As avaliações genéticas devem se tornar mais precisas com o advento da seleção pelo genoma inteiro (WGS), com base em painéis SNP de alta densidade. O uso da WGS deve, portanto, acelerar os ganhos genéticos para características de produção, em razão da provável diminuição do intervalo de geração, pela maior intenção de selecionar animais com base apenas nos seus genótipos, em vez de fenótipos. Contudo, as avaliações genéticas passadas e atuais podem, de forma geral, não se adaptar bem com o âmbito de inferência pretendida. Por exemplo, estimar efeitos de haplótipo a partir do uso de uma única população de referência não traz boa predição para uso geral da WGS em outros ambientes diversos, já que o âmbito de inferência é muito restrito; contrariamente, WGS baseada em estimativas derivadas dos desvios de produção das filhas de touros leiteiros podem ser muito generalizadas para inferir sobre o mérito genético em qualquer ambiente em particular. O tratamento dos efeitos de grupo contemporâneo, como fixo ou aleatório, variâncias heterogêneas, interação genótipo-ambiente e as análises de características múltiplas são questões importantes no âmbito da inferência e são discutidas nesta revisão. Os sistemas de manejo e os ambientes têm mudado e continuarão a mudar; deste modo, é essencial que avaliações genéticas sejam tão robustas e adequadas ao contexto quanto possível, a fim de otimizar a adaptação dos animais a essas mudanças.

Genetic evaluations should become more accurate with the advent of whole genome selection (WGS) based on high density SNP panels. The use of WGS should then accelerate genetic gains for production traits given likely decreases in generation interval due to the greater intent to select more animals based just on their genotypes rather than phenotypes. However, past and current genetic evaluations may not generally connect well to the intended scope of inference. For example, estimating haplotype effects from the data of a single reference population does not bode well for the use of WGS in other diverse environments since the scope of inference is too narrow; conversely, WGS based on estimates, for example, derived from daughter yield deviations of dairy bulls may be too broad to infer upon genetic merit under any one particular environment. The treatment of contemporary group effects as random rather than as fixed, heterogeneous variances, genotype by environment interaction, and multiple trait analyses are all important scope of inference issues that are discussed in this review. Management systems and environments have and will continue to change; hence, it is vital that genetic evaluations are as robust and scope-appropriate as is possible in order to optimize animal adaptation to these changes.

Dados extremos influenciados por fatores não considerados no modelo estatístico, podem enviesar as estimativas dos parâmetros e valores genéticos. Além disso, diversas características de importância econômica não seguem uma distribuição normal ou apresentam dados censurados. O objetivo deste trabalho é descrever e ilustrar a aplicação de modelos hierárquicos bayesianos para a detecção e mitigação de dados extremos e para análise de dados censurados. Primeiro, é apresentada a especificação tradicional do modelo animal em estágios hierárquicos sob o enfoque bayesiano, para dados não censurados com distribuição Normal. A seguir, esse modelo é generalizado pela introdução de uma variável de ponderação independente, que permite a especificação de densidades residuais de caudas longas da família de distribuições Normal/independente. Finalmente, para contemplar a análise de dados censurados, o modelo básico é ampliado pela inclusão de uma variável com distribuição normal truncada no limite inferior do valor observado da característica no momento da avaliação, para aqueles animais que ainda não completaram sua vida reprodutiva no momento da avaliação.

Data strongly influenced by factors not accounted for by the statistical model can bias estimates of genetic parameters and values. Moreover, several traits of economic importance do not follow a normal distribution or have censored data. The objective of this study is to describe and illustrate the application of hierarchical Bayesian models for the detection and muting of outliers and for the analysis of censored data. First, the traditional specification of the animal model in hierarchical stages is presented under the Bayesian approach for normally distributed uncensored data. Then, this model is extended by introducing an independent weighting variable, which allows for the specification of thick tail residual densities from the Normal/independent distribution family. Finally, to cover censored data analysis, the basic model is extended by the inclusion of a variable with truncated normal distribution based on the lower limit in the observed value of the trait at the evaluation time, for those animals that have not yet completed their reproductive life at the evaluation time.