- ข้อความ
- ประวัติศาสตร์
and Grace, 2002). The data set used
and Grace, 2002). The data set used to run NMS included integrated
values (over the entire 24-day experimental period) of fluorescence,
abundance of adult copepods, and biovolume of protozoans,
rotifers, and copepod nauplii from each experimental replicate.
We calculated scores in NMS at least 10 times for the data set
and chose the solution with the least amount of stress for further
analysis. We then categorized NMS scores according to magnitude
(0.5, 1, 2), frequency (continuous, pulsed), and season
(summer, winter, spring) and visually analyzed subsequent graphs
for distinctness (separation/clustering of points) of these categories.
We chose a 3-dimensional result with a stress of 9.3 indicating
a low risk of drawing false inferences (McCune and Grace,
2002). The variables used in the data matrix explained most of the
variability in the results (92.4%). To maximize the variability in one
dimension, we used Varimax rotation (dimension 2: 55.2%). We
then calculated the factor loadings and found that all of the variables
correlated well with at least one of the 3-dimensions in the
final solution (Table 2). The nature of NMS and most ordination
techniques is such that factor loadings (correlation between raw
data and calculated NMS scores) can be used to explain which
variables (i.e., fluorescence, zooplankton abundances) are major
contributors to a particular dimension. However, interpretation of
the axes with regard to the environmental gradients (i.e., magnitude
or frequency of inflow, season) are not based on direct
correlation of the environmental gradient and the NMS scores, but
rather on knowledge of the system and in the context of studies
conducted in similar systems (Gauch, 1982).
To test for significance between NMS classification, we used
independent sample t-tests and single-factor ANOVAs (SPSS). For this
purpose, we used the Kolmogorov-Smirnov test to test for normality
in the data. Where appropriate, we used data transformations. Most
datawe transformed using a square root transformation (square root
of xþ1; p> 0.005), whereas protozoan data we transformed using
a natural log (ln) transformation (p> 0.005).We used Levene’s test to
determine homogeneity of variances. Assuming equal variances, we
used the Bonferroni test for post hoc multiple comparisons of
magnitude and season, whereas Dunnet’s T3 was appropriate when
equal variances were not assumed.
values (over the entire 24-day experimental period) of fluorescence,
abundance of adult copepods, and biovolume of protozoans,
rotifers, and copepod nauplii from each experimental replicate.
We calculated scores in NMS at least 10 times for the data set
and chose the solution with the least amount of stress for further
analysis. We then categorized NMS scores according to magnitude
(0.5, 1, 2), frequency (continuous, pulsed), and season
(summer, winter, spring) and visually analyzed subsequent graphs
for distinctness (separation/clustering of points) of these categories.
We chose a 3-dimensional result with a stress of 9.3 indicating
a low risk of drawing false inferences (McCune and Grace,
2002). The variables used in the data matrix explained most of the
variability in the results (92.4%). To maximize the variability in one
dimension, we used Varimax rotation (dimension 2: 55.2%). We
then calculated the factor loadings and found that all of the variables
correlated well with at least one of the 3-dimensions in the
final solution (Table 2). The nature of NMS and most ordination
techniques is such that factor loadings (correlation between raw
data and calculated NMS scores) can be used to explain which
variables (i.e., fluorescence, zooplankton abundances) are major
contributors to a particular dimension. However, interpretation of
the axes with regard to the environmental gradients (i.e., magnitude
or frequency of inflow, season) are not based on direct
correlation of the environmental gradient and the NMS scores, but
rather on knowledge of the system and in the context of studies
conducted in similar systems (Gauch, 1982).
To test for significance between NMS classification, we used
independent sample t-tests and single-factor ANOVAs (SPSS). For this
purpose, we used the Kolmogorov-Smirnov test to test for normality
in the data. Where appropriate, we used data transformations. Most
datawe transformed using a square root transformation (square root
of xþ1; p> 0.005), whereas protozoan data we transformed using
a natural log (ln) transformation (p> 0.005).We used Levene’s test to
determine homogeneity of variances. Assuming equal variances, we
used the Bonferroni test for post hoc multiple comparisons of
magnitude and season, whereas Dunnet’s T3 was appropriate when
equal variances were not assumed.
