We evaluate OLS model performance w

We evaluate OLS model performance with both adjustedR 2 and t, the Kendall rank correlation coefficient, which allows us to evaluate if our deer density data are best modeled as absolute (R2) or relative (t) deer density.

Furthermore, ifPis the probability that observed and modeled deer densities for a randomly chosen site are ranked at the same position in the entire sample of sites, then
t=2P1. We present bothtandPin our results.

For OLS models, we also consider model statistical significance and variable
parameter estimates as measures of model performance and variable importance, respectively.

Because our data set is not large, we do not split it into ‘calibration’ and ‘testing’ data sets.

Instead, we test our OLS models using fivefold cross-validation, a case ofkfold cross-validation (Hastie et al., 2001).

By replicating the crossvalidation multiple times we produce central tendency and
variance of error estimates (i.e.,R2 andt). We use k= 5 in our cross-validation to compromise between reducing variance of our error estimates and maximizing the use of our sample data for model testing.

All OLS methods described above were performed in R(R Development Core Team, 2009), using ‘stats’, ‘bootstrap’, andท‘spdep’ packages.

ผลลัพธ์ (ไทย) 1:

เราประเมินประสิทธิภาพรูปแบบ OLS adjustedR 2 และ t เคนดัลอันดับสัมประสิทธิ์สหสัมพันธ์ ซึ่งช่วยให้เราสามารถประเมินถ้าเดียร์ข้อมูลความหนาแน่นสุด จำลองเป็นสัมบูรณ์ (R2) หรือญาติ (t) ความหนาแน่นของกวาง นอกจากนี้ ifPis ความน่าเป็นที่สังเกต และจำลองแน่นเดียร์สำหรับเว็บไซต์ที่ท่านได้ มีการจัดอันดับในตำแหน่งเดียวกันจากตัวอย่างทั้งหมดของเว็บไซต์ แล้วt = 1 P 2 เรานำเสนอ bothtandPin ผลของเรา สำหรับรูปแบบ OLS เรายังพิจารณานัยสำคัญทางสถิติของแบบจำลองและตัวแปรพารามิเตอร์ประเมินเป็นการประเมินประสิทธิภาพของรูปแบบและความสำคัญของตัวแปร ตามลำดับ เนื่องจากชุดข้อมูลของเราไม่ใหญ่ เราไม่แยก 'ปรับแต่ง' และ 'ทดสอบ' ชุดข้อมูล แทน เราทดสอบแบบ OLS ของเราใช้ fivefold ข้ามตรวจสอบ การ ofkfold กรณีข้ามตรวจสอบ (Hastie และ al., 2001) โดยจำลองแบบ crossvalidation หลายครั้งเราผลิตแนวโน้มกลาง และผลต่างการประเมินผิดพลาด (i.e.,R2 andt) เราใช้ k = 5 ในการสอบข้ามเราจะประนีประนอมระหว่างผลต่างการประเมินข้อผิดพลาดของเราลดลง และเพิ่มการใช้ข้อมูลตัวอย่างสำหรับการทดสอบแบบจำลอง ดำเนินวิธีการ OLS ทั้งหมดข้างใน R (R พัฒนาหลักทีม 2009) การใช้ 'สถิติ' 'เริ่มต้น ระบบ' andท 'spdep' แพคเกจ

ผลลัพธ์ (ไทย) 2:

