Periglasiaalisten ilmiöiden alueellinen ... - Helda - Helsinki.fi
Periglasiaalisten ilmiöiden alueellinen ... - Helda - Helsinki.fi
Periglasiaalisten ilmiöiden alueellinen ... - Helda - Helsinki.fi
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
4.2.3 Yleistetyt additiiviset mallit<br />
Aina GLM ei ole riittävän joustava arvioitaessa todellisia prosessi-ympäristö suhteita<br />
(Yee & Mitchell 1991: 588; Luoto & Hjort 2004: 337; Hjort & Luoto 2010). Yleistetyt<br />
additiiviset mallit (GAM = Generalized Additive Models) ovat yleistettyjen lineaaristen<br />
mallien semi-parametrisia jatkeita, jotka sallivat vasteen ja selittävien muuttujien<br />
välisen riippuvuuden mallintamisen ei-parametrisesti (Hastie & Tibshirani 1990). Tämä<br />
tarkoittaa sitä, että selittäville muuttujille ei määritetä kertoimia. Vasteen<br />
todennäköisyysjakauma tulee kuitenkin olla tiedossa ja täten GAM:n voidaankin sanoa<br />
olevan semi-parametrinen menetelmä. Kuten GLM, myös GAM hyödyntää<br />
linkkifunktiota saavuttaakseen yhteyden vastemuuttujan ja selittävän muuttujan välille<br />
(Guisan et al. 2002: 90–93). GAM:n rakenne voidaan määritellä seuraavasti (Hastie &<br />
Tibshirani 1990; Wood & Augustin 2002: 157–158):<br />
g(μ) = β0 + s1(x1) + s2(x2) + … + sk(xk) (6)<br />
missä,<br />
g(μ) = linkkifunktio<br />
β0 = vakiotermi<br />
sk = määrittelemätön tasoitusfunktio<br />
xk = selittävä muuttuja<br />
Rakenne on muuten sama kuin GLM-mallissa, mutta lineaarinen ennustaja on korvattu<br />
aineistosta arvioidulla tasoitusfunktiolla (Mc Cullagh & Nelder 1989: 465). GAM<br />
käyttää niin sanottua ”takaisin sovitus”-algoritmia, joka on iteratiivinen<br />
sovitusmenetelmä (Hastie & Tibshirani 1990: 90–91).<br />
Ei-lineaariset ja tasoittavat regressiotekniikat, kuten GAM, antavat aineiston<br />
määrittää vasteiden muodot, eivätkä rajoita niitä mallin määräämiin parametrisiin<br />
muotoihin (Luoto & Hjort 2004: 337). Näin ollen GAM:n voidaan sanoa olevan<br />
enemmän aineiston kuin mallin ohjaama menetelmä, eikä vasteen muodolle ole a priori<br />
olettamusta. Sen avulla aineiston ominaisuudet, kuten mahdollinen bimodaalisuus ja<br />
epäsymmetrisyys on helpompi havaita kuin GLM:lla (Yee & Mitchell 1991: 589).<br />
Tärkeä vaihe GAM-mallia sovitettaessa on valita sopiva tasoitusfunktion taso perustuen<br />
46