0/5000
แล้ว เกรซ 2002) ชุดข้อมูลที่ใช้ในการรัน NMS รวมรวมค่า (ช่วงทั้งวัน 24 ทดลอง) ของ fluorescenceผู้ใหญ่ copepods และ biovolume ของโปรโตซัว มากมายrotifers และ copepod nauplii จากจำลองทดลองแต่ละครั้งเราคำนวณคะแนนใน NMS น้อย 10 ครั้งสำหรับชุดข้อมูลเลือกโซลูชัน มีน้อยความเครียดสำหรับเพิ่มเติมวิเคราะห์ เราแบ่งคะแนน NMS ตามขนาดแล้ว(0.5, 1, 2), ความถี่ (ต่อเนื่อง พัล), และฤดูกาล(ฤดูร้อน ฤดูหนาว ฤดูใบไม้ผลิ) และวิเคราะห์กราฟตามมาเห็นสำหรับ distinctness (แยก/คลัสเตอร์พอยท์) ประเภทเหล่านี้เราเลือกกับความเครียดของ 9.3 แสดงผล 3 มิติความเสี่ยงต่ำของ inferences เท็จ (McCune และเกรซ รูปวาด2002) . ตัวแปรที่ใช้ในเมตริกซ์ข้อมูลอธิบายส่วนใหญ่ความแปรผันในผลลัพธ์ (92.4%) เพื่อเพิ่มความแปรผันในหนึ่งมิติ เราใช้หมุน Varimax (มิติ 2:55.2%) เราคำนวณ loadings ปัจจัย แล้วพบว่าตัวแปรทั้งหมดcorrelated กับอย่างน้อย 1 ใน 3-มิติในการสุดท้ายโซลูชั่น (ตาราง 2) ลักษณะของ NMS และการอบรมส่วนใหญ่เทคนิคเป็นเช่นที่ปัจจัย loadings (ความสัมพันธ์ระหว่างวัตถุดิบสามารถใช้ข้อมูลและคำนวณคะแนน NMS) เพื่ออธิบายการตัวแปร (เช่น fluorescence, zooplankton abundances) เป็นหลักร่วมสมทบขนาดเฉพาะ อย่างไรก็ตาม การตีความของแกนตามไล่ระดับสีในสิ่งแวดล้อม (เช่น ขนาดหรือความถี่ของกระแส ฤดูกาล) จะสามารถยึดโดยตรงความสัมพันธ์ของสิ่งแวดล้อมระดับสีและคะแนน NMS แต่แต่ในความรู้ ของระบบ และ ในบริบทของการศึกษาดำเนินการในระบบคล้ายกัน (Gauch, 1982)การทดสอบนัยสำคัญระหว่าง NMS ประเภท เราใช้อย่างอิสระ t-ทดสอบและปัจจัยเดียว ANOVAs (โปรแกรม) ในการนี้วัตถุประสงค์ เราใช้น่าเป็น-Smirnov ทดสอบเพื่อทดสอบ normalityในข้อมูล เหมาะสม เราใช้การแปลงข้อมูล มากที่สุดdatawe เปลี่ยนแปลงราก (รากที่สองโดยใช้ของ xþ1 p > 0.005), ในขณะที่ข้อมูล protozoan เราแปลงใช้(p > 0.005) เปลี่ยนแปลงบันทึกธรรมชาติ (ln)เราใช้การทดสอบของ Levene จะกำหนด homogeneity ของผลต่าง สมมติว่าผลต่างที่เท่ากัน เราใช้ทดสอบ Bonferroni สำหรับการลงรายการบัญชีเฉพาะกิจเปรียบเทียบหลายขนาดและฤดูกาล ขณะ T3 ของ Dunnet เหมาะสมเมื่อไม่ได้สันนิษฐานเท่าต่าง
การแปล กรุณารอสักครู่..
and Grace, 2002). The data set used to run NMS included integrated
values (over the entire 24-day experimental period) of fluorescence,
abundance of adult copepods, and biovolume of protozoans,
rotifers, and copepod nauplii from each experimental replicate.
We calculated scores in NMS at least 10 times for the data set
and chose the solution with the least amount of stress for further
analysis. We then categorized NMS scores according to magnitude
(0.5, 1, 2), frequency (continuous, pulsed), and season
(summer, winter, spring) and visually analyzed subsequent graphs
for distinctness (separation/clustering of points) of these categories.
