Opracowanie modelu przyrostu powierzchni podstawy pojedynczego drzewa przy użyciu liniowego podejścia opartego na efektach mieszanych

Protokół ten zawiera kluczowe procedury opracowywania modelu przyrostu powierzchni podstawy pojedynczego drzewa przy użyciu liniowego podejścia opartego na efektach mieszanych. Główną cechą tej techniki jest to, że może ona skutecznie analizować dane o złożonej strukturze w leśnictwie i znacznie poprawiać wydajność modeli wzrostu lasów. Zacznij od odczytania zestawu danych programowania modelu i załadowania pakietu nlme"w oprogramowaniu R.

Wybierz przykładowe wykresy jako efekty losowe, aby opracować model efektów mieszanych. Dopasuj wszystkie możliwe kombinacje efektów losowych do metody maksymalnego prawdopodobieństwa i uzyskaj wyniki. Ustaw punkt przecięcia na parametry losowe, a następnie zmieniaj instrukcje losowe, aż wszystkie kombinacje zostaną dopasowane.

W procesie dopasowania kody mogą zgłaszać błędy wynikające z braku zbieżności dopasowanego modelu. Wybierz najlepszy model według kryterium informacyjnego Akaike, bayesowskiego kryterium informacyjnego, logarytmu prawdopodobieństwa i testu ilorazu prawdopodobieństwa. Obserwuj, czy resztki mają heteroskedastyczność w stosunku do pozostałej powierzchni.

Jeśli występuje heteroskedastyczność, wprowadź funkcję stałej plus potęgę, funkcję potęgową i funkcję wykładniczą, aby modelować strukturę wariancji błędów. Określ najlepszą funkcję wariancji dla modelu zgodnie z kryterium informacyjnym Akaikego, bayesowskim kryterium informacyjnym, logarytmem prawdopodobieństwa i testem ilorazu prawdopodobieństwa. Następnie wprowadź strukturę symetrii złożonej, strukturę autoregresyjną pierwszego rzędu oraz kombinację struktur autoregresyjnych pierwszego rzędu i średnich ruchomych, aby uwzględnić autokorelację.

Określ najlepszą strukturę autokorelacji zgodnie z kryterium informacyjnym Akaike, bayesowskim kryterium informacyjnym, logarytmem prawdopodobieństwa i testem ilorazu prawdopodobieństwa. Wyprowadzanie ostatecznych wyników modelu efektów mieszanych przy użyciu metody ograniczonego maksymalnego prawdopodobieństwa. Podstawowy model przyrostu powierzchni podstawowej dla P.asperata jest wyrażony za pomocą tego równania.

W tym miejscu przedstawiono oszacowania parametrów, odpowiadające im błędy standardowe oraz statystyki braku dopasowania. Zaobserwowano wyraźną heteroskedastyczność pozostałości. Istniało 31 możliwych kombinacji parametrów efektów losowych dla podstawowego modelu przyrostu obszaru podstawowego.

Po dopasowaniu 300 kombinacji osiągnęło konwergencję. Spośród tych 30 kombinacji wybrano Model 30, ponieważ uzyskał najniższy AIC, najniższy BIC i największy Loglik. Co więcej, LRT znacznie różnił się od innych modeli.

Przedstawiono tutaj liniowy model efektów mieszanych z funkcjami wariancji i strukturami korelacji. Zgodnie z AIC, BIC, Loglik i LRT, funkcja wykładnicza i AR(1) zostały wybrane odpowiednio jako najlepsza funkcja wariancji i struktura autokorelacji. Ostateczny liniowy model przyrostu powierzchni podstawy pojedynczego drzewa z efektami mieszanymi zaproponowano przy użyciu metody REML.

W tym miejscu przedstawiono szacowane parametry stałe, odpowiadające im błędy standardowe oraz statystyki braku dopasowania. Zaobserwowano istotną poprawę w zakresie pozostałości. Statystyki predykcyjne obu modeli pokazują, że wydajność liniowego modelu efektów mieszanych uległa znacznej poprawie w porównaniu z modelem podstawowym.

Po zakończeniu porównań modeli należy pamiętać o użyciu metody ograniczonego maksymalnego prawdopodobieństwa w celu uzyskania ostatecznych wyników.