Data AnalysisWe used Random Forests

Data Analysis
We used Random Forests, a type of recursive partitioning method available in the ‘party’ package [24] in the programming language R version 3.0.1 [25]. While other methods such as CART are generally used for analyzing similar data, in our experience Random Forests have substantially outperformed methods based only on a single regression tree. We also chose to implement cforest in the ‘party’ package instead of using other packages (e.g. ‘rpart’ and ‘randomforest’) because it is appropriate to use with predictor variables of different types. A conditional variable-importance measure (function ‘varimp’) has recently been added to this package, which can give more reliable results when evaluating the importance of each variable if predictor variables are correlated [26]. This is important with the high number of correlated predictor variables in interview surveys. The ‘party’ algorithm first tests whether predictor variables are independent of each other and independent of the response variable. It then selects the single predictor variable with the strongest association to the response variable and assigns a p-value to the relationship. The data are then split into two nodes (groups of data) that are compared to the predictor variables in a repeat search for the next predictor variable with the strongest association. This portioning of the data continues until the assigned stop criterion.
Model parameters included 1,000 trees, and we set the number of randomly preselected predictor variables for each split (mtry) to four. An mtry of four was chosen because Strobel et al. [26] suggest using the square root of the number of variables. The stop criterion was set to the default by Strobl et al. [27] and is based on the univariate p-values. Before we interpreted the random forest variable importance rankings, we increased the number of trees from 20 to 500 to 1,000, and repeated the analyses specifying different values for random seeds. The results of significantly ranked variables were stable and the overall results were the same. Variables are usually considered informative if their variable importance value is above the absolute value of the lowest negative-scoring variable [26].
We included 15 factors as potential explanatory variables. Five variables were chosen to characterize attitudes towards dholes and included the level of agreement with statements based on a 1-5 Likert scale; three variables dealt with people’s familiarity with dholes; three variables were chosen to indicate people’s relationship to the forest; and the remaining variables were age, sex, level of schooling, and income (Table 1; Appendix I).

The degree to which people agreed that “We should eliminate dholes” was chosen as the response variable. The variable was an ordered factor of the Likert responses on a 1-5 scale indicating level of agreement with the statement. We were most interested in identifying variables correlated with this outright elimination statement, because we assumed that people with extremely negative attitudes would be most likely to act and have a detrimental impact on dholes.

ผลลัพธ์ (ไทย) 1:

