2.5. Statistics The maximum abundan

2.5. Statistics
The maximum abundance out of the three bird survey rounds was calculated by taking the highest abundance value for each bird species in each plot for each stand. We used linear mixed effects models to test the effects of particular environmental variables on bird species richness, total abundance and abundance of bird groups (tree, shrub or ground breeder). The fixed environmental variables were tree diversity (beech-dominated or tree-species rich), distance from forest edge (continuous variable), bush percentage per plot (continuous variable) and their two-way interactions. Forest stand was used as a random effect term to take into account that four bird survey plots were sampled within the same stand (R command of full model as an example with all bird richness: lme(species_richness_(tree_diversity + plot + bush_percentage)^ 2, random = _1|stand, data = bird, method = ‘‘ML’’). To avoid
heteroscedasticity and to optimize model fit, we applied different variance functions. Then the minimal adequate model (MAM) was selected via stepwise model selection by the second order Akaike’s Information Criterion (AICc) using the stepAICc function (modified by CS, see URL: http://wwwuser.gwdg.de/~cscherb1/stepAICc.txt) of the MASS package (Venables and Ripley, 2002) of R (R Development Core Team, 2013). Final models were refitted
by restricted maximum likelihood. The normality of model residuals was assessed using normal quantile–quantile plots. Calculations were made using the nlme package (Pinheiro et al., 2013) in R. In order to test whether tree diversity (beech-dominated or tree-species rich), distance from forest edge and bush percentage per plot affected the community composition of birds, we additionally performed partial redundancy analyses (RDA). The species matrix
was constrained by the predictor variables tree diversity (beech-dominated or tree-species rich), distance (factor) or bush percentage (continuous variable). For a better characterization of study plot with different distance, in the ordination analyses, distance was treated as a factor. Prior to the analyses, the species matrix was transformed with the Hellinger-transformation (Legendre and Gallagher, 2001). This transformation allows the use of Euclidean- based ordination methods with community composition data containing many zeros, i.e. characterised by long gradients. Pseudo-F values with the corresponding P values were calculated by permutation tests based on 999 permutations. Calculations were performed using the vegan package for R (Oksanen et al., 2013). Prior to the analysis of the nest predation data, nest days were calculated following Mayfield (1961) and Hazler (2004). The midpoint of the two controls was assumed as time when predation events occurred; this resulted in 2, 6 or 8 days of survival (i.e. nest days). In addition, data were pooled for each plot for each stand. For the nest days and the predation events this was done by taking
the sum of numbers, while for bush percentage 10 m around the nests the mean number was taken. We fitted a generalized linear mixed model with binomial errors to analyse the effects of environmental variables on daily nest survival rates. The binomial denominator consisted of the nest fate (0 = survive; 1–4 = fail) and the numerator consisted of nest days (between 8 and 32 days of survival). We included the following fixed effects variables: tree diversity (beech-dominated or tree-species rich), distance from edge (continuous variable), bush percentage 10 m around the nest (continuous variable) and all two-way interactions between these factors. Forest stand was used as random factor to correct for spatial autocorrelation. Non-significant variables (P > 0.1) were discarded using a manual stepwise backward selection procedure until reaching the Minimal Adequate Model. Calculations were performed using the glmmPQL function in the MASS package for R (Venables and Ripley, 2002).

