Epsilon Archive for Student Projects

Abstract

Retrospective data from two stud farms, in this study named stud farm A and B,
including 742 mares, was statistically analysed. Parameters included in the analysis
were type of insemination, date of the first insemination, number of inseminations,
the age of the mares, if the mares had a foal or not, foaling date, result of
pregnancy examination (if it was done), twin pregnancy and treatments given to
the mares. The pregnancy results and the treatments where compiled into a number
of frequency tables in which the mares where arranged according to age, month of
first insemination, foal or not and type of insemination. There was a significant
difference in pregnancy result between the years at both stud farms (2001 better
than 2002). At stud farm A, in year 2001, month (at start of insemination)
significantly influenced the pregnancy result. This was not the result in the year
2002 or at stud farm B. Frozen sperm was only used at stud farm A. The total
number of insemination per mare was significant lower for mares inseminated with
frozen sperm. A significant higher frequency of mares at stud farm A were treated
with PG at the end of the season. HCG was used more frequently during the year 2002 compared with 2001. The age of the mares did not influence the pregnancy
result probably due to a selection of mares for treatment. Both stud farms used
antibiotics and Caslick operations to a small extent. Furthermore, Standardbred
mares (trotters) that got pregnant in June/July had on average 5 days shorter period
of gestation compared with mares getting pregnant in May. A statistic logistic
regression analysis including all the parameters in this study, showed how the
different parameters influenced the chance of a mare to get pregnant. As an
example, the difference between the stud farms concerning pregnancy result
disappeared.
Conclusion: Statistic analysis of retrospective data from two stud farms showed
that simple frequency tables are not sufficient to make an adequate comparison, a
deeper statistic analysis that take into account all available data is needed.

Retrospektiva data från två stuterier, i detta arbete benämnda stuteri A och B, från
totalt 742 nypåbörjade ston har samlats in för statistisk analys. Parametrar som
särskilt bearbetades var inseminationstyp, datum för första insemination, antal
inseminationer och datum då dessa genomfördes, stoets ålder, föl vid sidan,
fölningsdatum, eventuell dräktighetsundersökning, tvillingdräktighet samt de
behandlingar som stona fick. Dräktighetsresultat och behandlingar sammanställdes
i frekvenstabeller där stona grupperades efter ålder, inseminationsstartmånad, föl
vid sidan och inseminationstyp. Signifikant skillnad i dräktighetsresultat sågs
mellan år för båda stuterierna (2001 bättre än 2002) samt för stuteri A mellan olika
grupper av ston beroende på startmånad avseende insemination under år 2001 men
ej under år 2002 eller vid stuteri B. Antalet totala inseminationer var signifikant
lägre hos ston som inseminerades med fryst sperma, vilket bara skedde vid stuteri
A. Stuteri A behandlade en signifikant högre frekvens av ston med PG ju senare på
säsongen det var. HCG användes mer år 2002 jämfört med år 2001. Åldern
påverkade inte dräktighetsresultatet. Ett medvetet val av behandlingar för att
förbättra fertiliteten hos vissa ston påverkade sannolikt resultatet. Båda stuterierna
hade låg frekvens av antibiotikabehandlingar och Caslickoperationer. Det kunde
vidare noteras att travarston som blev dräktiga i juni/juli hade i genomsnitt 5 dagar
kortare dräktighetstid jämfört med de som blev dräktiga i maj. En statistisk analys
som tog hänsyn till samtliga parametrar genom logistisk regression visade hur de
olika parametrarna påverkade ett stos chans att bli dräktigt. Bland annat sågs att
skillnaden mellan stuterier avseende dräktighetsresultat försvann.
Konklusion: Statistisk analys av retrospektiv data från två stuterier visade att
enkla frekvenstabeller ej är tillräckliga utan fördjupad statistisk analys som tar
hänsyn till alla tillgängliga datauppgifter krävs för en adekvat jämförelse.