2.3. Data analysisWe built two Line

2.3. Data analysis
We built two Linear Mixed Models (LMMs) using the nlme
(Piñeiro et al., 2009) and lme4 (Bates and Sarkar, 2007) R packages.
LMMs are particularly useful to account for nested sampling
designs (Bolker et al., 2009), where the autocorrelation of samples
(pixels) within sites (meteorological stations) is accounted for
through the introduction of random effects. We followed the steps
suggested by Zuur et al. (2009) as a procedure to build the two
models. First, using the full model for the fixed effects, we found the
optimal structure for the random component using restricted
maximum likelihood (REML). Then, to find the optimal fixed
structure, the trade-off between significance and simplicity was
evaluated by iteratively comparing more complex models to
simpler models and choosing the one with lower AIC and BIC, and
significant c2 test for the Log-likelihood (using maximum likelihood
and always maintaining the same random structure).

ผลลัพธ์ (ไทย) 1:

2.3. ข้อมูลวิเคราะห์เราสร้าง 2 เส้นผสมรุ่น (LMMs) โดยใช้การ nlme(Piñeiro et al., 2009) และ lme4 (เบตส์และ Sarkar, 2007) แพคเกจ RLMMs จะมีประโยชน์บัญชีซ้อนสุ่มตัวอย่าง(Bolker et al., 2009), การออกแบบที่ autocorrelation อย่าง(พิกเซล) ภายในเว็บไซต์ (สถานีอุตุนิยมวิทยา) เป็นบัญชีสำหรับผ่านการแนะนำลักษณะสุ่ม เราตามขั้นตอนแนะนำโดย Zuur et al. (2009) เป็นขั้นตอนในการสร้างทั้งสองรูปแบบจำลอง ครั้งแรก ใช้แบบเต็มรูปแบบในลักษณะถาวร เราพบการโครงสร้างที่เหมาะสมสำหรับการคอมโพเนนต์แบบสุ่มใช้จำกัดสูงสุดโอกาส (REML) จากนั้น ในการค้นหาสูงสุดถาวรโครงสร้าง trade-off ระหว่างความสำคัญและความเรียบง่ายได้ประเมิน โดยการเปรียบเทียบซับซ้อนรุ่นซ้ำ ๆรูปแบบเรียบง่ายและเลือกหนึ่งกับ AIC และ BIC ล่าง และทดสอบ c2 สำคัญสำหรับล็อกโอกาส (ความเป็นไปได้สูงสุดโดยใช้กรักษาโครงสร้างสุ่มเดียวกันเสมอ)

ผลลัพธ์ (ไทย) 2:

2.3 การวิเคราะห์ข้อมูลเราสร้างสองรุ่นผสมเชิงเส้น (LMMs) โดยใช้ nlme (Pineiro et al., 2009) และ lme4 (เบตส์และซาร์การ์ 2007) แพคเกจ R. LMMs เป็นประโยชน์อย่างยิ่งในการบัญชีสำหรับการสุ่มตัวอย่างที่ซ้อนกันออกแบบ(Bolker et al., 2009) ซึ่งอัตของกลุ่มตัวอย่าง(พิกเซล) ที่อยู่ในเว็บไซต์ (สถานีอุตุนิยมวิทยา) จะคิดผ่านการแนะนำของผลกระทบแบบสุ่ม เราทำตามขั้นตอนที่แนะนำโดย Zuur et al, (2009) เป็นขั้นตอนที่จะสร้างทั้งสองรุ่น ครั้งแรกที่ใช้รูปแบบเต็มรูปแบบสำหรับการแก้ไขผลกระทบที่เราพบว่าโครงสร้างที่เหมาะสมสำหรับองค์ประกอบ จำกัด สุ่มโดยใช้ความน่าจะเป็นสูงสุด (REML) จากนั้นหาได้รับการแก้ไขที่ดีที่สุดโครงสร้างการค้าออกระหว่างความสำคัญและความเรียบง่ายได้รับการประเมินโดยซ้ำเปรียบเทียบรูปแบบที่ซับซ้อนมากขึ้นในรูปแบบที่เรียบง่ายและเลือกหนึ่งที่มีการลดลงAIC และ BIC และทดสอบc2 ที่สำคัญสำหรับเข้าสู่ระบบความน่าจะเป็น (ใช้สูงสุด ความน่าจะเป็นและมักจะยังคงรักษาโครงสร้างสุ่มเดียวกัน)

ผลลัพธ์ (ไทย) 3:

2.3 การวิเคราะห์ข้อมูล
เราสร้างสองแบบผสมเชิงเส้น ( lmms ) ใช้ nlme
( ปี่เมืองเอี่ยม et al . , 2009 ) และ lme4 ( เบท และซาร์คาร์ , 2007 ) R
lmms แพคเกจ เป็นประโยชน์อย่างยิ่งสำหรับบัญชีอยู่
ออกแบบการสุ่มตัวอย่าง ( bolker et al . , 2009 ) , ที่แต่ละหน่วยตัวอย่าง
( พิกเซล ) ภายในเว็บไซต์ ( สถานีอุตุนิยมวิทยา ) คิด
ผ่านการแนะนำของผลแบบสุ่มwe Pizza ทั
ฟ้าผ่า by zuur et al . ( 2009 ) เป็นขั้นตอนที่จะสร้างสอง
รุ่น หนึ่ง ใช้แบบเต็มสำหรับการแก้ไขผล เราพบโครงสร้างที่เหมาะสมสำหรับการประกอบ

ใช้จำกัดความน่าจะเป็นสูงสุด ( REML ) แล้วจะหาที่เหมาะสมคงที่
โครงสร้างการ trade-off ระหว่างความสำคัญและความเรียบง่ายคือ
การประเมินโดยการเปรียบเทียบโมเดลที่ซับซ้อนมากขึ้น

ซ้ำแบบง่ายและเลือกหนึ่งที่มี AIC ที่ลดลงและ BIC และ
) C2 ทดสอบล็อกโอกาส ( ใช้
ความน่าจะเป็นสูงสุดเสมอ และรักษาโครงสร้างแบบเดียวกัน )