การวิเคราะห์ข้อมูลเราใช้สุ่มป่า ชนิดของพาร์ทิชันที่มีอยู่ในแพคเกจ 'บุคคล' [24] ในภาษาการเขียนโปรแกรม R เวอร์ชัน 3.0.1 [25] วิธีการเกิดซ้ำ ในขณะที่โดยทั่วไปใช้วิธีอื่น ๆ เช่นรถเข็นสำหรับวิเคราะห์ข้อมูลคล้ายกัน ของเรา สุ่มป่ามีมาก outperformed ตามต้นไม้ถดถอยที่เดียวเท่านั้น นอกจากนี้เรายังเลือกใช้ cforest ในแพคเกจ 'บริษัท' แทนการใช้แพคเกจอื่น ๆ (เช่น 'rpart' และ 'randomforest') เนื่องจากมีความเหมาะสมกับใช้กับตัวแปร predictor ชนิดต่าง ๆ เมื่อเร็ว ๆ นี้มีการเพิ่มการวัดตัวแปรสำคัญตามเงื่อนไข (ฟังก์ชัน 'varimp') กับแพคเกจนี้ ซึ่งสามารถให้ผลที่น่าเชื่อถือมากขึ้นเมื่อประเมินความสำคัญของแต่ละตัวแปรถ้าตัวแปร predictor correlated [26] นี้มีความสำคัญกับจำนวนตัวแปร correlated predictor ในการสำรวจสัมภาษณ์สูง อัลกอริทึม 'บุคคล' ก่อนทดสอบว่าตัวแปร predictor เป็นอิสระกัน และอิสระของตัวแปรตอบสนอง จากนั้นเลือกตัวแปร predictor เดียวกับความสัมพันธ์ที่แข็งแกร่งให้กับตัวแปรตอบสนอง และกำหนดค่า p เป็นความสัมพันธ์ ข้อมูลโดยทั่วไปแล้วแบ่งเป็นโหนสอง (กลุ่มของข้อมูล) ที่เปรียบเทียบกับตัวแปร predictor หาตัวแปร predictor ถัดไปซ้ำกับความสัมพันธ์ที่แข็งแกร่ง นี้รับข้อมูลอย่างต่อเนื่องจนถึงเกณฑ์ต้องกำหนดรุ่นพารามิเตอร์รวมต้นไม้ 1000 และเราตั้งค่าหมายเลขของตัวแปร predictor สุ่มไว้ล่วงหน้าสำหรับแต่ละแยก (mtry) 4 Mtry ที่สี่ถูกเลือก เพราะ Strobel et al. [26] แนะนำใช้ค่ารากที่สองของจำนวนตัวแปร เกณฑ์ต้องถูกตั้งค่าให้เริ่มโดยลสโตรเบลล์ et al. [27] และอยู่อย่างไร univariate p-ค่า ก่อนที่เราตีความการจัดอันดับความสำคัญของตัวแปรสุ่มป่า เราเพิ่มจำนวนต้นไม้ 20 500 กับ 1000 และซ้ำวิเคราะห์ระบุค่าสุ่มเมล็ด ผลลัพธ์ของตัวแปรอย่างมีนัยสำคัญอันดับมั่นคง และโดยรวมก็เหมือนกัน ตัวแปรมักจะพิจารณาข้อมูลว่าค่าของตัวแปรสำคัญข้างต้นค่าสัมบูรณ์ของตัวต่ำสุดให้คะแนนลบแปร [26]เรารวม 15 ปัจจัยเป็นตัวแปรที่อธิบายไป ห้าตัวแปรที่ถูกเลือกต้องกำหนดลักษณะทัศนคติ dholes และรวมระดับของข้อตกลงกับงบที่ใช้ในระดับ Likert 1-5 ตัวแปรที่สามประชาชนคุ้นเคยกับ dholes สามตัวแปรที่ถูกเลือกเพื่อบ่งชี้ความสัมพันธ์ของคนกับป่า และตัวแปรที่เหลือ อายุ เพศ ระดับประถม รายได้ (ตารางที่ 1 ภาคผนวกฉัน)ระดับที่คนเห็นว่า "เราควรกำจัด dholes" ถูกเลือกเป็นตัวแปรตอบสนอง ตัวแปรปัจจัยการสั่งการตอบสนองของ Likert ในระดับ 1-5 แสดงระดับของข้อตกลงกับงบได้ สนใจมากที่สุดในการระบุตัวแปร correlated กับงบนี้ตัดออกทันที เนื่องจากเราสมมติว่า คนที่ มีทัศนคติเชิงลบมากจะมักทำหน้าที่ และมีผลกระทบผลดีใน dholes ได้

