Periglasiaalisten ilmiöiden alueellinen ... - Helda - Helsinki.fi
Periglasiaalisten ilmiöiden alueellinen ... - Helda - Helsinki.fi
Periglasiaalisten ilmiöiden alueellinen ... - Helda - Helsinki.fi
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
vapausasteiden lukumäärään. Näin saadaan kuvattua aineiston vaihtelu oikein, mutta<br />
vältytään mallin ylisovittamiselta (Guisan et al. 2002: 93; Wood 2004: 674). GAM:n etu<br />
GLM:n nähden on se, että tasoitusfunktio ottaa huomioon aineiston muodon, eikä<br />
korkeamman asteen termejä tarvitse erikseen sisällyttää malliin (Yee & Mitchell 1991:<br />
591). Sen heikkous on laskennallinen raskaus, joka saattaa olla ongelma erityisesti<br />
suuria aineistoja analysoitaessa (Leatwick 2006). Mallinnuksessa käytettävien<br />
selittävien muuttujien valintaan tulee kiinnittää erityistä huomiota. Muuttujia voidaan<br />
sovittaa malliin esimerkiksi tilastollisen merkitsevyyden perusteella, jolloin ainoastaan<br />
tietyn merkitsevyystason alittavat muuttujat otetaan mukaan (Hjort 2006). Muita<br />
menetelmiä on esimerkiksi AIC (Akaike’s Information Criterion), jossa alhaisimman<br />
AIC-arvon tuottama kombinaatio on paras malli (Akaike 1974). Myös automaattisia<br />
menetelmiä on mahdollista käyttää (Guisan et al. 2002: 94).<br />
47<br />
GAM on hyvin toimiva ja suosittu menetelmä periglasiaalisten alueiden<br />
tutkimuksessa. Esimerkiksi Brenning et al. (2007) ja Brenning & Azócar (2010) ovat<br />
mallintaneet kivijäätiköiden toimintaa Pohjois- ja Etelä-Amerikassa. GAM<br />
soveltuvuutta geomorfologiseen tutkimukseen ovat selvittäneet esimerkiksi Luoto &<br />
Hjort (2005) sekä Hjort & Luoto (2010).<br />
4.2.4 Hierarkkinen ositus<br />
Monimuuttujamallien kanssa on usein tilanne, että aina ei ole selvää mikä muuttuja<br />
selittää mallista eniten. Hierarkkinen ositus ottaa huomioon selittävien muuttujien<br />
välisen multikollineaarisuuden ja tuo esiin jokaisen selittävän muuttujan yhteisen- tai<br />
itsenäisen vaikutuksen (Chevan & Sutherland 1991: 92–94; MacNally 2002: 1398). Se<br />
on menetelmä, jossa kaikki mahdolliset mallit otetaan huomioon. Näin saadaan esille<br />
todennäköisimmät kausaalitekijät. Hierarkkinen ositus käyttää niin sanottua ”sovituksen<br />
hyvyyttä” jokaiselle 2 k (k selittävälle muuttujalle) mahdolliselle mallille. Varianssit<br />
ositetaan siten, että selittävän muuttujan kokonaisvaikutus voidaan arvioida ja tuloksena<br />
on jokaisen muuttujan itsenäinen vaikutus (Oliver et al. 2000: 23). On tärkeää huomata,<br />
että hierarkkisella osituksella ei ole mitään kykyä tehdä ennusteita (MacNally 2002:<br />
1399).<br />
Hierarkkista ositusta on käyttänyt geomorfologisessa ja ekologisessa tutkimuksessa<br />
esimerkiksi Heikkinen et al. (2005), Johnston et al. (2008), Hjort et al. (2007) sekä Hjort