We chose a 3-dimensional result with a stress of 9.3 indicating
a low risk of drawing false inferences (McCune and Grace,
2002). The variables used in the data matrix explained most of the
variability in the results (92.4%). To maximize the variability in one
dimension, we used Varimax rotation (dimension 2: 55.2%). We
then calculated the factor loadings and found that all of the variables
correlated well with at least one of the 3-dimensions in the
final solution (Table 2). The nature of NMS and most ordination
techniques is such that factor loadings (correlation between raw
data and calculated NMS scores) can be used to explain which
variables (i.e., fluorescence, zooplankton abundances) are major
contributors to a particular dimension. However, interpretation of
the axes with regard to the environmental gradients (i.e., magnitude
or frequency of inflow, season) are not based on direct
correlation of the environmental gradient and the NMS scores, but
rather on knowledge of the system and in the context of studies
conducted in similar systems (Gauch, 1982).
To test for significance between NMS classification, we used
independent sample t-tests and single-factor ANOVAs (SPSS). For this
purpose, we used the Kolmogorov-Smirnov test to test for normality
in the data. Where appropriate, we used data transformations. Most
datawe transformed using a square root transformation (square root
of xþ1; p> 0.005), whereas protozoan data we transformed using
a natural log (ln) transformation (p> 0.005).We used Levene’s test to
determine homogeneity of variances. Assuming equal variances, we
used the Bonferroni test for post hoc multiple comparisons of
magnitude and season, whereas Dunnet’s T3 was appropriate when
equal variances were not assumed.
values (over the entire 24-day experimental period) of fluorescence,
abundance of adult copepods, and biovolume of protozoans,
rotifers, and copepod nauplii from each experimental replicate.
We calculated scores in NMS at least 10 times for the data set
and chose the solution with the least amount of stress for further
analysis. We then categorized NMS scores according to magnitude
(0.5, 1, 2), frequency (continuous, pulsed), and season
(summer, winter, spring) and visually analyzed subsequent graphs
for distinctness (separation/clustering of points) of these categories.
We chose a 3-dimensional result with a stress of 9.3 indicating
a low risk of drawing false inferences (McCune and Grace,
2002). The variables used in the data matrix explained most of the
variability in the results (92.4%). To maximize the variability in one
dimension, we used Varimax rotation (dimension 2: 55.2%). We
then calculated the factor loadings and found that all of the variables
correlated well with at least one of the 3-dimensions in the
final solution (Table 2). The nature of NMS and most ordination
techniques is such that factor loadings (correlation between raw
data and calculated NMS scores) can be used to explain which
variables (i.e., fluorescence, zooplankton abundances) are major
contributors to a particular dimension. However, interpretation of
the axes with regard to the environmental gradients (i.e., magnitude
or frequency of inflow, season) are not based on direct
correlation of the environmental gradient and the NMS scores, but
rather on knowledge of the system and in the context of studies
conducted in similar systems (Gauch, 1982).
To test for significance between NMS classification, we used
independent sample t-tests and single-factor ANOVAs (SPSS). For this
purpose, we used the Kolmogorov-Smirnov test to test for normality
in the data. Where appropriate, we used data transformations. Most
datawe transformed using a square root transformation (square root
of xþ1; p> 0.005), whereas protozoan data we transformed using
a natural log (ln) transformation (p> 0.005).We used Levene’s test to
determine homogeneity of variances. Assuming equal variances, we
used the Bonferroni test for post hoc multiple comparisons of
magnitude and season, whereas Dunnet’s T3 was appropriate when
equal variances were not assumed.
การแปล กรุณารอสักครู่..
เกรซ , 2002 ) ชุดข้อมูลที่ใช้เพื่อเรียกใช้บริการที่รวม
ค่าแบบบูรณาการ ( เหนือทั้งหมด 24 วัน ระยะเวลาของการทดลอง ) , โคพิปอด
ความอุดมสมบูรณ์ของผู้ใหญ่ และ ของโปรตัวซัวส์
biovolume , โรติเฟอร์ และปราศจาก nauplii จากแต่ละทดลองทำซ้ำ .
เราคำนวณคะแนนใน NMS อย่างน้อย 10 ครั้ง สำหรับชุดข้อมูล
และเลือกโซลูชั่น ที่มีจํานวนน้อยของความเครียดสำหรับการวิเคราะห์ต่อไป
เราก็แบ่งตามคะแนนคุณ
( ขนาด 0.5 , 1 2 ) , ความถี่ ( อย่างต่อเนื่อง , พัล ) , และฤดู
( ฤดูร้อน , ฤดูหนาว , ฤดูใบไม้ผลิ ) และสายตาวิเคราะห์ต่อมากราฟ
สำหรับเด่น ( แยก / การจัดกลุ่มของจุด ) ของประเภทเหล่านี้ .
