We used generalised linear mixed ef

We used generalised linear mixed effects models (GLMM) to test
for relationships between predictor variables and two response
variables: burrow count and burrow diameter. We tested for relationships
between both response variables and each predictor
separately. Continuous predictor variables were beach slope, beach
length, mean grain size, percent total organic material of sediment,
volume of accumulated wrack; and categorical predictors were
seawall type, level of development surrounding beach, and mechanical
cleaning regime. For grain size and organic content,
separate analyses were conducted for samples taken from high and
low positions on beaches. Each model included beach and time
(date of survey event) as random factors, and used a negative
binominal error distribution.
We then undertook model selection to determine the best single
model for burrow count, using combinations of predictors. As
above, the model included beach and time as random factors, and
assumed Poisson error distribution. To avoid co-linearity between
predictor variables, we first generated a covariation matrix, and
removed variables until all pairwise correlations were

ผลลัพธ์ (ไทย) 1:

เราใช้รุ่นผลรวมเชิงเส้นทั่วไป (GLMM) ในการทดสอบสำหรับความสัมพันธ์ระหว่างตัวแปร predictor และสองการตอบสนองตัวแปร: จำนวนขุด และมุดเส้นผ่าศูนย์กลาง เราผ่านทดสอบความสัมพันธ์ระหว่างตัวแปรการตอบสนองและทำนายแต่ละแยกต่างหาก ตัวแปรทำนายต่อเนื่องถูกลาดชายหาด ชายหาดความยาว ขนาดเม็ดหมายถึง สารอินทรีย์รวมเปอร์เซ็นต์ตะกอนปริมาณการสะสม wrack และพยากรณ์ที่แน่ชัดชนิดกลีเนลจ์แปซิฟิก ระดับของการพัฒนาโดยรอบชายหาด และเครื่องกลทำความสะอาดที่ระบอบการปกครอง ขนาดเกรนและปริมาณสารอินทรีย์วิเคราะห์แยกต่างหากสำหรับตัวอย่างที่นำมาจากที่สูง และตำแหน่งต่ำบนชายหาด แต่ละรุ่นรวมทั้งชายหาดและเวลา(วันสำรวจเหตุการณ์) เป็นปัจจัยสุ่ม และใช้ในแง่ลบข้อผิดพลาด binominal การกระจายงานเรา undertook เลือกรุ่นกำหนดเดียวที่ดีที่สุดแล้วรุ่นสำหรับการปรับตัวจำนวน ใช้ชุดทำนาย เป็นข้างบน