선형 혼합 효과 접근 방식을 사용하여 개별 트리 기초 영역 증분 모델 개발

이 프로토콜은 선형 혼합 효과 접근 방식을 사용하여 개별 트리 기저 면적 증가 모델을 개발하는 주요 절차를 제공합니다. 이 기술의 주요 특징은 임업의 복잡한 구조를 가진 데이터를 강력하게 분석하고 산림 성장 모델의 성능을 크게 향상시킬 수 있다는 것입니다. 먼저 모델 개발 데이터 세트를 읽고 R 소프트웨어에서 nlme" 패키지를 로드합니다.

표본 플롯을 랜덤 효과로 선택하여 혼합 효과 모델을 개발합니다. 최대우도법으로 가능한 모든 랜덤 효과 조합을 피팅하고 결과를 출력합니다. 절편을 임의 모수로 설정한 다음, 모든 조합이 적합될 때까지 임의 문을 변경합니다.

피팅 과정에서 코드는 피팅 모델의 비수렴으로 인해 오류를 보고할 수 있습니다. Akaike의 정보 기준, 베이지안 정보 기준, 로그 우도 및 우도 비율 검정에 의해 최상의 모형을 선택합니다. 잔차가 잔차 플롯에서 이분산성을 갖는지 여부를 관찰합니다.

이분산성이 있는 경우 상수 플러스 전력 함수, 전력 함수 및 지수 함수를 도입하여 오류 분산 구조를 모델링합니다. Akaike의 정보 기준, 베이지안 정보 기준, 로그 우도 및 우도 비율 검정에 따라 모델에 대한 최상의 분산 함수를 결정합니다. 다음으로, 복합 대칭 구조, 1차 자기회귀 구조, 1차 자기회귀 구조와 이동평균 구조의 조합을 소개하여 자기상관을 설명합니다.

Akaike의 정보 기준, 베이지안 정보 기준, 로그 우도 및 우도 비율 검정에 따라 최상의 자기 상관 구조를 결정합니다. 제한된 최대우도법을 사용하여 mixed-effects 모델의 최종 결과를 출력합니다. P.asperata에 대한 기본 기저 면적 증가 모델은 이 방정식으로 표현됩니다.

모수 추정치, 이에 해당하는 표준 오차 및 적합성 부족 통계량이 여기에 표시되어 있습니다. 잔차의 뚜렷한 이분산성이 관찰되었습니다. 기본 기저 면적 증가 모델에 대한 무작위 효과 매개변수의 가능한 조합은 31개였습니다.

피팅 후 300개의 조합이 수렴에 도달했습니다. 이 30가지 조합 중에서 Model 30이 선택되었는데, 그 이유는 가장 낮은 AIC, 가장 낮은 BIC 및 가장 큰 Loglik을 산출했기 때문입니다. 또한 LRT는 다른 모델과 비교할 때 크게 달랐습니다.

분산 함수와 상관 구조를 가진 선형 혼합 효과 모델이 여기에 나와 있습니다. AIC, BIC, Loglik 및 LRT에 따르면 지수 함수와 AR(1)이 각각 최적 분산 함수와 자기 상관 구조로 선택되었습니다. 최종 선형 혼합 효과 개별 트리 기저 면적 증가 모델은 REML 방법을 사용하여 제안되었습니다.

추정된 고정 모수, 해당 표준 오차 및 적합성 결여 통계량이 여기에 표시되어 있습니다. 잔차에서 유의한 개선이 관찰되었습니다. 두 모델의 예측 통계량은 선형 혼합 효과 모델의 성능이 기본 모델에 비해 크게 향상되었음을 보여줍니다.

모델 비교가 완료되면 제한된 최대우도 방법을 사용하여 최종 결과를 출력해야 합니다.