ผลลัพธ์ (ไทย) 1:

2.5. สถิติ ความอุดมสมบูรณ์สูงสุดจากรอบสำรวจนกสามถูกคำนวณ โดยใช้ค่าความอุดมสมบูรณ์สูงสุดในแต่ละสายพันธุ์ของนกในแต่ละแผนสำหรับขาแต่ละ เราใช้ลักษณะเชิงผสมแบบจำลองเพื่อทดสอบผลกระทบของตัวแปรด้านสิ่งแวดล้อมเฉพาะนกพันธุ์ร่ำรวย อุดมสมบูรณ์รวม และกลุ่มนก (พันธุ์ต้นไม้ พุ่มไม้ หรือดิน) มากมาย ตัวแปรด้านสิ่งแวดล้อมคงมีต้นไม้หลากหลาย (ครอบงำบีช หรืออุดมไปด้วยต้นไม้พันธุ์), ระยะห่างจากขอบป่า (ตัวแปรต่อเนื่อง), โปรทีเปอร์เซ็นต์ต่อแปลง (ตัวแปรต่อเนื่อง) และการโต้ตอบสองทาง ป่ายืนใช้เป็นผลสุ่มคำคำนึงที่สี่ผืนสำรวจนกได้ความภายในแท่นเดียวกัน (คำสั่ง R เต็มรูปแบบเป็นตัวอย่างกับความรุ่มรวยของนกทั้งหมด: lme จด (species_richness_ (tree_diversity + แผน + bush_percentage) ^ 2 สุ่ม = _1|stand ข้อมูล =นก วิธี = '' ML'') เพื่อหลีกเลี่ยงheteroscedasticity และปรับรูปให้พอดี เราใช้ฟังก์ชันแตกต่างกัน แล้วแบบจำลองเพียงพอน้อย (แหม่ม) เลือกทางเลือกรูปแบบ stepwise โดยสองสั่ง Akaike ของข้อมูลเกณฑ์ (AICc) โดยใช้ฟังก์ชัน stepAICc (แก้ไข โดย CS ดู URL: http://wwwuser.gwdg.de/~cscherb1/stepAICc.txt) ของมวล (Venables และริบ 2002) ของ R (R พัฒนาหลักทีม 2013) รุ่นสุดท้ายถูก refittedโดยจำกัดความเป็นไปได้สูงสุด Normality ของแบบจำลองค่าคงเหลือถูกประเมินโดยใช้ผืนปกติ quantile – quantile คำนวณขึ้นโดยใช้แพคเกจ nlme (Pinheiro et al., 2013) ในอาร์ เพื่อทดสอบว่าต้นไม้หลากหลาย (ครอบงำบีช หรือชนิดทรีริช), องค์ประกอบชุมชนของนกได้รับผลกระทบจากป่าขอบและบุชเปอร์เซ็นต์ต่อพล็อต เราทำการวิเคราะห์ซ้ำบางส่วน (RDA) นอกจากนี้ เมทริกซ์ชนิดถูกจำกัด โดยความหลากหลายทรีตัวแปร predictor (ครอบงำบีช หรืออุดมไปด้วยต้นไม้พันธุ์) ห่างจากที่พัก (คูณ) หรือโปรทีเปอร์เซ็นต์ (ตัวแปรต่อเนื่อง) สำหรับคุณสมบัติที่ดีของแผนศึกษาด้วยระยะที่แตกต่างกัน ในการอบรมวิเคราะห์ ระยะถือว่าเป็นตัว ก่อนวิเคราะห์ เมทริกซ์ชนิดถูกแปลง ด้วย Hellinger-แปลง (เลอฌ็องดร์และ Gallagher, 2001) นี้ให้ใช้วิธี Euclidean - บวชตามข้อมูลองค์ประกอบชุมชนประกอบด้วยศูนย์หลาย เช่นรนียาวไล่ระดับสี มีคำนวณค่า F หลอกกับค่า P เกี่ยวข้อง โดยการทดสอบการเรียงสับเปลี่ยนตามสับ 999 คำนวณได้ดำเนินการโดยใช้แพคเกจพัฒน์สำหรับ R (Oksanen et al., 2013) ก่อนวิเคราะห์ข้อมูล predation รัง รังวันถูกคำนวณดังต่อไปนี้เมย์ฟีลด์ (1961) และ Hazler (2004) จุดกึ่งกลางของตัวควบคุมสองตัวถูกสมมติเป็นเวลาเมื่อเหตุการณ์ predation เกิด ส่งผลให้ในวันที่ 2, 6 หรือ 8 รอด (เช่นรังวัน) นอกจากนี้ ข้อมูลถูกทางถูกพูในแต่ละแผนสำหรับขาแต่ละ สำหรับวันรังและเหตุการณ์ predation นี้ทำ โดยการผลรวมของตัวเลข ในขณะที่บุชเปอร์เซ็นต์ 10 เมตรรอบ ๆ รังหมายหมายถึงถูกนำมา เรานี่แบบจำลองเชิงเส้นผสมเมจแบบทั่วไป มีข้อผิดพลาดทวินามการวิเคราะห์ผลกระทบของตัวแปรสิ่งแวดล้อมประจำวันอัตรารอดรัง ตัวหารทวินามประกอบด้วยชะตากรรมรัง (0 =รอด 1 – 4 =ล้มเหลว) และประกอบด้วยตัวเศษของรัง (ระหว่าง 8 และ 32 วันของการอยู่รอด) เรารวมต่อไปนี้คงตัวแปรผล: ต้นไม้หลากหลาย (ครอบงำบีช หรือชนิดทรีริช), ระยะห่างจากขอบ (ต่อเนื่องแปร), บุชเปอร์เซ็นต์ 10 เมตรรอบ ๆ รัง (ตัวแปรต่อเนื่อง) และการโต้ตอบสองทางทั้งหมดระหว่างปัจจัยเหล่านี้ ขาป่าถูกใช้เป็นตัวสุ่มต้อง autocorrelation ปริภูมิ ตัวแปรอย่างไม่มีนัยสำคัญ (P > 0.1) ถูกละทิ้งโดยใช้วิธี stepwise เลือกย้อนหลังด้วยตนเองจนถึงแบบพอเพียงเล็กน้อย คำนวณได้ดำเนินการใช้ฟังก์ชัน glmmPQL ในแพคเกจโดยรวมสำหรับ R (Venables และริบ 2002)

ผลลัพธ์ (ไทย) 3:

2.5
สถิติสูงสุดความอุดมสมบูรณ์ของนกสำรวจรอบสามคำนวณโดยการใช้ค่าสูงมากมาย นกแต่ละชนิดในแต่ละแปลงให้แต่ละคนยืน เราใช้โมเดลเชิงเส้นผลผสม เพื่อทดสอบผลของสิ่งแวดล้อมโดยเฉพาะในนกชนิดและความอุดมสมบูรณ์ของความมั่งคั่ง อุดมสมบูรณ์ รวมกลุ่มนก ( ต้นไม้ ไม้พุ่ม หรือพันธุ์พื้นดิน )แก้ไขสิ่งแวดล้อมตัวแปรความหลากหลายของต้นไม้ ( บีช ) หรือชนิดที่อุดมไปด้วยต้นไม้ ระยะห่างจากขอบป่า ( ตัวแปรต่อเนื่อง ) , บุชเปอร์เซ็นต์ต่อแปลง ( ตัวแปรต่อเนื่อง ) และการปฏิสัมพันธ์แบบสองทาง .ยืนอยู่ในป่าที่ใช้เป็นแบบสุ่มผลระยะยาวที่จะเข้าบัญชีที่ 4 นกสำรวจแปลง จำนวน ภายใน ยืน เดียวกัน ( R สั่งแบบเป็นตัวอย่าง กับนกความมั่งคั่ง : LME ( species_richness_ ( tree_diversity พล็อต bush_percentage )
2 = _1 สุ่ม | ยืน , ข้อมูล = = ' ' ) 'ml นก ' ) เพื่อหลีกเลี่ยง
heteroscedasticity และปรับแบบพอดีเราใช้ฟังก์ชันความแปรปรวนต่าง ๆ แล้วพอรุ่นน้อยที่สุด ( MAM ) ถูกเลือกผ่านการคัดเลือกตัวแบบ Stepwise โดยเกณฑ์ข้อมูลที่สองสั่งเคราะห์ ( aicc ) โดยใช้ฟังก์ชั่น stepaicc ( แก้ไขโดย CS ดู URL : http : / / wwwuser . gwdg . de / ~ cscherb1 / stepaicc . txt ) ของมวลและแพคเกจ ( เวนาเบล * 2002 ) R ( ทีมหลัก R การพัฒนา 2013 ) รุ่นสุดท้ายที่ถูกควบคู่
