is less than 0.01, there is a statistically significant relationship between the variables at the 99% confidence level.
The R-Squared statistic indicates that the model as fitted explains 48,4846% of the variability in Y. The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 42,424%. The standard error of the estimate shows the standard deviation of the residuals to be 1078,41. This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu. The mean absolute error (MAE) of 904,41 is the average value of the residuals. The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file. Since the DW value is greater than 1.4, there is probably not any serious autocorrelation in the residuals.
In determining whether the model can be simplified, notice that the highest P-value on the independent variables is 0,0747, belonging to X3. Since the P-value is less than 0.10, that term is statistically significant at the 90% confidence level. Depending on the confidence level at which you wish to work, you may or may not decide to remove X3 from the model.
Dependent variable; Y
Parameter Estimate Standard Error ! T Statistic P-Valui
CONSTANT X3 X6 6840,7 548,169 -3389,02 1727,67 371,76 616,132 3,9595 1,47453 -5,50048 0,001! 0,158' 0, 0001
Analysis of Variance
Source Sum of Squares Df Mean Square F-Ratio P-Valu«
Model Residual 2,85244E7 9,85321E6 2 1,42622E7 17 579601,0 24,61 0,000t
Total {Corr.î 3,83776E7 19
R-squared - 74,3256 percent
R-squared (adjusted for d.f.J » 71,3051 percent Standard Error of Est. = 761,315 Mean absolute error ~ 552,266 Durbin-Watson statistic = 2,04369
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.