รุ่นรวมหาดและเวลาเป็นปัจจัยสุ่ม และสันนิษฐานว่าการแจกแจงปัวซองผิดพลาด เพื่อหลีกเลี่ยงเส้นตรง co ระหว่างตัวแปร predictor เราก่อนสร้างเมทริกซ์ covariation และเอาตัวแปรจนกว่าจะได้ความสัมพันธ์ทั้งหมดที่แพร์ไวส์ < 0.6.Wrackความยาวและ%ทอมถูกเปลี่ยนล็อก ขนาดเม็ดและ%ทอมตัวอย่างจากหาดอื่นสูงถูกพู ตั้งแต่ไม่มีนัยสำคัญพบความสัมพันธ์ระหว่างตัวแปรอย่างใดอย่างหนึ่ง และขุดจำนวนในวิเคราะห์ bivariate เป็นรุ่นเริ่มต้น (เต็ม)ประยุกต์โดยย้อนหลังเลือก ลบตามลำดับ nonsignificantตัวแปรตัวแปรที่เหลือทั้งหมดจนมีนัยสำคัญเลือกแบบจำลองที่ดีที่สุดตามมูลค่าพรต (AIC ต่ำสุด) เดลต้าAIC ยังคำนวณแต่ละรุ่น ซึ่งบ่งชี้ความแตกต่างในรุ่น parsimony อธิบาย โดย AIC เดลต้าต่ำสิบค่าบ่งชี้สูงสนับสนุนสำหรับรูปแบบ เรานำเสนอเท่ารุ่นรวมเป็นการวิเคราะห์เพิ่มเติมพบว่าไม่มีปฏิสัมพันธ์อย่างมีนัยสำคัญระหว่างตัวแปรทำนายที่แน่ชัดชุดคล้ายของวิเคราะห์เลือก bivariate และย้อนหลังดำเนินการกับเส้นผ่าศูนย์กลางของดินขึ้นอยู่กับการตอบรับตัวแปร ชายหาด เวลา และ transect ถูกนำมาใช้เป็นปัจจัยสุ่ม และรูปแบบสันนิษฐานผิดพลาดนที่กระจาย การทดสอบวิธี wrackระดับเสียงที่แตกต่างกัน มีระบอบการปกครองทำความสะอาด เราทำการ GLMM ด้วยเสียง wrack (การปัดเศษ cm3 ที่ใกล้ที่สุด) เป็นผู้อยู่ในอุปการะตัวแปร ทำความสะอาดระบบการปกครองเป็นปัจจัยคงที่ และชายหาด และเวลาเป็นปัจจัยสุ่ม การอีกครั้ง โดยใช้ชื่อการแจกจ่ายผิดพลาดลบ binominalการวิเคราะห์คล้ายกันใช้ในการทดสอบวิธีการ wrack ระดับเสียงแตกต่างกันมีชนิดของเขื่อนGLMMs ดำเนินการโดยใช้แพคเกจ lme4 (เบตส์ et al.,2015) หรือแพคเกจ glmmADMB (Skaug et al. 2012) สำหรับค่าลบการกระจายข้อผิดพลาด binominal ใน v3.1.0 R (R Core ทีม 2014) ส่วนที่เหลือแปลงมีการตรวจสอบสำหรับการตรวจสอบรูปแบบ (Zuur et al. 2009) แตกต่างระหว่างระดับของตัวแปรสำคัญที่แน่ชัดได้วิเคราะห์ ด้วย pair-wise เปรียบเทียบโดยใช้ฟังก์ชัน 'relevel'การตรวจสอบเสถียรภาพของเราวิเคราะห์ผลลัพธ์เหล่านี้ข้อมูล ด้วยอัลกอริทึมแบบสุ่มป่า (Breiman, 2001) Treebasedอัลกอริทึมมีสมมติฐานแตกต่างกัน GLMM และความสอดคล้องระหว่างทำนายของวิธีการต่าง ๆ ที่ใช้มาตรวัดความเชื่อมั่นในผล วิเคราะห์ป่าสุ่มใช้แพคเกจของบริษัท (Strobl et al. 2008) ใน v3.1.0 R (R Core ทีม2014)

