在选择育种中，体重性状是良种选育最直接的目标性状，也是生产性能的直接反映，然而体重与形态指标相比不直观，且准确测量难度大。利用多元分析查清表型性状与体重之间关系以及对体重的直接影响大小，通过形态性状的选择达到选种目的，具有重要的现实意义[4]。论文网

2 材料与方法

2.1 试验材料与抽样方法

试验于2015年1月在淮师生命科学学院生物实验室完成。试验用鲫鱼30尾购自淮安市淮阴区王营镇菜市场。选择健康体壮的鲫鱼，平均体重284.1g，体长约为20cm。放于实验室水族箱内暂养。

2.2 性状测定

本研究选定鲫鱼的体长（BL）、体宽（BB）、头宽（HB）、头长（HL）、头高（HH）、尾柄长（CPL）、尾柄高（CPH）、眼后头长（EHL）、眼间距（EW）、眼径（ED）、全长（FL）十一个形态性状进行测定，测定使用游标卡尺，精确到0.1cm。体重（BW）用电子天秤称量，精确到0.1g。

2.3 皮尔逊相关

皮尔逊相关系数描述了2个定矩变量间联系的紧密程度，计算公式为（文献）：

2.4 建立最优回归方程方法

建立最优回归方程的方法大致有以下三种：

向前引入法：向前引入法是从回归方程仅包括常数项开始，把自变量逐个引入回归方程。具体地说，现在m个自变量中选择一个与因变量线性关系最密切的变量，记为，然后在剩余的m-1个自变量中，再选一个，使得｛xi₁,xi₂｝联合起来二元回归效果最好，第三步在剩下的m-2个自变量中选择一个变量，使得｛xi₁, xi₂, xi₃｝联合起来二元回归效果最好，……如此下去，直至得到最优回归方程为止[8]。

向后剔除法：与向前引入法正好相反，首先将全部m个自变量引入回归方程，然后逐个剔除对因变量Y作用不显著的自变量[12]。具体地说，从回归式m个自变量中选择一个队Y贡献最小的自变量，比如，将它从回归方程中剔除：然后重新计算Y与剩下的m-1个自变量回归方程，再剔除一个贡献最小的自变量，依次下去，直至得到最优回归方程为止，向后剔除法中终止条件与向前引入法类似。文献综述

逐步分析法：是上述两个方法的综合。向前引入中被选入的变量，将一直保留在方程中。向后剔除法中被剔除的变量，将一直排除在外。这两种方程在某些情况下会得到不合理的结果[13]。于是，可以考虑到，被选入的变量，当它的作用在新变量引入后变得微不足道时，可以将它删除；被剔除的变量，当它的作用在新变量引入情况下变得重要时，也可将它重新选入回归方程。这样一种以向前引入法为主，变量可进可出的筛选变量方法，称为逐步分析法[14]。

2.5 数据分析

文中相关数据分析采用Minitab (v17)统计分析软件处理。显著性定为5%。对于数据比较结果，当P<0.05时为差异显著，P<0.01时为差异极其显著。

3 结果

3.1 各性状间的相关系数

    从相关系数看，除尾柄高与体重的相关不显著以外，其它形态性状与体重的相关都具有统计学意义（P<0.05）。其中除眼径以外，鲫鱼的体长、体宽、头长、头宽、头高、尾柄长、眼间距、眼后头长和全长与体重的相关系数均达到了极显著水平（P<0.01），其中体宽和体重的相关系数最大为0.909，其次为全长和体长的相关系数均为0.828，头宽相关系数为0.785，尾柄长相关系数为0.743，眼间距相关系数为0.690，头长相关系数为0.667，头高相关系数为0.651，眼后头长与体重的相关系数最小，为0.521。体重与这9个性状之间存在极显著相关，表明这9个形态性状的增加会引起体重的增加，但这还不能说明性状重要性的大小，所以还需要进行进一步的研究。具体结果如下表1。