เราเลือกผล 3 มิติกับ ความเครียดที่ 9.3 แสดง : ความเสี่ยงต่ำวาดใช้ เท็จ ( เมิกคูน และ เกรซ
2002 )ตัวแปรที่ใช้ในข้อมูลเมทริกซ์อธิบายส่วนใหญ่ของ
ความผันแปรในผล ( ร้อยละ 92.4 ) เพื่อเพิ่มความแปรปรวนในหนึ่ง
มิติ เราใช้ตัวหมุน ( 55.2 % 2 มิติ ) เรา
แล้วคำนวณปัจจัยภาระและพบว่าตัวแปรทั้งหมด
มีความสัมพันธ์กับอย่างน้อยหนึ่งของ 3-dimensions ใน
ทางออกสุดท้าย ( ตารางที่ 2 ) ธรรมชาติของโลก และส่วนใหญ่การบวช
เทคนิคนี้ ภาระทางด้านความสัมพันธ์ระหว่างข้อมูลและคำนวณคะแนนดิบ
คุณ ) สามารถใช้ในการอธิบายที่
ตัวแปร ( เช่นเรืองแสง , แพลงก์ตอนสัตว์ abundances ) เป็นผู้สนับสนุนหลัก
ในมิติเฉพาะ อย่างไรก็ตาม การตีความ
แกนเกี่ยวกับการไล่ระดับสีด้านสิ่งแวดล้อม ( เช่น ขนาด
หรือความถี่ของฤดูกาลไหล ) ไม่ได้ยึดตรง
ความสัมพันธ์ของการไล่ระดับสีสิ่งแวดล้อมและคุณคะแนนแต่
ค่อนข้างมีความรู้ด้านระบบ และในบริบทของการศึกษา
ดำเนินการในระบบที่คล้ายกัน ( gauch , 1982 ) .
เพื่อทดสอบความสัมพันธ์ระหว่างประเภทอื่นๆ เราใช้อย่างอิสระ และ anovas
แบบปัจจัยเดียว ( SPSS ) สำหรับวัตถุประสงค์นี้
เราใช้เพื่อเปลี่ยนแปลงในการทดสอบปกติ
ในข้อมูลที่เหมาะสมที่เราใช้ในการแปลงข้อมูล ที่สุด
datawe แปลงโดยใช้รากที่สอง ( square root transformation
x þ 1 ; p < 0.005 ) ส่วนโปรโตซัวข้อมูลเราเปลี่ยนใช้
บันทึกธรรมชาติ ( LN ) เปลี่ยนแปลง ( P < 0.005 ) เราเคยวีนทดสอบ
หาค่าความ แปรปรวน สมมติว่าค่าความแปรปรวนเท่ากับเรา
ใช้ทดสอบบอนเฟอร์โรนีเพื่อหาหลายวิธี
ขนาดและฤดูกาล ในขณะที่ dunnet Engineer มีความเหมาะสมเมื่อ
ความแปรปรวนเท่ากับไม่ได้คิดไปเอง
ค่าแบบบูรณาการ ( เหนือทั้งหมด 24 วัน ระยะเวลาของการทดลอง ) , โคพิปอด
ความอุดมสมบูรณ์ของผู้ใหญ่ และ ของโปรตัวซัวส์
biovolume , โรติเฟอร์ และปราศจาก nauplii จากแต่ละทดลองทำซ้ำ .
เราคำนวณคะแนนใน NMS อย่างน้อย 10 ครั้ง สำหรับชุดข้อมูล
และเลือกโซลูชั่น ที่มีจํานวนน้อยของความเครียดสำหรับการวิเคราะห์ต่อไป
เราก็แบ่งตามคะแนนคุณ
( ขนาด 0.5 , 1 2 ) , ความถี่ ( อย่างต่อเนื่อง , พัล ) , และฤดู
( ฤดูร้อน , ฤดูหนาว , ฤดูใบไม้ผลิ ) และสายตาวิเคราะห์ต่อมากราฟ
สำหรับเด่น ( แยก / การจัดกลุ่มของจุด ) ของประเภทเหล่านี้ .