ผลลัพธ์ (ไทย) 2:

เราใช้ทั่วไปเชิงเส้นผลกระทบผสมรุ่น (GLMM) เพื่อทดสอบ
ความสัมพันธ์ระหว่างตัวแปรตอบสนองและสอง
ตัวแปร: มุดนับและโพรงขนาดเส้นผ่าศูนย์กลาง เราได้ทดสอบความสัมพันธ์
ระหว่างตัวแปรทั้งการตอบสนองและแต่ละทำนาย
แยกต่างหาก ตัวแปรอย่างต่อเนื่องมีความลาดชันหาด
ยาวหมายถึงขนาดของเมล็ดข้าวร้อยละสารอินทรีย์รวมของตะกอน
ปริมาณของพินาศสะสม และทำนายเด็ดขาดเป็น
ประเภทเขื่อนระดับของชายหาดรอบการพัฒนาและวิศวกรรม
ระบอบการปกครองทำความสะอาด สำหรับขนาดของเมล็ดข้าวและเนื้อหาอินทรีย์
วิเคราะห์แยกต่างหากได้ดำเนินการสำหรับกลุ่มตัวอย่างที่นำมาจากที่สูงและ
ตำแหน่งที่ต่ำบนชายหาด แต่ละรูปแบบรวมถึงชายหาดและเวลา
(วันที่มีเหตุการณ์การสำรวจ) เป็นปัจจัยสุ่มและใช้ในเชิงลบ
กระจายความผิดพลาดมีสองชื่อ.
จากนั้นเราจะมารับตัวเลือกในการกำหนดรูปแบบเดียวที่ดีที่สุด
รูปแบบสำหรับการนับโพรงโดยใช้การรวมกันของการพยากรณ์ ในฐานะที่เป็น
ข้างต้นรูปแบบรวมถึงชายหาดและเวลาเป็นปัจจัยสุ่มและ
สันนิษฐานกระจายความผิดพลาด Poisson เพื่อหลีกเลี่ยงการร่วมเป็นเส้นตรงระหว่าง
ตัวแปรที่เราสร้างขึ้นครั้งแรกเมทริกซ์ covariation และ
ลบออกตัวแปรจนกว่าความสัมพันธ์คู่ทั้งหมดถูก <0.6.Wrack,
ความยาวและ% TOM ถูกล็อกเปลี่ยน ขนาดของเมล็ดข้าวและทอม%
ตัวอย่างจากความสูงที่แตกต่างกันชายหาดถูกรวบรวมเนื่องจากไม่มีนัยสำคัญ
ความสัมพันธ์ของเขาถูกพบระหว่างทั้งสองตัวแปรและ
โพรงนับในการวิเคราะห์ bivariate เริ่มต้น (เต็ม) โมเดล
ง่ายโดยการเลือกข้างหลังตามลำดับการลบนัยสำคัญ
ตัวแปรจนกว่าตัวแปรที่เหลืออยู่ทั้งหมดอย่างมีนัยสำคัญ.
รุ่นที่ดีที่สุดได้รับเลือกขึ้นอยู่กับค่า AIC (ต่ำสุด AIC) เดลต้า
AIC ยังที่คำนวณได้สำหรับแต่ละรุ่นซึ่งแสดงให้เห็นความแตกต่าง
ในรูปแบบประหยัดที่อธิบายไว้โดย AIC เดลต้าล่าง AIC
ค่าบ่งชี้ถึงการสนับสนุนที่สูงขึ้นสำหรับรูปแบบ เรานำเสนอเฉพาะ
รุ่นที่เป็นสารเติมแต่งการวิเคราะห์เพิ่มเติมพบว่าไม่มีปฏิสัมพันธ์อย่างมีนัยสำคัญ
ในหมู่ตัวแปรเด็ดขาด.
ชุดที่คล้ายกันของสองตัวแปรและการเลือกย้อนหลังวิเคราะห์
ได้ดำเนินการที่มีขนาดเส้นผ่าศูนย์กลางโพรงเป็นการตอบสนองขึ้นอยู่กับ
ตัวแปร ชายหาด, เวลาและผ่าถูกนำมาใช้เป็นปัจจัยสุ่มและ
รุ่นสันนิษฐานกระจายความผิดพลาดเสียน เพื่อทดสอบว่าพินาศ
ปริมาณที่แตกต่างกันกับการทำความสะอาดระบอบการปกครองของเราดำเนินการ GLMM กับ
ปริมาณพินาศ (ปัดเศษให้เป็น cm3 ที่ใกล้ที่สุด) ในขณะที่ขึ้นอยู่กับ
ตัวแปรในการทำความสะอาดระบอบการปกครองเป็นปัจจัยคงที่และชายหาดและเวลาเป็น
ปัจจัยสุ่มอีกครั้งโดยใช้กระจายความผิดพลาดเชิงลบสองชื่อ .
การวิเคราะห์ที่คล้ายกันถูกนำมาใช้เพื่อทดสอบว่าปริมาณพินาศแตกต่างกันกับ
ชนิดของเขื่อน.
GLMMs ถูกดำเนินการโดยใช้แพคเกจ lme4 นี้ (เบตส์ et al.,
2015) หรือแพคเกจ glmmADMB นี้ (Skaug et al., 2012) สำหรับเชิงลบ
แจกแจงข้อผิดพลาดมีสองชื่อในการวิจัย v3.1.0 (R แกนทีม 2014) ที่เหลือ
แปลงได้รับการตรวจสอบสำหรับการตรวจสอบรูปแบบ (Zuur et al., 2009) ในหมู่ .Differences ระดับของตัวแปรเด็ดขาดอย่างมีนัยสำคัญ
การวิเคราะห์เปรียบเทียบกับคู่ฉลาดใช้ 'relevel' ฟังก์ชั่น.
เพื่อตรวจสอบความทนทานของผลลัพธ์เหล่านี้ที่เรายังวิเคราะห์
ข้อมูลด้วย อัลกอริทึมป่าสุ่ม (Breiman, 2001) Treebased
อัลกอริทึมมีสมมติฐานที่แตกต่างกันเพื่อ GLMM และความสอดคล้อง
ระหว่างพยากรณ์วิธีการต่างๆสามารถใช้ในการ
วัดความเชื่อมั่นในผลการค้นหา การวิเคราะห์ป่าสุ่มที่ได้กระทำ
โดยใช้แพคเกจงานปาร์ตี้ (Strobl et al., 2008) ใน R v3.1.0 (R แกนทีม
2014)

ผลลัพธ์ (ไทย) 3:

เราใช้หลักผสมเชิงเส้นแบบจำลองผลกระทบ ( จํานวนครั้ง เพื่อทดสอบสำหรับความสัมพันธ์ระหว่างตัวแปร และ สอง การตอบสนองตัวแปร : นับโพรง และขนาดเส้นผ่าศูนย์กลางของหลุม เราทดสอบความสัมพันธ์ระหว่างการตอบสนองตัวแปรแต่ละตัวทั้งแยกต่างหาก ตัวแปรต่อเนื่องมีชายหาดหาดลาดความยาว , ขนาดเกรน โดยรวมวัสดุอินทรีย์ของตะกอนปริมาณสะสมของความหายนะ และอำนาจเด็ดขาดคือประเภท ซีวอล ระดับการพัฒนา รอบ ชายหาด และเครื่องกลทำความสะอาดระบบการปกครอง สำหรับขนาดของเมล็ดข้าวและอินทรีย์เนื้อหามีวัตถุประสงค์เพื่อแยกวิเคราะห์ตัวอย่างจากสูงตำแหน่งต่ำบนชายหาด แต่ละรุ่น ได้แก่ ชายหาด และเวลา( วันที่ของเหตุการณ์การสำรวจ ) เป็นปัจจัยสุ่ม และใช้ลบการแพร่กระจายความผิดพลาด binominal .จากนั้นเราก็เลือกทำแบบเพื่อตรวจสอบที่ดีที่สุดเดี่ยวแบบนับหลุม โดยใช้การรวมกันของพยากรณ์ เป็นข้างต้น , รูปแบบ ได้แก่ ชายหาด และเวลาเป็นปัจจัยสุ่ม และถือว่าการกระจายความคลาดเคลื่อนของปัวซง . หลีกเลี่ยงเส้นตรงระหว่างบริษัทตัวแปรที่เราแรกสร้าง covariation เมตริกซ์ลบตัวแปรทั้งหมด < 0.6.wrack จนความสัมพันธ์คู่ ,ความยาวและทอมกำลังเข้าสู่ระบบเปลี่ยน ขนาดของเมล็ดข้าวและทอมตัวอย่างจากความสูงที่ชายหาดต่าง ๆรวม เนื่องจากไม่แตกต่างกันความสัมพันธ์ระหว่างตัวแปร และพบอย่างใดอย่างหนึ่งขุดนับในการวิเคราะห์สองตัวแปร . เริ่มต้น ( ) เต็มรูปแบบ คือสมัยใหม่ โดยหลังการถอดไม่โดดเด่นตัวแปรตัวแปรที่เหลือทั้งหมดจนเป็นสำคัญรุ่นที่ดีที่สุด คือ เลือกตามค่า AIC ( ค่า AIC ) เดลต้าAIC ก็คำนวณสำหรับแต่ละรุ่น ซึ่งแสดงถึงความแตกต่างในรูปแบบความตระหนี่ตามที่อธิบายไว้โดย AIC . เดลต้า 6 ล่างค่าบ่งชี้ที่สูงกว่าการสนับสนุนสำหรับรูปแบบ เรานำเสนอเท่านั้นเติมรูปแบบการวิเคราะห์เพิ่มเติมพบว่าไม่มีปฏิสัมพันธ์อย่างมีนัยสำคัญทางสถิติที่ระดับ .ระหว่างตัวแปรเชิงคุณภาพการวิเคราะห์การถดถอยและ ชุดคล้ายของย้อนกลับแสดงกับโพรงขนาดเส้นผ่าศูนย์กลางเป็นขึ้นอยู่กับการตอบสนองตัวแปร ชายหาด , เวลาและพื้นที่ที่ถูกใช้เป็นปัจจัยสุ่ม และการกระจาย Gaussian โมเดลถือว่าผิดพลาด . เพื่อทดสอบว่าความหายนะปริมาณที่แตกต่างกันกับการทำความสะอาดระบบที่เราได้ทำการจํานวนครั้งกับปริมาณ wrack ( ปัดที่ cm3 ใกล้ ) เป็นขึ้นอยู่กับตัวแปร , ทำความสะอาดระบบการปกครองเป็นปัจจัยคงที่และชายหาดและเวลาเป็นปัจจัยสุ่มอีกครั้งโดยใช้การกระจายความผิดพลาด binominal ลบการวิเคราะห์ที่คล้ายกันถูกนำมาใช้เพื่อทดสอบว่าระดับเสียงที่หลากหลายกับความหายนะประเภทซีวอล .glmms ) มีการใช้ lme4 แพคเกจ ( Bates et al . ,2015 ) หรือ glmmadmb แพคเกจ ( skaug et al . , 2012 ) เพื่อลบbinominal ความคลาดเคลื่อนการแจกแจงใน R v3.1.0 ( ทีมหลัก R 2014 ) ส่วนที่เหลือมีการตรวจสอบแปลงสำหรับรูปแบบการตรวจสอบ ( zuur et al . , 2009 ) . ความแตกต่างระหว่างระดับของตัวแปรเชิงกลุ่มอย่างมีนัยสำคัญทางสถิติการวิเคราะห์เปรียบเทียบปัญญาคู่โดยใช้ " relevel " ฟังก์ชันการตรวจสอบเสถียรภาพของผลลัพธ์เหล่านี้เรายังวิเคราะห์ข้อมูล ข้อมูลป่า สุ่ม ( breiman , 2001 ) treebasedขั้นตอนวิธีที่มีสมมติฐานให้จํานวนครั้งและความสอดคล้องระหว่างตัวแปรต่าง ๆ สามารถใช้วิธีการวัดความมั่นใจในผลลัพธ์ การวิเคราะห์การทำป่าไม้ใช้งานแพ็คเกจ ( สโตรเบล et al . , 2008 ) ใน R v3.1.0 ( ทีมหลัก R ,2014 )