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์ข้อมูลเราใช้ป่าสุ่มชนิดของวิธีการแบ่งพาร์ทิชัน recursive ที่มีอยู่ในแพคเกจ 'บุคคล' [24] ในการเขียนโปรแกรมภาษา R เวอร์ชัน 3.0.1 [25]
ขณะที่วิธีการอื่น ๆ เช่นรถเข็นโดยทั่วไปจะใช้ในการวิเคราะห์ข้อมูลที่คล้ายกันในประสบการณ์ของเรามีป่าสุ่มวิธีเฮงอย่างมีนัยสำคัญขึ้นอยู่เฉพาะในต้นไม้ถดถอยเดียว นอกจากนี้เรายังเลือกที่จะใช้ cforest ในแพคเกจ 'บุคคล' แทนการใช้แพคเกจอื่น ๆ (เช่น 'rpart' และ 'randomforest) เพราะมันมีความเหมาะสมที่จะใช้กับตัวแปรที่แตกต่างกัน วัดตัวแปรสำคัญเงื่อนไข (ฟังก์ชั่น 'varimp) ได้รับการเพิ่มเมื่อเร็ว ๆ นี้แพคเกจนี้ซึ่งสามารถให้ผลลัพธ์ที่น่าเชื่อถือมากขึ้นเมื่อมีการประเมินความสำคัญของแต่ละตัวแปรถ้าตัวแปรมีความสัมพันธ์ [26] นี้เป็นสิ่งสำคัญที่มีจำนวนสูงของตัวแปรที่มีลักษณะร่วมในการสำรวจการสัมภาษณ์ ของบุคคลที่ 'ขั้นตอนวิธีการทดสอบก่อนว่าตัวแปรมีความเป็นอิสระของแต่ละอื่น ๆ และเป็นอิสระของตัวแปรการตอบสนอง จากนั้นก็เลือกตัวแปรทำนายที่เดียวกับสมาคมที่แข็งแกร่งให้กับตัวแปรการตอบสนองและกำหนด p-value กับความสัมพันธ์ ข้อมูลจะถูกแบ่งออกเป็นสองโหนด (กลุ่มของข้อมูล) ที่มีการเทียบกับตัวแปรในการค้นหาซ้ำสำหรับตัวแปรทำนายต่อไปด้วยความสัมพันธ์ที่แข็งแกร่ง การแบ่งส่วนของข้อมูลนี้ต่อไปจนกว่าเกณฑ์หยุดที่ได้รับมอบหมาย.
พารามิเตอร์รุ่นรวม 1,000 ต้นและเราตั้งไว้ล่วงหน้าจำนวนสุ่มตัวแปรสำหรับแต่ละแยก (mtry) ถึงสี่ mtry สี่ได้รับเลือกเพราะ Strobel et al, [26] แนะนำให้ใช้รากที่สองของจำนวนของตัวแปร เกณฑ์หยุดถูกกำหนดให้เริ่มต้นโดย Strobl et al, [27] และอยู่บนพื้นฐานของ univariate พีค่า ก่อนที่เราจะตีความตัวแปรสุ่มป่าการจัดอันดับความสำคัญเราเพิ่มจำนวนของต้นไม้ 20-500 1,000 และซ้ำวิเคราะห์ระบุค่าที่แตกต่างกันสำหรับเมล็ดแบบสุ่ม ผลการจัดอันดับของตัวแปรที่มีเสถียรภาพอย่างมีนัยสำคัญและผลรวมได้เหมือนกัน ตัวแปรที่มักจะคิดว่าถ้าข้อมูลสำคัญตัวแปรค่าของพวกเขาอยู่เหนือค่าสัมบูรณ์ของตัวแปรเชิงลบคะแนนที่ต่ำที่สุด [26].
เรารวม 15 ปัจจัยที่เป็นตัวแปรอธิบายที่อาจเกิดขึ้น ห้าตัวแปรที่ได้รับเลือกให้เป็นลักษณะทัศนคติต่อ Dholes และรวมถึงระดับของการทำข้อตกลงกับงบที่ใช้ในระดับ Likert 1-5; สามตัวแปรจัดการกับความคุ้นเคยกับผู้คน Dholes; สามตัวแปรก็เลือกที่จะแสดงให้เห็นความสัมพันธ์ของผู้คนในป่า; และตัวแปรที่เหลืออายุเพศระดับการศึกษาและรายได้ (ตารางที่ 1 ภาคผนวก I). ระดับที่คนเห็นว่า "เราควรกำจัด Dholes" ได้รับเลือกเป็นตัวแปรการตอบสนอง ตัวแปรเป็นปัจจัยสั่งการตอบสนอง Likert ในระดับ 1-5 แสดงให้เห็นระดับของการทำข้อตกลงกับคำสั่ง เรามีความสนใจมากที่สุดในการระบุตัวแปรที่มีความสัมพันธ์กับคำสั่งการกำจัดทันทีนี้เพราะเราคิดว่าคนที่มีทัศนคติเชิงลบมากจะเป็นส่วนใหญ่มีแนวโน้มที่จะทำหน้าที่และมีผลกระทบเป็นอันตรายกับ Dholes

