Sviluppo di un modello di incremento dell'area basale a albero individuale mediante un approccio lineare ad effetti misti

Questo protocollo fornisce le procedure chiave per lo sviluppo di un modello di incremento dell'area basale a singolo albero utilizzando un approccio lineare a effetti misti. La caratteristica principale di questa tecnica è quella di poter analizzare in modo potente i dati con strutture complesse in silvicoltura e migliorare significativamente le prestazioni dei modelli di crescita forestale. Inizia leggendo il set di dati di sviluppo del modello e caricando il pacchetto nlme"nel software R.

Seleziona i grafici campione come effetti casuali per sviluppare il modello a effetti misti. Adatta tutte le possibili combinazioni di effetti casuali con il metodo della massima verosimiglianza e produci i risultati. Imposta l'intercetta su parametri casuali, quindi modifica le istruzioni casuali fino a quando tutte le combinazioni non sono adattate.

Nel processo di montaggio, i codici possono segnalare errori dovuti alla non convergenza del modello montato. Seleziona il modello migliore in base al criterio di informazione di Akaike, al criterio di informazione bayesiana, alla verosimiglianza logaritmica e al test del rapporto di verosimiglianza. Osservare se i residui hanno eteroschedasticità dal grafico residuo.

Se c'è eteroschedasticità, introdurre la costante più la funzione di potenza, la funzione di potenza e la funzione esponenziale per modellare la struttura della varianza degli errori. Determinare la migliore funzione di varianza per il modello in base al criterio di informazione di Akaike, al criterio di informazione bayesiana, alla verosimiglianza logaritmica e al test del rapporto di verosimiglianza. Successivamente, introduci la struttura di simmetria composta, la struttura autoregressiva del primo ordine e una combinazione di strutture autoregressive del primo ordine e della media mobile per tenere conto dell'autocorrelazione.

Determinare la migliore struttura di autocorrelazione in base al criterio di informazione di Akaike, al criterio di informazione bayesiana, alla verosimiglianza logaritmica e al test del rapporto di verosimiglianza. Produrre i risultati finali del modello a effetti misti utilizzando il metodo della massima verosimiglianza ristretta. Il modello di incremento dell'area basale di base per P.asperata è espresso con questa equazione.

Di seguito sono riportate le stime dei parametri, gli errori standard corrispondenti e le statistiche di mancanza di adattamento. È stata osservata una pronunciata eteroschedasticità dei residui. C'erano 31 possibili combinazioni di parametri di effetti casuali per il modello di base dell'incremento dell'area basale.

Dopo il montaggio, 300 combinazioni hanno raggiunto la convergenza. Tra queste 30 combinazioni, il modello 30 è stato selezionato perché ha prodotto l'AIC più basso, il BIC più basso e il Loclik più grande. Inoltre, l'LRT era significativamente diverso rispetto agli altri modelli.

Di seguito è mostrato il modello lineare a effetti misti con funzioni di varianza e strutture di correlazione. Secondo AIC, BIC, Logalik e LRT, la funzione esponenziale e AR(1) sono state selezionate rispettivamente come la migliore funzione di varianza e struttura di autocorrelazione. Il modello finale di incremento dell'area basale dell'albero singolo lineare a effetti misti è stato proposto utilizzando il metodo REML.

Di seguito sono riportati i parametri fissi stimati, gli errori standard corrispondenti e le statistiche di mancanza di adattamento. Un miglioramento significativo è stato osservato nei residui. Le statistiche di previsione dei due modelli mostrano che le prestazioni del modello lineare a effetti misti sono state significativamente migliorate rispetto al modello di base.

Al termine dei confronti tra modelli, ricordarsi di utilizzare il metodo della massima verosimiglianza ristretta per produrre i risultati finali.