Seleção de variáveis de desempenho de suínos por meio da análise de componentes principais

portugais. Dados de 435 animais de uma população F2 de suínos foram utilizados para avaliar a possibilidade de redução da dimensão do espaço multivariado, por meio da técnica de componentes principais. Foram avaliadas as seguintes características de desempenho: tamanho da leitegada ao nascer (TLN), tamanho da leitegada à desmama (TLD), número de tetos (NT), pesos ao nascer (PN), aos 21 (P21), aos 42 (P42), aos 63 (P63) e aos 77 (P77) dias de idade e ganho médio de peso diário (GPD), consumo de ração (CR) e conversão alimentar (CA) dos 77 aos 105 dias de idade. Seis componentes principais, obtidos a partir da matriz de correlação, apresentaram variância inferior a 0,7 (autovalores inferiores a 0,7), o que sugere seis variáveis para descarte, por apresentarem maiores coeficientes, em valor absoluto, a partir do último componente principal. As variáveis descartadas apresentaram correlação linear simples significativa com as demais. Em razão do grande número de variáveis redundantes, 54,5% delas podem ser eliminadas, sendo recomendada a avaliação de apenas TLN, NT, P77, CR e CA, sem que haja perda considerável da informação.

anglais. Using principal component analysis, records of 435 animals from an F2 swine population were used to identity independent and informative variables of economically important performance. The following performance traits were recorded: litter size at birth (BL), litter size at weaning (WL), teat number (TN), birth weight (BW), weight at 21 (W21), 42 (W42), 63 (W63) and 77 (W77) days of age, average daily gain (ADG), feed intake (FI) and feed:gain ratio (FGR) from 77 to 105 days of age. Six principal components expressed variation lower than 0.7 (eigen values lower than 0.7) suggesting that six variables could be discarded with little information loss. The discarded variables present significant simple linear correlation with the retained variables. Retaining variables BL, TN, W77, FI and FGR and eliminating all the rest would retain most of the relevant information in the original data set.