DIPLOMARBEIT - Universität Oldenburg
DIPLOMARBEIT - Universität Oldenburg
DIPLOMARBEIT - Universität Oldenburg
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
4 Methoden 20<br />
4.4 Datenauswertung: Habitatmodelle<br />
Ziel der Modellierung ist es, das Vorkommen des Steinhuhns als Beziehung zur<br />
Ausprägung von Habitatfaktoren zu beschreiben. Als statistisches Verfahren bietet sich<br />
dazu die logistische Regression an. Gegenüber der Diskriminanzanalyse werden mit<br />
diesem Verfahren bessere Klassifizierungsergebnisse und robustere Modelle erreicht<br />
(BLOCK et al. 1998) und die erhaltenen Koeffizienten sind leicht zu interpretieren (HOSMER<br />
& LEMESHOW 2000). Auch für die Verwendung binärer Variablen ist die Methode geeignet<br />
(KLEYER et al. 1999).<br />
4.4.1 Logistische Regression<br />
Bei diesem Verfahren wird in einer Regressionsgleichung eine abhängige Variable mit einer<br />
(univariate Analyse) oder mehreren (multiple Analyse) unabhängigen Variablen in<br />
Beziehung gesetzt (Gl. 1). Graphisch aufgetragen beschreibt die ermittelte<br />
Vorkommenswahrscheinlichkeit eine s-förmige (sigmoide) Kurve. Die Wertespanne liegt<br />
zwischen 0 (0% Vorkommen) und 1 (100% Vorkommen). Um unimodale<br />
Zusammenhänge (glockenförmig) zu beschreiben, muss die jeweilige Variable auch als<br />
quadrierter Term in das Modell einbezogen werden (SCHRÖDER 2000).<br />
β + βx+<br />
... + β x<br />
e 0 k k<br />
1<br />
P(<br />
y = 1) =<br />
=<br />
(1)<br />
β + βx+<br />
... + β x −(<br />
β x ... x )<br />
1 0 k k o+<br />
β + + β<br />
+ e<br />
1+<br />
e<br />
k k<br />
mit :<br />
P ( y = 1) = Wahrscheinlichkeit eines Vorkommens (= Wahrscheinlichkeit, dass abhängige Variable 1 ist)<br />
β<br />
0 = Konstante<br />
x<br />
k = unabhängige Variable<br />
β<br />
k = Koeffizient der unabhängigen Variablen<br />
Die Schätzung des Regressionskoeffizienten geschieht über eine Maximierung der<br />
Likelihood Funktion. Mit dem Likelihood-Ratio-Test (LR-Test) wird geprüft, ob das<br />
Modell signifikant ist, also besser zwischen Vorkommen und Nichtvorkommen trennen<br />
kann als der Zufall. Dazu wird der LogLikelihood-Wert des Modells mit dem eines<br />
Nullmodells verglichen (HOSMER & LEMESHOW 2000). Beim Nullmodell geht man davon<br />
aus, dass die Hinzunahme der Variablen keine signifikante Verbesserung ergibt. Diese und<br />
- wenn nicht anders gekennzeichnet - alle weiteren Berechnungen wurden mit dem<br />
Statistik-Programm SPSS (Version 11.0) durchgeführt, die Darstellung der multiplen<br />
Modelle erfolgte mit dem Programm LR_Mesh (Version 1.0.4) von RUDNER (2004). Die<br />
LR-Statistik wird iterativ bestimmt. In der vorliegenden Arbeit wurde zur Erstellung der<br />
multiplen Modelle das rückwärts schrittweise Verfahren angewandt. Dabei werden vom<br />
vollständigen Variablensatz so lange Variablen entfernt, bis durch das weitere Ausschließen<br />
von Variablen eine signifikante Verschlechterung der Vorhersage auftreten würde. Wie<br />
stark der Zusammenhang zwischen Vorkommen und den einzelnen Variablen innerhalb<br />
des multiplen Modells ist, lässt sich dabei anhand der Änderung der Devianz (= -2 Log-