Das Ziel dieser Studie war ein Vergleich von Grossman-Koops-, kubischen und segmentierten Polynommodellen mit einer alternativen nichtparametrischen Regressionstechnik, dem Multivariate Adaptive Regression Splines (MARS) -Algorithmus, zur Vorhersage der Eiproduktion bei Chukarhühnern. Die Daten (Anzahl der gelegten Eier) von 52 Chukarhühnern wurden während der Legeperiode über 23 Wochen zweimal täglich gesammelt. Modellanpassungsstatistiken wie Bestimmtheitsmaß (R²), adjustiertes Bestimmtheitsmaß (Adj. R²), mittlerer quadratischer Fehler (MSE), mittlerer quadratischer Vorhersagefehler (RMSE) und das Akaike- Informationskriterium (AIC) wurden zur Messung der Vorhersagefähigkeiten der angepassten Modelle verwendet. Mit den höchsten R²- und Adj. R²-Werten (0,995 und 0,996) und den niedrigsten MSE-, RMSE- und AIC-Werten (2,057, 1,434 bzw. 41,000) erwies sich das MARS-Modell als das beste Modell zur Vorhersage der Eiproduktion der Chukahühner, gefolgt vom segmentierten Polynommodell. Die Ergebnisse der Studie zeigen, dass das MARSVorhersagemodell mit einer einfacheren Formel und höherer Genauigkeit eine bessere Alternative zu klassischen nichtlinearen Modellen für die Vorhersage der kumulativen Eiproduktion darstellt. [ABSTRACT FROM AUTHOR]