Entwicklung eines Individual-Tree Basal Area Increment Modells mit einem linearen Mixed-Effects-Ansatz

Dieses Protokoll stellt die wichtigsten Verfahren zur Entwicklung eines individuellen Baum-Basalflächeninkrementmodells unter Verwendung eines linearen Mixed-Effects-Ansatzes bereit. Das Hauptmerkmal dieser Technik besteht darin, dass sie Daten mit komplexen Strukturen in der Forstwirtschaft leistungsfähig analysieren und die Leistung von Waldwachstumsmodellen erheblich verbessern kann. Beginnen Sie mit dem Lesen des Modellentwicklungsdatensatzes und dem Laden des Pakets nlme" in der R-Software.

Wählen Sie Beispieldiagramme als Zufallseffekte aus, um das Modell mit gemischten Effekten zu entwickeln. Passen Sie alle möglichen Kombinationen von Zufallseffekten an die Maximum-Likelihood-Methode an und geben Sie die Ergebnisse aus. Legen Sie den Schnittpunkt auf zufällige Parameter fest, und ändern Sie dann die zufälligen Anweisungen, bis alle Kombinationen angepasst sind.

Während des Anpassungsprozesses können die Codes Fehler melden, die auf die Nichtkonvergenz des angepassten Modells zurückzuführen sind. Wählen Sie das beste Modell nach dem Informationskriterium von Akaike, dem Bayes'schen Informationskriterium, der Logarithmuswahrscheinlichkeit und dem Likelihood-Ratio-Test aus. Beobachten Sie, ob die Residuen eine Heteroskedastizität aus dem Restdiagramm aufweisen.

Wenn Heteroskedastizität vorhanden ist, führen Sie die Konstanten-Plus-Potenzfunktion, die Potenzfunktion und die Exponentialfunktion ein, um die Fehlervarianzstruktur zu modellieren. Bestimmen Sie die beste Varianzfunktion für das Modell gemäß dem Informationskriterium von Akaike, dem Bayes'schen Informationskriterium, der Logarithmuswahrscheinlichkeit und dem Likelihood-Ratio-Test. Führen Sie als Nächstes die zusammengesetzte Symmetriestruktur, die autoregressive Struktur erster Ordnung und eine Kombination aus autoregressiven und gleitenden Durchschnittsstrukturen erster Ordnung ein, um die Autokorrelation zu berücksichtigen.

Bestimmen Sie die beste Autokorrelationsstruktur gemäß dem Informationskriterium von Akaike, dem Bayes'schen Informationskriterium, der Logarithmuswahrscheinlichkeit und dem Likelihood-Ratio-Test. Geben Sie die Endergebnisse des Modells mit gemischten Effekten mit der eingeschränkten Maximum-Likelihood-Methode aus. Das grundlegende Modell des Basalflächeninkrements für P.asperata wird mit dieser Gleichung ausgedrückt.

Hier werden die Parameterschätzungen, die entsprechenden Standardfehler und die Statistik der fehlenden Anpassung angezeigt. Es wurde eine ausgeprägte Heteroskedastizität der Residuen beobachtet. Es gab 31 mögliche Kombinationen von Parametern für zufällige Effekte für das grundlegende Modell der basalen Flächeninkrementelle.

Nach der Anpassung erreichten 300 Kombinationen die Konvergenz. Unter diesen 30 Kombinationen wurde das Modell 30 ausgewählt, weil es den niedrigsten AIC, den niedrigsten BIC und den größten Loglik lieferte. Darüber hinaus unterschied sich die LRT im Vergleich zu den anderen Modellen deutlich.

Hier ist das lineare Mixed-Effects-Modell mit Varianzfunktionen und Korrelationsstrukturen dargestellt. Gemäß AIC, BIC, Loglik und LRT wurden die Exponentialfunktion und AR(1) als die beste Varianzfunktion bzw. Autokorrelationsstruktur ausgewählt. Das endgültige lineare Mixed-Effects-Modell zur Erhöhung der Grundfläche von Einzelbäumen wurde unter Verwendung der REML-Methode vorgeschlagen.

Hier werden die geschätzten festen Parameter, die entsprechenden Standardfehler und die Statistik der fehlenden Anpassung angezeigt. Eine signifikante Verbesserung der Residuen wurde beobachtet. Die Vorhersagestatistik der beiden Modelle zeigt, dass die Leistung des linearen Mixed-Effects-Modells im Vergleich zum Basismodell deutlich verbessert wurde.

Wenn die Modellvergleiche abgeschlossen sind, denken Sie daran, die eingeschränkte Maximum-Likelihood-Methode zu verwenden, um die Endergebnisse auszugeben.