โดยความน่าจะเป็นสูงสุดจำกัด ปกติวิสัยของแบบประเมินโดยใช้ค่าปกติควอนไทล์ - ควอนไทล์แปลง คำนวณได้โดยใช้ nlme แพคเกจ ( Pinheiro et al . , 2013 ) ใน อาร์ เพื่อทดสอบว่า ความหลากหลายของต้นไม้ ( บีช ) หรือชนิดที่อุดมไปด้วยต้นไม้ ระยะห่างจากขอบป่าและร้อยละบุชต่อแปลงต่อองค์ประกอบของชุมชนนกเรายังดำเนินการซ้ำซ้อนบางส่วนวิเคราะห์ ( RDA ) ชนิดของเมตริกซ์
ถูกบังคับโดยตัวแปรต้น ( ตัวแปร ) หรือชนิดที่อุดมไปด้วยความหลากหลายบีชต้นไม้ ) , ระยะทาง ( factor ) หรือบุชเปอร์เซ็นต์ ( ตัวแปรต่อเนื่อง ) สำหรับคุณสมบัติที่ดีของการศึกษาพล็อตที่มีระยะทางในการบวชการวิเคราะห์ระยะทางถือว่าเป็นปัจจัย ก่อนที่จะวิเคราะห์ชนิดของเมตริกซ์ที่ถูกเปลี่ยนแปลง ( legendre กับเฮลลินเกอร์ และ กัลลาเกอร์ , 2001 ) การเปลี่ยนแปลงนี้จะช่วยให้การใช้งานของวิธีการที่ใช้ตามบวชกับชุมชนองค์ประกอบข้อมูลที่มีหลายตัว เช่น ลักษณะยาวไล่ระดับสี . pseudo-f ค่า p ที่สอดคล้องกับค่าคำนวณด้วยการทดสอบการเปลี่ยนแปลงขึ้นอยู่กับ 999 กฎการสลับที่การคำนวณการใช้แพคเกจสำหรับมังสวิรัติ R ( oksanen et al . , 2013 ) ก่อนที่จะวิเคราะห์รังแสดงข้อมูล วัน รังคำนวณต่อไปนี้เมย์ฟิลด์ ( 1961 ) และ hazler ( 2004 ) จุดกึ่งกลางของสองการควบคุมคือว่าเวลาเมื่อมีเหตุการณ์ปล้นสะดมเกิดขึ้น นี้ส่งผลใน 2 , 6 หรือ 8 วันของการอยู่รอด ( เช่นวันรัง ) นอกจากนี้รวมข้อมูลสำหรับแต่ละแปลงแต่ละคนยืน สำหรับวันรังและการปล้นสะดมเหตุการณ์นี้ถูกทำโดยการ
ผลรวมของตัวเลขในขณะที่บุชร้อยละ 10 เมตรรอบ ๆรังหมาย เลขได้ที่ เราติดตั้งตัวแบบผสมเชิงเส้นกับข้อผิดพลาดแบบวิเคราะห์ผลของตัวแปรสิ่งแวดล้อมรายวัน รังมีอัตราการอยู่รอด .ส่วนแบบมีรังโชคชะตา ( 0 = อยู่รอด ; 1 – 4 = ล้มเหลว ) และเศษ จำนวนวันในรัง ( ระหว่าง 8 และ 32 วันของการอยู่รอด ) เราประกอบด้วยการแก้ไขผลกระทบด้านความหลากหลายของต้นไม้ ( บีช ) หรือชนิดที่อุดมไปด้วยต้นไม้ ระยะห่างจากขอบ ( ตัวแปรต่อเนื่อง )บุช ร้อยละ 10 เมตรรอบ ๆรัง ( ตัวแปรต่อเนื่อง ) และสองทางปฏิสัมพันธ์ระหว่างปัจจัยเหล่านี้ ยืนป่าถูกใช้เป็นปัจจัยสุ่ม เพื่อแก้ไขข้อมูลเชิงพื้นที่ . ไม่ใช่ตัวแปรทางสถิติ ( P > 0.1 ) ถูกยกเลิกการใช้คู่มือแบบย้อนกลับกระบวนการคัดเลือกจนไปถึงรุ่นที่เพียงพอที่น้อยที่สุดการคำนวณการใช้ฟังก์ชัน glmmpql ในมวลของ R ( เวนาเบล และ ริปลีย์ , 2002 ) .