Model selection for the LMEs was do

Model selection for the LMEs was done via multi-model averaging
(Burnham and Anderson, 2002) based on minimization of corrected
Akaike's Information Criterion (AICc), using the dredge function in the MuMIn package in R. This involves creating a global model with all possible models and combinations of factors. In this method, the smallest AICc value indicates the model of best fit, or the model supported most by the data, given the models considered. Relative support for one model is determined by calculating the differences between AICc and the smallest AICc (A AICc). These differences are then scaled into model weights (wAicc). which are used to calculate model-averaged coefficients with associated standard error values and P-values for each predictor variable. Selection of a subset of candidate models to be used in model averaging included all models with AAICc values of s2. As suggested by Burnham and Anderson (2004). Analyses were performed in R (R Development Core Team, 2012) using the moments, nlme. mcgv, and MuMin packages for distribution parameters, LMEs, GAMMs, and multi-model inference, respectively.

ผลลัพธ์ (ไทย) 1:

เลือกรุ่นสำหรับ LMEs การทำผ่านเฉลี่ยแบบหลาย(เบิร์นแฮมและแอนเดอร์สัน 2002) ตามมาตรการของแก้ไขเกณฑ์ข้อมูลของ Akaike (AICc), ใช้ฟังก์ชันขุดลอกในแพคเกจ MuMIn ใน r นี้เกี่ยวข้องกับการสร้างแบบจำลองส่วนกลางรุ่นที่เป็นไปได้และชุดของปัจจัยทั้งหมด ในวิธีนี้ ค่า AICc ที่เล็กที่สุดบ่งชี้รูปแบบของเหมาะสมที่สุด หรือแบบสนับสนุนมากที่สุด โดยข้อมูล กำหนดรูปแบบที่ถือว่า สนับสนุนสัมพันธ์สำหรับแบบจำลองหนึ่งจะถูกกำหนด โดยการคำนวณความแตกต่างระหว่าง AICc และ AICc ที่เล็กที่สุด (A AICc) ความแตกต่างเหล่านี้ได้รับการปรับจากนั้นในรุ่นน้ำหนัก (wAicc) ซึ่งจะใช้ในการคำนวณแบบเฉลี่ยค่าสัมประสิทธิ์ มีค่า P และค่าความผิดพลาดของมาตรฐานที่เกี่ยวข้องสำหรับแต่ละตัวแปร predictor เลือกชุดย่อยของโมเดลผู้สมัครที่จะใช้ในแบบจำลองเฉลี่ยรวมทุกรุ่น มีค่า AAICc ของ s2 แนะนำเป็นดาวและแอนเดอร์สัน (2004) ดำเนินการวิเคราะห์ใน R (R พัฒนาหลักทีม 2012) โดยใช้ช่วงเวลา nlme mcgv และ MuMin แพคเกจสำหรับพารามิเตอร์ของการแจกจ่าย LMEs, GAMMs และการอ้าง อิงหลายรุ่น ตามลำดับ

ผลลัพธ์ (ไทย) 2:

เลือกรูปแบบการ LMEs ได้ทำผ่านหลายรูปแบบเฉลี่ย
(อัมเดอร์สัน, 2002) ขึ้นอยู่กับการลดปริมาณของการแก้ไข
Akaike ข้อมูลของเกณฑ์ (AICC) โดยใช้ฟังก์ชั่นขุดในแพคเกจ Mumin ในอาร์นี้เกี่ยวข้องกับการสร้างรูปแบบระดับโลกที่มีทั้งหมด รูปแบบที่เป็นไปได้และการรวมกันของปัจจัย ในวิธีนี้ค่า AICC เล็กที่สุดแสดงให้เห็นรูปแบบของแบบที่ดีที่สุดหรือรุ่นได้รับการสนับสนุนมากที่สุดโดยข้อมูลที่ได้รับการพิจารณารูปแบบ การสนับสนุนเชิงสัมพัทธ์สำหรับรุ่นหนึ่งจะถูกกำหนดโดยการคำนวณความแตกต่างระหว่าง AICC และ AICC ที่เล็กที่สุด (A AICC) ความแตกต่างเหล่านี้จะถูกปรับขนาดแล้วลงน้ำหนักรุ่น (wAicc) ซึ่งจะใช้ในการคำนวณค่าสัมประสิทธิ์แบบเฉลี่ยมีค่าความผิดพลาดที่เกี่ยวข้องมาตรฐานและ P-ค่าสำหรับแต่ละตัวแปรทำนาย การเลือกชุดย่อยของผู้สมัครรุ่นที่จะใช้ในรูปแบบค่าเฉลี่ยรวมทุกรุ่นที่มีค่า AAICc ของ S2 ตามข้อเสนอแนะและอัมเดอร์สัน (2004) วิเคราะห์ได้ดำเนินการในการวิจัย (R พัฒนาหลักของทีม, 2012) โดยใช้ช่วงเวลาที่ nlme mcgv และ Mumin แพคเกจสำหรับพารามิเตอร์กระจาย LMEs, GAMMs และหลายรูปแบบอนุมานตามลำดับ

ผลลัพธ์ (ไทย) 3:

การเลือกรูปแบบการ lmes ได้หลายรูปแบบโดยผ่าน( อัม แอนเดอร์สัน , 2002 ) บนพื้นฐานของการแก้ไขเคราะห์ข้อมูลใช้ค่าเฉลี่ย ( aicc ) , การใช้ฟังก์ชันลอกในมุอฺมินชุด R . นี้เกี่ยวข้องกับการสร้างรูปแบบทั่วโลกด้วยรูปแบบเป็นไปได้ทั้งหมดและการรวมกันของปัจจัย ในวิธีนี้ ค่า aicc เล็กแสดงแบบพอดี หรือแบบที่ได้รับการสนับสนุนมากที่สุด โดยข้อมูลที่ให้นางแบบถือ สนับสนุนญาติรุ่นหนึ่งจะถูกกำหนดโดยการคำนวณความแตกต่างระหว่าง aicc และ aicc น้อยที่สุด ( aicc ) ความแตกต่างเหล่านี้จะปรับเข้าสู่รูปแบบของน้ำหนัก ( waicc ) ซึ่งจะใช้ในการคำนวณค่าสัมประสิทธิ์ที่ได้จากแบบจำลองและค่าความคลาดเคลื่อนมาตรฐาน p-values สำหรับแต่ละตัวแปรตัวแปร การเลือกบางส่วนของโมเดลผู้สมัครที่จะใช้แบบเฉลี่ยรวมทุกรุ่นด้วยค่า aaicc ของ S2 . เป็นข้อเสนอแนะจากเบิร์นแฮม แอนเดอร์สัน ( 2004 ) การวิจัยครั้งนี้ดำเนินการใน R ( ทีมหลัก r พัฒนา 2012 ) โดยใช้เวลา nlme . mcgv และมุอฺมินชุดพารามิเตอร์ที่กระจาย lmes gamms , และหลายรูปแบบการอนุมานตามลำดับ