เราจะประเมินผลการดำเนินงานรูปแบบ OLS กับทั้ง adjustedR 2 และเสื้อ, ค่าสัมประสิทธิ์สหสัมพันธ์อันดับเคนดอลซึ่งช่วยให้เราสามารถประเมินว่าข้อมูลความหนาแน่นกวางของเรามีรูปแบบที่ดีที่สุดเป็นที่แน่นอน (R2) หรือญาติ (t) ความหนาแน่นกวาง. นอกจาก ifPis น่าจะเป็นที่ สังเกตและรูปแบบความหนาแน่นกวางสำหรับเว็บไซต์สุ่มเลือกมีการจัดอันดับในตำแหน่งเดียวกันในตัวอย่างทั้งหมดของเว็บไซต์แล้วt = 2P 1 เรานำเสนอ bothtandPin ผลของเรา. สำหรับรุ่นที่ OLS เรายังพิจารณานัยสำคัญทางสถิติรูปแบบและตัวแปรประมาณการพารามิเตอร์เป็นมาตรการของการปฏิบัติงานรูปแบบและความสำคัญของตัวแปรตามลำดับ. เพราะชุดข้อมูลของเรามีขนาดไม่ใหญ่เราจะไม่แยกมันเป็น 'การสอบเทียบ' และ ' ข้อมูลการทดสอบ 'ชุด. แต่เราทดสอบ OLS รุ่นของเราใช้เป็นห้าเท่าข้ามการตรวจสอบกรณี ofkfold ข้ามการตรวจสอบ (Hastie et al., 2001). โดยจำลอง crossvalidation หลายครั้งที่เราผลิตมีแนวโน้มที่ภาคกลางและความแปรปรวนของประมาณการข้อผิดพลาด (เช่น , R2 Andt) เราใช้ k = 5 ในการตรวจสอบข้ามของเราที่จะประนีประนอมระหว่างการลดความแปรปรวนของประมาณการผิดพลาดของเราและการเพิ่มประสิทธิภาพการใช้ข้อมูลตัวอย่างของเราสำหรับการทดสอบรูปแบบ. ทุกวิธี OLS อธิบายไว้ข้างต้นได้ดำเนินการในการวิจัย (R การพัฒนาทีมงานหลัก, 2009) โดยใช้ 'สถิติ', 'บูต', และท 'spdep' แพคเกจ

ผลลัพธ์ (ไทย) 3:

เราประเมินประสิทธิภาพและรูปแบบทั้ง adjustedr 2 t , Kendall Rank Correlation Coefficient ซึ่งช่วยให้เราสามารถประเมินความหนาแน่นของข้อมูล ถ้ากวางที่ดีที่สุดแบบสัมบูรณ์ ( R2 ) หรือญาติ ( T ) ความหนาแน่นของกวาง

นอกจากนี้ ifpis น่าจะเป็นที่สังเกตและแบบสุ่มเลือกกวางความหนาแน่นสำหรับเว็บไซต์อยู่ในอันดับที่ตำแหน่งเดียวกันในตัวอย่างทั้งหมดของเว็บไซต์แล้ว
T = 2p  1 เรานำเสนอ bothtandpin ผลของเรา

เพื่อ OLS รุ่นเรายังพิจารณารูปแบบและพารามิเตอร์ทางสถิติตัวแปร
ประมาณการเป็นมาตรการของแบบจำลองสมรรถนะและตัวแปรสำคัญตามลำดับ

เพราะข้อมูลชุดของเรามีขนาดไม่ใหญ่ เราไม่แยกมันเป็น ' ปรับแต่ง ' และ ' ชุดข้อมูลทดสอบ '

แต่เราทดสอบแบบจำลอง OLS ของเราโดยใช้การรับข้าม ,กรณี ofkfold ข้ามการตรวจสอบ ( เฮสตี้ et al . , 2001 )

โดยจําลอง crossvalidation หลายครั้งเราผลิตกลางและความแปรปรวนของความคลาดเคลื่อนประมาณการแนวโน้ม
( เช่น อาร์ทูค่าที ) เราใช้ k = 5 ในการตรวจสอบข้ามของเราที่จะประนีประนอมระหว่างการลดความแปรปรวนของความคลาดเคลื่อน และประมาณการการใช้ข้อมูลตัวอย่างสำหรับทดสอบแบบจำลอง

ทั้งหมดวิธีการที่อธิบายข้างต้นและมีการปฏิบัติใน R ( ทีมหลัก r พัฒนา 2009 ) โดยใช้ ' ' สถิติ ' บูท ' และท 'spdep ' แพคเกจ