Factors associated with grower herd performance in three New Zealand pig farms [Elektronische Ressource] / von Birgit Schauer

Birgit Schauer

Informations

• Publié par: ludwig-maximilians-universitat_munchen
• Publié le: 01 janvier 2007
• Nombre de lectures: 30
• Langue: Deutsch
• Poids de l'ouvrage: 1 Mo

Extrait

Aus dem
EpiCentre, Institute of Veterinary and Animal Biomedical Sciences, Massey University,
Palmerston North, Neuseeland

Vorgelegt über die
Klinik für Wiederkäuer mit Ambulanz und Bestandsbetreuung
der Ludwig-Maximilians-Universität München
(Vorstände: Prof. Dr. W. Klee, Prof. Dr. H. Zerbe)

Arbeit angefertigt unter der Leitung von Prof. Dr. R. Mansfeld


Factors associated with grower herd performance in three
New Zealand pig farms




Inaugural-Dissertation
zur Erlangung der tiermedizinischen Doktorwürde
der Tierärztlichen Fakultät der Ludwig-Maximilian-Universität
München



von
Birgit Schauer
aus Regensburg
München 2007

Gedruckt mit Genehmigung der Tierärztlichen Fakultät der Ludwig-
Maximilians-Universität München





Dekan: Univ.-Prof. Dr. E. P. Märtlbauer
Referent: Prof. Dr. Mansfeld
Korreferent(en): Prof. Dr. Heinritzi



Tag der Promotion: 9. Februar 2007
Aus dem
EpiCentre, Institute of Veterinary and Animal Biomedical Sciences, Massey University,
Palmerston North, Neuseeland

Vorgelegt über die
Klinik für Wiederkäuer mit Ambulanz und Bestandsbetreuung
der Ludwig-Maximilians-Universität München
(Vorstände: Prof. Dr. W. Klee, Prof. Dr. H. Zerbe)

Arbeit angefertigt unter der Leitung von Prof. Dr. R. Mansfeld


Factors associated with grower herd performance in three
New Zealand pig farms




Inaugural-Dissertation
zur Erlangung der tiermedizinischen Doktorwürde
der Tierärztlichen Fakultät der Ludwig-Maximilian-Universität
München



von
Birgit Schauer
aus Regensburg
München 2007




















This thesis is dedicated to my family for their great understanding and continuous
support.


Abstract
The aim of this observational study was to identify performance parameters, which can
be used to predict market weight of a batch of pigs on commercial farms. For that
purpose, we obtained weekly retro- and prospective production records from three New
Zealand pig farms. The observation periods on farms A, B, and C were 140, 127 and 90
weeks, respectively. As we expected the data to be autocorrelated, we used two
modelling approaches for multivariable analysis: An autoregressive (AR) model and an
ordinary least squares (OLS) regression model (‘naive approach’). Analyses were
performed separately for each farm. Using an AR-model, we identified four production
parameters (weaning age, two sample weights and days to market) across the three
farms that were effective in predicting market weight with accuracies greater than 70%.
All AR-models yielded stationary and normally distributed residuals. In contrast,
residuals of the OLS-models showed remaining autocorrelation on farms B and C
indicating biased model estimates. Using an AR-model also has the advantage that
immediate future observations can be forecasted. This is particularly useful as all
predictor variables (apart from ‘Days to market’) could be obtained a month prior to
marketing on all farms.
I
Kurzfassung
Die Zielsetzung dieser Beobachtungsstudie war es, Leistungsparameter zu
identifizieren, die es ermöglichen das Vermarktungsgewicht von Schweinegruppen auf
kommerziellen Schweinefarmen vorherzusagen. Für diesen Zweck haben wir sowohl
retro- als auch prospektive Produktionsdaten von drei neuseeländischen
Schweinefarmen erhoben. Die Beobachtungszeiträume auf den Farmen A, B und C
erstreckten sich über 140, 127 und 90 Wochen. Da wir Autokorrelation in den Daten
vermuteten, benutzten wir zwei Modellierungsansätze: Ein autoregressives (AR) Model
und ein Ordinary Least Squares (OLS) Regressionsmodel (‚naives Model’). Wir
entwickelten ein separates Model für jede einzelne Farm. Mit Hilfe des AR-Models
konnten wir vier Produktionsparameter (‚Absetzalter’, zwei Gewichtsmessungen und
‚Tage bis zur Schlachtung’) identifizieren, die das Schlachtgewicht auf allen drei
Farmen mit mehr als 70% Genauigkeit vorhersagen. Alle AR-Modelle produzierten
stationäre und normalverteilte Residuen. Im Gegensatz dazu, Residuen der OLS-
Modelle zeigten verbleibende Autokorrelation für die Farmen B und C, was auf
verfälschte Modelschätzungen schliessen lässt. Die Anwendung eines AR-Models hat
zudem den Vorteil dass unmittelbar zukünftige Beobachtungen vorhergesagt werden
können. Dies ist vor allem hilfreich da alle unabhängigen Variablen (abgesehen von
‚Tage bis zur Schlachtung’) auf jeder Farm ein Monat vor der Schlachtung erhoben
werden können.
II
Nomenclature
AIAO All-in/All-out production system
ACF Autocorrelation function
AR autoregressive term (lag specified by subsequent number);
autoregressive process
ARMA autoregressive moving-average process
CI confidence interval
CV coefficient of variation (%)
d day(s)
DF degrees of freedom
DTM days to market
DW Durbin-Watson statistics to test for autocorrelation
IQR interquartile range
kg kilogram(s)
LM-test Lagrange multiplier test for heteroscedasticity
MA moving average process
n number or sample size
OR odds ratio
p order of the autoregressive process
P P-value
PACF Partial autocorrelation function
Q-test Portmanteau Q-Test for heteroscedasticity
r correlation coefficient
2R squared correlation, R-squared value
SD standard deviation
SE error
SRL special rearing location
WEEK study week
WGT Sample weight
III
Table of Contents
Abstract ..............................................................................................................................I
Kurzfassung ..................................................................................................................... II
Nomenclature..................................................................................................................III
Table of Contents............................................................................................................IV
Table of Figures VII
Table of Tables.............................................................................................................XIV
Chapter 1 Introduction...................................................................................................1
Chapter 2 Literature review...........................................................................................2
2.1 Profiling the New Zealand pig industry............................................................2
2.1.1 Pig industry in New Zealand and other major pig producing countries ...2
2.1.2 Pig production within New Zealand .........................................................3
2.2 Definition of production measures....................................................................8
2.2.1 All-in/All-out management.......................................................................8
2.2.2 Measures of grower herd performance .....................................................9
2.2.3 Measures of cost and profit.....................................................................14
2.3 Epidemiology..................................................................................................16
2.4 Analytical methods.........................................................................................17
Chapter 3 Materials and Methods................................................................................24
3.1 Study design....................................................................................................24
3.2 Description of the farms..................................................................................25
3.2.1 Breeding herd..........................................................................................25
3.2.2 Pig flow...................................................................................................25
3.2.3 Housing facilities....................................................................................27
3.2.4 Feeding30
3.2.5 Disease status30
3.2.6 Specific events occurring on farms.........................................................31
3.3 Data collection................................................................................................31
3.4 Data management and validation....................................................................32
3.4.1 Data management....................................................................................32
3.4.2 Unit of interest/outcome variable............................................................32
3.4.3 Predictor variables...................................................................................33
3.4.4 Data validation................................................................