TiHo Bibliothek elib - Tierärztliche Hochschule Hannover

17
viertel gemeinsam) und Niederschlag (alle Jahresviertel gemeinsam). Die Ergebnisse sind in
Tabelle 3 dargestellt. Das Modell ergab einen statistisch signifikanten Einfluss der Variablen
Rinderdichte, Gewässer, Grünfläche, Ackerfläche, Höhe, Tmq1, P2q und P3q mit einem Pseu-
do-R² von 0,223.
Die manuelle kontrollierte schrittweise Vorwärts- und Rückwärtsselektion (Variablen wurden
nacheinander wieder aus dem Modell herausgenommen) der einbezogenen Variablen ergab,
dass das sparsamste Modell, welches den größten Teil der Variation erklärte, die Variablen
Gewässer und Grünfläche beinhaltete, die beide eine positive Parameterbewertung mit einem
Pseudo-R² von 0,143 (14,3 % der Varianz wird erklärt) ergaben (Tabelle 4).
Akaikes Informationskriterium (Akaike`s Information Criterion, AIC; Kriterium zur Auswahl
eines Modells) wurde für jedes erstellte Modell berechnet und als Hauptselektionsparameter
benutzt. Die Variable „Höhe“ wurde in allen Modellen, in denen klimatische Variablen einen
statistisch signifikanten Einfluss zeigten, als erklärende Variable beibehalten.
3.1.2.3 Allgemeines linear gemischtes Modell mit Random Intercept
Es wurde vorausgesetzt, dass Betriebe im gleichen Postleitzahlengebiet ähnlichen Umwelt-
und Klimabedingungen ausgesetzt sind, dass z.B. Grünfläche- und Gewässer-Anteil, und so-
mit die ELISA-Ergebnisse, mit den Postleitzahlengebieten zusammenhängen. Um den Effekt
von nicht-unabhängigen Variablen zu minimieren, wurde ein Modell mit Random Intercept
auf Postleitzahlenebene erstellt, welches sich auf die Variablen Grünfläche und Gewässer kon-
zentrierte. Das Modell zeigte, dass die ELISA Ergebnisse auf Postleitzahlenebene miteinander
korreliert sind (Tabelle 5).
Das multivariate Modell, das finale Modell nach manueller kontrollierter Vorwärts- und Rück-
wärtsselektion sowie das allgemeine linear gemischte Modell wurden mittels ROC-Analyse
verglichen (PEARCE u. FERRIER 2000). Das multivariate Modell ergab einen AUC (Area
Under the Curve) von 0,76. Dieser Wert war nur geringfügig höher als der AUC für das finale
logistische Regressionsmodell (AUC 0,71). Fügte man räumliche Informationen zu dem Mo-
dell hinzu (allgemeines linear gemischtes Modell), verbesserte sich der AUC auf 0,86.