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์ข้อมูล
เราใช้ป่าแบบสุ่ม , ชนิดของการ recursive วิธีที่มีอยู่ใน ' ปาร์ตี้ ' แพคเกจ [ 24 ] ในการเขียนโปรแกรมภาษา R รุ่น 3.0.1 [ 25 ] ในขณะที่วิธีการอื่น ๆ เช่น รถที่ใช้โดยทั่วไปสำหรับการวิเคราะห์ข้อมูลที่คล้ายกัน ในป่ามีมากในประสบการณ์ของเราสุ่มโดยวิธีเพียงบนต้นไม้ ขั้นตอนเดียวเรายังเลือกที่จะใช้ cforest ใน ' ปาร์ตี้ ' แพคเกจแทนการใช้แพคเกจอื่น ๆ ( เช่น ' ' และ ' ' rpart randomforest ) เพราะมันเหมาะสมที่จะใช้กับตัวแปรตัวแปรของชนิดที่แตกต่างกัน เงื่อนไขตัวแปรสำคัญวัด ( varimp ฟังก์ชัน ' ' ) เพิ่งได้รับการเพิ่มแพ็กเกจนี้ซึ่งสามารถให้ผลที่น่าเชื่อถือมากขึ้นเมื่อมีการประเมินความสำคัญของแต่ละตัวแปร หากตัวแปรมีความสัมพันธ์กัน [ 26 ] นี่มันสำคัญกับตัวเลขที่สูงของความสัมพันธ์ร่วมอธิบายความแปรปรวนในการสำรวจ การสัมภาษณ์ ขั้นตอนวิธี ' บุคคล ' ก่อนทดสอบว่าตัวแปรอิสระของแต่ละอื่น ๆและเป็นอิสระของการตอบสนองตัวแปรจากนั้นเลือกตัวแปรตัวเดียวกับสมาคมที่แข็งแกร่งในการกำหนดตัวแปรและ p กับความสัมพันธ์ ข้อมูลจะแบ่งออกเป็นสองโหนด ( กลุ่มของข้อมูลที่ถูกเมื่อเทียบกับตัวแปรตัวแปรในย้ำค้นหาตัวแปรตัวแปรถัดไปกับสมาคมที่แข็งแกร่งที่สุดนี้ portioning ของข้อมูลต่อไปจนกว่าจะมอบหมายให้หยุดเรียน แบบรวมค่า
1 , 000 ต้น และเรากำหนดจำนวนสุ่มตัวแปรทำนายไว้ล่วงหน้าในแต่ละแยก ( mtry ) สี่ การ mtry สี่ได้รับเลือกเพราะสโตรเบิล et al . [ 26 ] แนะนำให้ใช้รากที่สองของจำนวนตัวแปร หยุดเกณฑ์กำหนดให้เริ่มต้นโดยสโตรเบล et al .[ 27 ] และตามกลุ่ม p-values . ก่อนที่เราจะตีความสุ่มป่าตัวแปรสำคัญอันดับ เราเพิ่มจำนวนต้นไม้จาก 20 ถึง 500 1000 และทำซ้ำการวิเคราะห์ระบุค่าที่แตกต่างกันสำหรับเมล็ดสุ่ม ผลของตัวแปรสำคัญอันดับมีเสถียรภาพ และผลลัพธ์โดยรวมเหมือนกันตัวแปรมักจะถือว่าข้อมูลของตัวแปรสำคัญคือคุณค่าเหนือค่าสัมบูรณ์ของค่าคะแนนติดลบตัวแปร [ 26 ] .
เรารวม 15 ปัจจัยที่เป็นตัวแปรที่อธิบายที่อาจเกิดขึ้น ห้าตัวแปรเลือกลักษณะและทัศนคติต่อ dholes รวมระดับเห็นด้วยกับงบตาม 1-5 คนขนาด ;ตัวแปรจัดการกับคนที่คุ้นเคยกับ dholes ; 3 ตัวแปรที่เลือกเพื่อบ่งชี้ความสัมพันธ์ของผู้คนในป่า และตัวแปรที่เหลือ ได้แก่ อายุ เพศ ระดับการศึกษา และรายได้ต่อปี ( ตารางที่ 1 ; ภาคผนวก I )

การที่คนเห็นด้วยที่ว่า " เราควรกำจัด dholes " ได้รับเลือกเป็น การตอบสนองของตัวแปรตัวแปรที่เป็นปัจจัยของการสั่งลิใน 1-5 ระดับที่แสดงถึงระดับของข้อตกลงกับงบ เราสนใจมากในการระบุตัวแปร มีความสัมพันธ์กับการตัดข้อความนี้ทันที เพราะเราถือว่า ผู้ที่มีทัศนคติเชิงลบมากก็มักจะกระทำและมีผลกระทบที่เป็นอันตรายใน dholes .