Periglasiaalisten ilmiöiden alueellinen ... - Helda - Helsinki.fi

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