Data transformation and analysisFor

Data transformation and analysis
For each species at each site, the mean value for each trait was used. Where traits were
reported separately for sun leaves and shade leaves, sun-leaf data were used. Similarly, if
data were presented separately for recently matured and old leaves, that of the recently
matured leaves were chosen. Leaf traits were approximately log-normally distributed
across the data set, as were rainfall and VPD. Accordingly, these variables were
log10-transformed before analysis. MAT, PETand solar radiation were left untransformed
because their distribution across sites was approximately normal.
Standardized major axis slopes24 with 95% confidence intervals were fitted to bivariate
trait relationships because our aim was to describe the best-fit lines or central axes of these
‘scaling’ relationships. Ordinary multiple regression was used for analyses exploring the
additional predictive power of climate variables on leaf trait relationships. Regressions
were first run including interaction terms between climate variables and leaf traits; where
the interaction was non-significant (P , 0.05), we re-ran models with main effects only.
In several cases, principal components analyses run on data subsets defined by growth
form or plant functional type had to be re-run with one ormore leaf traits removed, owing
to insufficient data. These cases are indicated in Table 2. Variance component analyses
were based on the decomposition of analysis of variance (ANOVA) type I sums of squares.
Principal components analyses, variance components and regression analyses were run in
SPSS for Windows version 11.01.

ผลลัพธ์ (ไทย) 2:

การแปลงข้อมูลและการวิเคราะห์
สำหรับแต่ละชนิดในแต่ละสถานที่ค่าเฉลี่ยสำหรับแต่ละลักษณะที่ถูกนำมาใช้ ในกรณีที่ลักษณะถูก
รายงานแยกต่างหากสำหรับใบดวงอาทิตย์และใบสีข้อมูลดวงอาทิตย์ใบถูกนำมาใช้ ในทำนองเดียวกันถ้า
ข้อมูลที่ถูกนำเสนอแยกต่างหากสำหรับใบครบกำหนดเมื่อเร็ว ๆ นี้และเก่าที่เมื่อเร็ว ๆ นี้
ใบครบกำหนดได้รับการแต่งตั้ง ลักษณะใบถูกประมาณเข้าสู่ระบบปกติกระจาย
ทั่วชุดข้อมูลเช่นเดียวกับปริมาณน้ำฝนและ VPD ดังนั้นตัวแปรเหล่านี้เป็น
log10-เปลี่ยนก่อนที่จะวิเคราะห์ MAT, PETand รังสีดวงอาทิตย์ถูกทิ้ง untransformed
เพราะกระจายของพวกเขาในเว็บไซต์เป็นปกติประมาณ.
แกนมาตรฐานที่สำคัญ slopes24 กับช่วงความเชื่อมั่น 95% ได้รับการติดตั้งกับ bivariate
ความสัมพันธ์ลักษณะเพราะจุดมุ่งหมายของเราคือการอธิบายที่ดีที่สุดสายพอดีหรือแกนกลางของเหล่านี้
'ปรับ ความสัมพันธ์ หลายถดถอยสามัญที่ใช้สำหรับการวิเคราะห์การสำรวจ
การคาดการณ์ที่เพิ่มขึ้นของตัวแปรสภาพภูมิอากาศที่ความสัมพันธ์ลักษณะใบ การถดถอย
เป็นครั้งแรกรวมทั้งข้อกำหนดการปฏิสัมพันธ์ระหว่างตัวแปรสภาพภูมิอากาศและลักษณะใบ; ที่
ทำงานร่วมกันไม่ใช่อย่างมีนัยสำคัญ (P, 0.05) เราอีกครั้งวิ่งรุ่นที่มีผลกระทบหลักเพียง.
ในหลายกรณีการวิเคราะห์องค์ประกอบหลักทำงานในส่วนย่อยข้อมูลที่กำหนดโดยการเจริญเติบโต
รูปแบบหรือพืชประเภทการทำงานจะต้องมีการเปิดการทำงานกับหนึ่ง ormore ลักษณะใบเอาออกเนื่องจาก
ข้อมูลไม่เพียงพอ กรณีเหล่านี้จะมีการแสดงในตารางที่ 2 การวิเคราะห์องค์ประกอบความแปรปรวน
อยู่บนพื้นฐานของการสลายตัวของการวิเคราะห์ความแปรปรวน (ANOVA) ผมพิมพ์ผลรวมของสี่เหลี่ยม.
ส่วนประกอบหลักวิเคราะห์องค์ประกอบความแปรปรวนและการวิเคราะห์การถดถอยวิ่งใน
โปรแกรม SPSS for Windows รุ่น 11.01

ผลลัพธ์ (ไทย) 3:

การแปลงข้อมูลและการวิเคราะห์
สำหรับแต่ละชนิดแต่ละเว็บไซต์ ค่าสำหรับแต่ละลักษณะ ก็ใช้ ที่คุณลักษณะถูก
รายงานแยกต่างหากสำหรับออกจากดวงอาทิตย์และร่มใบ พระอาทิตย์ข้อมูลใบแบบ ในทำนองเดียวกันถ้า
ข้อมูลนำเสนอแยกต่างหากสำหรับเพิ่งสุกและใบเก่าที่เพิ่ง
ครบใบที่เลือก ลักษณะใบบันทึกการกระจายปกติ
ประมาณในชุดข้อมูล เป็นฝนและกรมตำรวจ ดังนั้น ตัวแปรเหล่านี้
LN เปลี่ยนก่อนการวิเคราะห์ เสื่อ , petand รังสีเหลือ untransformed
เพราะการกระจายของพวกเขาผ่านเว็บไซต์ประมาณปกติ
มาตรฐานแกนใหญ่ slopes24 กับช่วงความเชื่อมั่น 95% มีติดตั้งโดยใช้
ลักษณะความสัมพันธ์ เพราะเป้าหมายของเราคือการอธิบายที่ดีที่สุดพอดีกับเส้น หรือแกนกลางของความสัมพันธ์เหล่านี้
'scaling ' ธรรมดาที่ใช้ในการวิเคราะห์การถดถอยพหุ
ความสามารถเพิ่มเติมของตัวแปรภูมิอากาศความสัมพันธ์ใบคุณลักษณะที่ สังกะสี
ก่อนวิ่งรวมทั้งปฏิสัมพันธ์ระหว่างตัวแปรด้านบรรยากาศและลักษณะของใบที่
;ปฏิสัมพันธ์คือไม่แตกต่างกัน ( P < 0.05 ) เรากำลังวิ่งรุ่นที่มีผลหลักเท่านั้น
ในหลายกรณี ส่วนประกอบหลักในการวิเคราะห์ข้อมูลที่กำหนดโดยการเรียกข้อมูลหรือพืชประเภทการทำงาน
แบบฟอร์มมีกำลังวิ่งด้วย ormore ใบลักษณะออกเนื่องจาก
มีข้อมูลไม่เพียงพอ กรณีเหล่านี้จะแสดงในตารางที่ 2 การวิเคราะห์องค์ประกอบความแปรปรวน
ใช้ในการสลายตัวของการวิเคราะห์ความแปรปรวน ( ANOVA ) ประเภทผลรวมของสี่เหลี่ยม
หลักองค์ประกอบการวิเคราะห์ส่วนประกอบความแปรปรวนและการวิเคราะห์สมการถดถอยพหุคูณ ( ใช้โปรแกรมสำเร็จรูป SPSS for Windows Version 11.01
.