Desarrollo de un modelo de incremento de área basal de árbol individual mediante un enfoque lineal de efectos mixtos

Este protocolo proporciona los procedimientos clave para desarrollar un modelo de incremento de área basal de árbol individual utilizando un enfoque lineal de efectos mixtos. La característica principal de esta técnica es que puede analizar datos con estructuras complejas en silvicultura y mejorar significativamente el rendimiento de los modelos de crecimiento forestal. Comience leyendo el conjunto de datos de desarrollo del modelo y cargando el paquete nlme" en el software R.

Seleccione gráficos de muestra como efectos aleatorios para desarrollar el modelo de efectos mixtos. Ajuste todas las combinaciones posibles de efectos aleatorios con el método de máxima verosimilitud y genere los resultados. Establezca la intersección en parámetros aleatorios y, a continuación, cambie las instrucciones aleatorias hasta que se ajusten todas las combinaciones.

En el proceso de ajuste, los códigos pueden informar de errores debidos a la falta de convergencia del modelo montado. Seleccione el mejor modelo según el criterio de información de Akaike, el criterio de información bayesiano, la verosimilitud logarítmica y la prueba de razón de verosimilitud. Observe si los residuos tienen heterocedasticidad de la parcela residual.

Si hay heterocedasticidad, introduzca la función de potencia constante plus, la función de potencia y la función exponencial para modelar la estructura de varianza de los errores. Determine la mejor función de varianza para el modelo de acuerdo con el criterio de información de Akaike, el criterio de información bayesiano, la verosimilitud logarítmica y la prueba de razón de verosimilitud. A continuación, presente la estructura de simetría compuesta, la estructura autorregresiva de primer orden y una combinación de estructuras autorregresivas y de medias móviles de primer orden para tener en cuenta la autocorrelación.

Determine la mejor estructura de autocorrelación de acuerdo con el criterio de información de Akaike, el criterio de información bayesiano, la verosimilitud logarítmica y la prueba de razón de verosimilitud. Genere los resultados finales del modelo de efectos mixtos utilizando el método de máxima verosimilitud restringida. Con esta ecuación se expresa el modelo básico de incremento de área basal para P. asperata.

Aquí se muestran las estimaciones de los parámetros, sus correspondientes errores estándar y los estadísticos de falta de ajuste. Se observó una pronunciada heterocedasticidad de los residuos. Hubo 31 combinaciones posibles de parámetros de efectos aleatorios para el modelo básico de incremento de área basal.

Después del ajuste, 300 combinaciones alcanzaron la convergencia. Entre estas 30 combinaciones, se seleccionó el Modelo 30 porque producía el AIC más bajo, el BIC más bajo y el Loglik más grande. Además, el LRT fue significativamente diferente en comparación con los otros modelos.

Aquí se muestra el modelo lineal de efectos mixtos con funciones de varianza y estructuras de correlación. De acuerdo con el AIC, BIC, Loglik y LRT, la función exponencial y AR(1) fueron seleccionadas como la mejor función de varianza y estructura de autocorrelación, respectivamente. El modelo lineal final de incremento de área basal de árbol individual de efectos mixtos se propuso utilizando el método REML.

Aquí se muestran los parámetros fijos estimados, sus correspondientes errores estándar y las estadísticas de falta de ajuste. Se observó una mejora significativa en los residuos. Las estadísticas de predicción de los dos modelos muestran que el rendimiento del modelo lineal de efectos mixtos mejoró significativamente en comparación con el modelo básico.

Cuando se completen las comparaciones de modelos, recuerde utilizar el método de máxima verosimilitud restringida para generar los resultados finales.