We used quasi-generalized linear mo

We used quasi-generalized linear models with aPoisson error (qGLMs) to analyse the relationshipbetween the number of thrips on a sucker and the fol-lowing variables (if not specified, the variables arecontinuous): the height of the sucker; the number ofthrips on the mother plant; the number of thrips inthe neighbourhood; the absence/presence (categoricalvariable) of three weed species [Alocasia cucullata(Aracae), Dieffenbachia seguine (Aracae), Peperomia pel-lucida (Piperacae)]; temperature and rainfall. To testthe influence of the latter variables, we first comparedthe AIC values of models, which differed in theirassessment of the temperature and rainfall means: wecalculated the means for periods beginning at differ-ent times before sampling (from 0 to 28 days) and forperiods of different length (from 1 to 28 days). Wethen selected the temperature and rainfall means forwhich AIC values were the lowest and used meansdetermined in this manner in the complete models totest their significance. We used qGLMs to analyse therelationship between the number of thrips on themother plant and the following variables: the numberof thrips on the sucker; the phenological status (non-flowering or flowering; categorical variable) of themother plant; and the number of thrips in the neigh-bourhood. We used qGLMs to analyse the relation-ship between the number of thrips on the bunch andthe following variables: the number of thrips on themother plant; the presence/absence of a bunch cover(categorical variable); and the number of thrips in theneighbourhood. The qGLMs were selected by follow-ing a backward-stepwise process: we compared thecomplete model to nested submodels using F-tests; wethen removed non-significant fixed effects from thecomplete model and continued the backward-step-wise process until a model was found in which alleffects were significant (Zuur et al. 2009).

ผลลัพธ์ (ไทย) 1:

เราใช้แบบจำลองเชิงเส้นกึ่งเมจแบบทั่วไป มีข้อผิดพลาด aPoisson (qGLMs) การวิเคราะห์ relationshipbetween จำนวนเพลี้ยไฟในการดูด และการ fol ควายเหล็กตัวแปร (ถ้า ไม่ specified, arecontinuous ตัวแปร): ความสูงของหางบ่วง ofthrips เลขบนพืชแม่ จำนวนเพลี้ยไฟในพื้นที่ใกล้เคียง ขาดงาน/สถานะ (categoricalvariable) พันธุ์วัชพืช 3 [Alocasia cucullata(Aracae), Dieffenbachia seguine (Aracae), Peperomia pel-lucida (Piperacae)]; อุณหภูมิและปริมาณน้ำฝน การ influence testthe แปรหลัง เราค่า AIC comparedthe first รุ่น ซึ่งแตกต่างใน theirassessment หมายถึงอุณหภูมิและปริมาณน้ำฝน: wecalculated วิธีการสำหรับรอบระยะเวลาแตกต่างเอนท์ครั้งก่อนสุ่มตัวอย่าง (จาก 0 ถึง 28 วัน) และ forperiods ความยาวแตกต่างกัน (ตั้งแต่ 1 ถึง 28 วัน) Wethen เลือกอุณหภูมิ และปริมาณน้ำฝนหมายถึง forwhich ค่า AIC มี meansdetermined ต่ำ และใช้ในลักษณะนี้ในแบบจำลองเสร็จสมบูรณ์ totest significance ของพวกเขา เราใช้ qGLMs ในการวิเคราะห์ความต้องการ therelationship ระหว่างจำนวนของเพลี้ยไฟในพืช themother และตัวแปรต่อไปนี้: เพลี้ยไฟ numberof บนหางบ่วง สถานะ phenological (ไม่ใช่ flowering หรือ flowering ตัวแปรแตก) ของโรงงาน themother และจำนวนของเพลี้ยไฟใน bourhood เห็น เราใช้ qGLMs ในการวิเคราะห์การจัดความสัมพันธ์ระหว่างจำนวนของเพลี้ยไฟบนพวงและตัวแปรต่อไปนี้: หมายเลขของเพลี้ยไฟในพืช themother สถานะ/ขาดงานปกพวง (แตกตัวแปร); และจำนวนของเพลี้ยไฟใน theneighbourhood QGLMs การเลือกกระบวนการตามกำลังความย้อนหลัง-stepwise: เราเทียบรุ่น thecomplete เพื่อใช้ทดสอบ F แบบจำลองย่อยซ้อนกัน wethen เอาผล fixed ไม่ใช่ significant จากรุ่น thecomplete และต่อกระบวนการย้อนหลังขั้นตอน-wise จนพบรูปแบบที่ alleffects มี significant (Zuur et al. 2009)

ผลลัพธ์ (ไทย) 2:

