Résumé
L'utilisation de modèles linéaires mixtes (LMM) et du concept statistique de meilleur prédicteur linéaire sans biais (ou de BLUP pour Best Linear Unbiased Predictor en anglais) deviennent de plus en plus populaires dans le domaine de la modélisation de données expérimentales. L'apparition d'ordinateurs puissants et de logiciels statistiques conviviaux facilitent l'implémentation rapide des modèles linéaires mixtes. Cet article donne un aperçu de la flexibilité et des avantages des modèles mixtes et des BLUP pour analyser des données expérimentales de programmes d'amélioration génétique dans le but de décisions efficaces de création variétale ou pour étudier les propriétés génétiques de caractères d'intérêt agronomique. Plusieurs applications de modèles mixtes sont présentées. Leur caractéristique commune est d'exploiter des co-variances existant entre certaines données expérimentales. Selon les applications, la nature de ces covariances diffère. Elle peut être liée à des relations spatiales, temporelles et/ou génétiques entre données, avec de possibles effets hiérarchisés. Dans tous les cas, la méthodologie des modèles mixtes a l'avantage de fournir des inférences et des prédictions statistiques sans biais permettant d'étayer des conclusions objectivées sur les questions scientifiques étudiées.