Разработка индивидуально-дерево Базальной модели прироста области с использованием линейного подхода смешанных эффектов

Этот протокол предоставляет ключевые процедуры разработки модели приращения базальной площади отдельного дерева с использованием линейного подхода со смешанными эффектами. Главная особенность этой методики заключается в том, что она может эффективно анализировать данные со сложными структурами в лесном хозяйстве и значительно улучшать производительность моделей роста леса. Начните с чтения набора данных для разработки модели и загрузки пакета nlme"в программное обеспечение R.

Выберите примеры графиков в качестве случайных эффектов для разработки модели смешанных эффектов. Подгоните все возможные комбинации случайных эффектов методом максимального правдоподобия и выведите результаты. Установите случайные параметры для пересечения, а затем изменяйте случайные утверждения, пока все комбинации не будут подобраны.

В процессе подгонки коды могут сообщать об ошибках из-за несходимости подогнанной модели. Выберите наилучшую модель по информационному критерию Акаике, байесовскому информационному критерию, логарифму правдоподобия и критерию отношения правдоподобия. Посмотрите, имеют ли остатки гетероскедастичность от остаточного графика.

Если есть гетероскедастичность, введите константу плюс степенную функцию, степенную функцию и экспоненциальную функцию для моделирования дисперсионной структуры ошибок. Определите наилучшую дисперсионную функцию для модели в соответствии с информационным критерием Акаике, байесовским информационным критерием, логарифмом правдоподобия и критерием отношения правдоподобия. Далее мы рассмотрим сложную структуру симметрии, авторегрессионную структуру первого порядка и комбинацию авторегрессионных структур первого порядка и структуры скользящего среднего для учета автокорреляции.

Определите наилучшую структуру автокорреляции в соответствии с информационным критерием Акаике, байесовским информационным критерием, логарифмом правдоподобия и тестом отношения правдоподобия. Выведите окончательные результаты модели со смешанными эффектами с использованием метода ограниченного максимального правдоподобия. Основная модель приращения базальной площади для P.asperata выражается с помощью этого уравнения.

Здесь показаны оценки параметров, соответствующие им стандартные ошибки и статистика недостатка подгонки. Наблюдалась выраженная гетероскедастичность остатков. Была выявлена 31 возможная комбинация параметров случайных эффектов для базовой модели приращения базальной площади.

После примерки 300 комбинаций достигли сходимости. Среди этих 30 комбинаций была выбрана модель 30, потому что она дала самый низкий AIC, самый низкий BIC и самый большой Loglik. Кроме того, LRT значительно отличался от других моделей.

Здесь показана линейная модель смешанных эффектов с дисперсионными функциями и корреляционными структурами. Согласно AIC, BIC, Loglik и LRT, экспоненциальная функция и AR(1) были выбраны в качестве лучшей дисперсионной функции и автокорреляционной структуры соответственно. Предложена окончательная линейная модель приращения базальной площади по индивидуальному дереву со смешанными эффектами с использованием метода REML.

Здесь показаны оцененные фиксированные параметры, соответствующие им стандартные ошибки и статистика несоответствия. Значительное улучшение наблюдалось по остаткам. Прогнозная статистика двух моделей показывает, что производительность линейной модели смешанных эффектов была значительно улучшена по сравнению с базовой моделью.

Когда сравнение моделей будет завершено, не забудьте использовать метод ограниченного максимального правдоподобия для вывода окончательных результатов.