เราใช้กึ่งทั่วไปแบบเชิงเส้นที่มีข้อผิดพลาด aPoisson (qGLMs) เพื่อวิเคราะห์ relationshipbetween จำนวนเพลี้ยไฟบนเครื่องดูดและตัวแปร Fol-ควายเหล็ก (ถ้าไม่ได้ระบุไว้เอ็ดตัวแปร arecontinuous): ความสูงของเครื่องดูดนั้น จำนวน ofthrips ในโรงงานแม่; จำนวนเพลี้ยไฟ inthe พื้นที่ใกล้เคียง; ขาด / การแสดงตน (categoricalvariable) สามชนิดวัชพืช [Alocasia cucullata (Aracae) Dieffenbachia seguine (Aracae) Peperomia เพล-Lucida (Piperacae)]; อุณหภูมิและปริมาณน้ำฝน เพื่อ testthe ใน uence ชั้นของตัวแปรหลังเรา fi แรก comparedthe ค่า AIC ของรูปแบบที่แตกต่างกันใน theirassessment ของอุณหภูมิและความหมายถึงปริมาณน้ำฝน: wecalculated หมายถึงระยะเวลาที่เริ่มต้นในช่วงเวลาที่แตกต่างกัน-กิจการก่อนการสุ่มตัวอย่าง (0-28 วัน) และ forperiods ของ ระยะเวลาที่แตกต่างกัน (1-28 วัน) Wethen เลือกอุณหภูมิปริมาณน้ำฝนและวิธี forwhich ค่า AIC ได้ต่ำสุดและใช้ meansdetermined ในลักษณะนี้ในรูปแบบที่สมบูรณ์ totest นัยสายของพวกเขานัยสำคัญ เราใช้ในการวิเคราะห์ qGLMs therelationship ระหว่างจำนวนของเพลี้ยไฟในโรงงาน themother และตัวแปรต่อไปนี้: เพลี้ยไฟดูดในจํานวนนั้น สถานะชีพลักษณ์ (ที่ไม่ใช่ชั้นหรือชั้น owering owering; ตัวแปรเด็ดขาด) ของพืช themother; และจำนวนเพลี้ยไฟในฮี้-bourhood เราใช้ qGLMs ในการวิเคราะห์ความสัมพันธ์ระหว่างเรือจำนวนเพลี้ยไฟบนพวง andthe ตัวแปรต่อไปนี้: จำนวนเพลี้ยไฟในโรงงาน themother นั้น การปรากฏตัว / ไม่มีฝาครอบพวง (ตัวแปรเด็ดขาด); และจำนวนเพลี้ยไฟใน theneighbourhood qGLMs ถูกเลือกโดยติด​​ตามไอเอ็นจีเป็นกระบวนการย้อนกลับขั้นตอน: เราเมื่อเทียบกับรูปแบบที่จะทำให้เสร็จสมบูรณ์โมเดลย่อยที่ซ้อนกันโดยใช้การทดสอบ F-; wethen ลบออกที่ไม่ใช่นัยสำคัญสายไฟลาดเท xed ผลกระทบจากแบบจำลองทำให้เสร็จสมบูรณ์และยังคงกระบวนการย้อนกลับขั้นตอนที่ชาญฉลาดจนรูปแบบที่พบในที่ alleffects เป็นลาดเทมีนัยสำคัญ (Zuur et al. 2009)

ผลลัพธ์ (ไทย) 3:

เราใช้ค่าแบบเชิงเส้นทั่วไปกับ apoisson ข้อผิดพลาด ( qglms ) เพื่อวิเคราะห์ความสัมพันธ์ระหว่างจำนวนเพลี้ยไฟบนดูดและ lowing ตัวแปรแบบซ้อนกัน ( ถ้าไม่กาจึงเอ็ด ตัวแปร arecontinuous ) : ความสูงของท่อดูด หมายเลข ofthrips บนแม่พืช จำนวนเพลี้ยไฟในพื้นที่ใกล้เคียง ;ขาด / การแสดง ( categoricalvariable ) ลคาเซียทดสอบ 3 ชนิด [ วัชพืช ( aracae ) , สาวน้อยประแป้ง seguine ( aracae ) , ผักกระสังเพลลูซิดา ( piperacae ) ] ; อุณหภูมิและปริมาณฝน to testthe in fl uence ของ the variables latter , we fi rst comparedthe aic หมายเลขของ models , which differed in theirassessment ของ the temperature ( rainfall means :wecalculated หมายถึงระยะเวลาเริ่มต้นที่แตกต่างกันเอนท์ครั้งตัวอย่าง ( จาก 0 ถึง 28 วัน ) และ forperiods ของความยาวที่แตกต่างกัน ( 1 - 28 วัน ) wethen เลือกอุณหภูมิและปริมาณน้ำฝนรายหมายถึงค่า AIC น้อยที่สุด และใช้ meansdetermined ในลักษณะนี้ในรูปแบบของ signi จึงสมบูรณ์ตรวจสอบโรคมะเร็งเราใช้ qglms เพื่อศึกษาวิเคราะห์ความสัมพันธ์ระหว่างจำนวนเพลี้ยไฟในการปลูกและตัวแปรดังต่อไปนี้ จำนวนเพลี้ยไฟในการดูด ; สถานะ phenological ( Non - fl owering หรือfl owering ; ตัวแปรอย่างแท้จริง ) ของการปลูก และจำนวนเพลี้ยไฟใน bourhood ฮี้ .เราใช้ qglms เพื่อวิเคราะห์ความสัมพันธ์ระหว่างจำนวนเพลี้ยไฟในเครือและต่อไปนี้ตัวแปรจำนวนเพลี้ยไฟในพืชการ ; ตน / ไม่มีพวงปก ( ตัวแปรอย่างแท้จริง ) ; และจำนวนเพลี้ยไฟใน theneighbourhood . การ qglms จำนวนติดตามไอเอ็นจีกระบวนการ Backward = : เราเปรียบเทียบกับแบบจำลองเมื่อซ้อนกัน submodels ใช้ f-tests ;wethen ลบออกไม่ signi จึงไม่สามารถถ่ายทอด xed ผลจากแบบจำลองและยังคงก้าวถอยหลังเมื่อปัญญากระบวนการจนแบบที่พบในที่ alleffects เป็น signi จึงไม่สามารถ ( zuur et al . 2009 )