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.
& Luoto (2009). Tässä tutkimuksessa hierarkkinen ositus on tehty R-ohjelmiston<br />
hier.part -paketilla (Walsh & MacNally 2003). Sovituksen hyvyyttä mitattiin log-<br />
todennäköisyydellä (Heikkinen et al. 2005: 2206). Hierarkkisessa osituksessa käytettiin<br />
kaikkia samoja selittäviä muuttujia, mitä GLM-malleissakin. Koska muuttujien<br />
maksimimäärä osituksessa on 12, lisättiin analyyseihin vielä NDVI, TWI sekä x- ja y-<br />
koordinaatti, jotta saataisiin tarkempaa tietoa <strong>ilmiöiden</strong> esiintymiseen vaikuttavista<br />
tekijöistä. Spatiaalisten muuttujien avulla voidaan arvioida mahdollisia maantieteellisiä<br />
trendejä (Hjort 2006: 48).<br />
4.2.5 Mallin kalibraatio ja evaluointi<br />
Mallia kalibroitaessa valitaan sopiva mallinnusmenetelmä, selittävät ympäristömuuttujat<br />
sekä rakennetaan tilastollinen malli (McGullagh & Nelder 1989: 21; Guisan &<br />
Zimmermann 2000: 166). GLM-mallit sovitettiin käyttämällä R tilasto-ohjelman glm-<br />
komentoa (liite 3). Koska vastemuuttujien arvot noudattavat Poisson-jakaumaa (family<br />
= Poisson) (kuva 28), kanoninen linkkifunktio on log (McGullagh & Nelder: 1989: 32;<br />
Crawley 2007: 514). Poisson-jakauma oletus sopii hyvin vasteille, jotka ovat positiivisia<br />
kokonaislukuja, lukumääriä ja eniten havaintoja on pienillä arvoilla (McGullagh &<br />
Nelder 1989: 194). Vasteen ja selittävien muuttujien välinen mahdollinen<br />
käyräviivainen suhde tutkittiin lisäämällä malliin jatkuvien muuttujien toisen ja<br />
kolmannen asteen termit (Austin 2002: 108; Luoto & Hjort 2004: 332). Parsimonian<br />
periaatteen mukaan mallin tulisi olla mahdollisimman yksinkertainen, eli se ei saa<br />
sisältää turhia parametrejä tai faktoritasoja (Crawley 2007: 326). Tilastollisen<br />
mallinnuksen vaiheet on esitetty kuvassa 29.<br />
GLM-mallit sovitettiin käyttämällä termien askeltavaa poistoa, jolloin kalibraatio<br />
aloitetaan täydellä mallilla (kaikki selittävät muuttujat mukana) ja niitä poistetaan<br />
perustuen tilastolliseen merkitsevyyteen (F-testi) (Hjort 2006: 46). Tilastollisen<br />
merkitsevyyden raja-arvoksi valittiin p < 0,01 (Fronzek et al. 2006: 5). Ensimmäiseksi<br />
poistetaan ei-merkitsevät toisen tai kolmannen asteen termit. Esimerkiksi jos lineaarinen<br />
termi ei ole merkitsevä, mutta toisen asteen on, tulee lineaarinen termi pitää mallissa<br />
mukana (Crawley 2007: 326). Valmiilla mallilla tehtiin ennuste spatiaaliselle<br />
mallinnusruudukolle, joka sisältää tiedot samoista selittävistä muuttujista kuin mallikin.<br />
Näin saatiin tutkittavan ilmiön alueellisesta esiintymisestä ennuste kartan muodossa.<br />
48