เราเลือกผล 3 มิติกับ ความเครียดที่ 9.3 แสดง : ความเสี่ยงต่ำวาดใช้ เท็จ ( เมิกคูน และ เกรซ
2002 )ตัวแปรที่ใช้ในข้อมูลเมทริกซ์อธิบายส่วนใหญ่ของ
ความผันแปรในผล ( ร้อยละ 92.4 ) เพื่อเพิ่มความแปรปรวนในหนึ่ง
มิติ เราใช้ตัวหมุน ( 55.2 % 2 มิติ ) เรา
แล้วคำนวณปัจจัยภาระและพบว่าตัวแปรทั้งหมด
มีความสัมพันธ์กับอย่างน้อยหนึ่งของ 3-dimensions ใน
ทางออกสุดท้าย ( ตารางที่ 2 ) ธรรมชาติของโลก และส่วนใหญ่การบวช
เทคนิคนี้ ภาระทางด้านความสัมพันธ์ระหว่างข้อมูลและคำนวณคะแนนดิบ
คุณ ) สามารถใช้ในการอธิบายที่
ตัวแปร ( เช่นเรืองแสง , แพลงก์ตอนสัตว์ abundances ) เป็นผู้สนับสนุนหลัก
ในมิติเฉพาะ อย่างไรก็ตาม การตีความ
แกนเกี่ยวกับการไล่ระดับสีด้านสิ่งแวดล้อม ( เช่น ขนาด
หรือความถี่ของฤดูกาลไหล ) ไม่ได้ยึดตรง
ความสัมพันธ์ของการไล่ระดับสีสิ่งแวดล้อมและคุณคะแนนแต่
ค่อนข้างมีความรู้ด้านระบบ และในบริบทของการศึกษา
ดำเนินการในระบบที่คล้ายกัน ( gauch , 1982 ) .
เพื่อทดสอบความสัมพันธ์ระหว่างประเภทอื่นๆ เราใช้อย่างอิสระ และ anovas
แบบปัจจัยเดียว ( SPSS ) สำหรับวัตถุประสงค์นี้
เราใช้เพื่อเปลี่ยนแปลงในการทดสอบปกติ
ในข้อมูลที่เหมาะสมที่เราใช้ในการแปลงข้อมูล ที่สุด
datawe แปลงโดยใช้รากที่สอง ( square root transformation
x þ 1 ; p < 0.005 ) ส่วนโปรโตซัวข้อมูลเราเปลี่ยนใช้
บันทึกธรรมชาติ ( LN ) เปลี่ยนแปลง ( P < 0.005 ) เราเคยวีนทดสอบ
หาค่าความ แปรปรวน สมมติว่าค่าความแปรปรวนเท่ากับเรา
ใช้ทดสอบบอนเฟอร์โรนีเพื่อหาหลายวิธี
ขนาดและฤดูกาล ในขณะที่ dunnet Engineer มีความเหมาะสมเมื่อ
ความแปรปรวนเท่ากับไม่ได้คิดไปเอง
การแปล กรุณารอสักครู่..
ภาษาอื่น ๆ
การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.
- ภาษาอังกฤษได้นิดหน่อย
- มันทำให้หัวใจฉันสั่น
- คุณยุ่งหรอ
- ประจวบคีรีขันธ์
- won't bring us anything of real interest
- They take care and cheer up me
- โสด
- your password must contain a letters.
- Exhaust
- ผู้ช่วยนายทะเบียน ทำการแทน
- ฉันจะชอบเข้าไปในห้องน้ำตอนอาคาร5 เพื่อไป
- Customer oriented with a service mind.
- จัดตั้งสถาบันพัฒนาบุคลากรและการขนส่ง ซึ่
- Tumor markers are substances that can be
- my love you will see me soonest i promis
- รูระบายอากาศ
- O.K. I will do it.
- เหมือนเธอเปลี่ยนไป
- แค่เอ่ยชื่อก็เป็นที่ทราบกันดีอยู่แล้วว่า
- Innovationb & Systematic
- 有货，但是那个是从厂里发的。这个我没有拿到家里。别的都在家里，亲放心质量是确保正
- กลับมาเป็นเหมือนเดิมได้ไหมเธอ
- ฉันคบกับคุณ คุณจะดูแลฉันไหม
- Try to resolve the political impasse tha
