DIPLOMARBEIT - Universität Oldenburg
DIPLOMARBEIT - Universität Oldenburg
DIPLOMARBEIT - Universität Oldenburg
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
4 Methoden 22<br />
Die so verbleibenden Modelle wurden anschließend untereinander auf Kolinearität<br />
untersucht. Korrelationen unter unabhängigen Variablen können zwar ökologisch<br />
durchaus begründet sein (z.B. abnehmende Temperatur mit steigender Höhe), führen aber<br />
zu teilweise sehr hohen Koeffizienten und Standardfehlern (NETER et al. 1989). Für alle<br />
Variablen ermittelte ich daher den beidseitigen Rangkorrelationskoeffizienten nach<br />
Spearman (r s ). Als Grenzwert, ab welchem nur eine von zwei korrelierten Variablen<br />
verwendet werden sollte, wurde r s = 0,5 festgelegt. Dies ist gegenüber den von FIELDING<br />
& HAWORTH (1995) verwendeten Werten sehr streng, aber aufgrund der Vielzahl an<br />
Ausgangsvariablen sinnvoll. Von den so ermittelten korrelierten Variablen wählte ich zur<br />
Modellierung diejenige mit dem höheren Erklärungsgehalt oder die ökologisch besser<br />
interpretierbare aus. Teilweise wurden korrelierte Variablen auch in separaten Modellen<br />
weiterverwendet. Abschließend fand eine ökologische Plausibilitätsprüfung statt. Zwar<br />
sind bei korrelativen Methoden wie der logistischen Regression rein korrelative von<br />
kausalen Zusammenhängen schwer zu trennen (MORRISON et al. 1998), durch den<br />
Vergleich mit vorhandenem Wissen zur Ökologie der Art ist aber eine Einordnung des<br />
gefundenen Zusammenhangs möglich (KLEYER et al. 1999). Eine absolute Sicherheit, keine<br />
Scheinzusammenhänge zu berücksichtigen, bietet dieses Vorgehen jedoch nicht: Bei einem<br />
Signifikanzniveau von α = 0,05 zeigen im Mittel 5% aller Variablen einen signifikanten<br />
Zusammenhang mit der Zielvariablen, der in der Realität nicht vorhanden ist (REINEKING<br />
& SCHRÖDER 2004b).<br />
4.4.3 Modellbildung<br />
Aus dem so erhaltenen Variablenkatalog wurden mehrere Modellvarianten erstellt. Um aus<br />
diesen Varianten dasjenige Modell mit dem besten Kompromiss zwischen möglichst<br />
hohem Erklärungsgehalt und Parameterzahl (möglichst geringe Komplexität) auszuwählen,<br />
wendete ich das Akaike Information Criterion (AIC) an. Dabei wird den LogLikelihood-<br />
Werten der Modelle mit zunehmender Anzahl an Eingangsvariablen ein zunehmender<br />
Strafterm zugewiesen (Gl 2). Als Endmodell findet daher dasjenige mit dem niedrigsten<br />
AIC-Wert Verwendung (BUCKLAND et al. 1997, AUGUSTIN et al. 2001).<br />
Für kleine Stichproben (in meinem Fall das Regionalmodell) schlagen REINEKING &<br />
SCHRÖDER (2004b) einen modifizierten AIC C vor, bei welchem die Anzahl der<br />
Probepunkte berücksichtigt wird (Gl. 3).<br />
AIC = −2 LL + 2 p<br />
(2)<br />
( p + 1)<br />
p<br />
AIC<br />
C<br />
= AIC + 2<br />
(3)<br />
n − p −1<br />
mit<br />
p = Anzahl Regressionskoeffizienten + Konstanten (= 1) + Varianzparameter (= 1)<br />
n = Anzahl der Beobachtungen<br />
2LL = 2 * LogLokelihood