Logistic regression for clustered data from environmental monitoring programs

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: WFRF:(Ståhl Göran) > (2015-2019) > Logistic regression...

Logistic regression for clustered data from environmental monitoring programs

Ekström, Magnus (författare): Umeå universitet,Statistik,Umeå University, Umeå

Esseen, Per-Anders (författare): Umeå universitet,Institutionen för ekologi, miljö och geovetenskap,Umeå University, Umeå

Westerlund, Bertil (författare): Swedish University of Agricultural Sciences,Sveriges lantbruksuniversitet,Institutionen för skoglig resurshushållning,Department of Forest Resource Management

visa fler...

Grafström, Anton (författare): Swedish University of Agricultural Sciences,Sveriges lantbruksuniversitet,Institutionen för skoglig resurshushållning,Department of Forest Resource Management

Jonsson, Bengt-Gunnar, 1963- (författare): Mittuniversitetet,Avdelningen för naturvetenskap

Ståhl, Göran (författare): Swedish University of Agricultural Sciences,Sveriges lantbruksuniversitet,Institutionen för skoglig resurshushållning,Department of Forest Resource Management

visa färre...

(creator_code:org_t)

Elsevier, 2018
2018
Engelska.
Ingår i: Ecological Informatics. - : Elsevier. - 1574-9541 .- 1878-0512. ; 43, s. 165-173

Relaterad länk:: https://doi.org/10.1...; visa fler...; https://umu.diva-por... (primary) (Raw object); https://doi.org/10.1...; https://miun.diva-po... (primary) (Raw object); https://urn.kb.se/re...; https://doi.org/10.1...; https://urn.kb.se/re...; https://res.slu.se/i...; visa färre...

Tidskriftsartikel (refereegranskat)

Abstract Ämnesord

Stäng

Large-scale surveys, such as national forest inventories and vegetation monitoring programs, usually have complex sampling designs that include geographical stratification and units organized in clusters. When models are developed using data from such programs, a key question is whether or not to utilize design information when analyzing the relationship between a response variable and a set of covariates. Standard statistical regression methods often fail to account for complex sampling designs, which may lead to severely biased estimators of model coefficients. Furthermore, ignoring that data are spatially correlated within clusters may underestimate the standard errors of regression coefficient estimates, with a risk for drawing wrong conclusions. We first review general approaches that account for complex sampling designs, e.g. methods using probability weighting, and stress the need to explore the effects of the sampling design when applying logistic regression models. We then use Monte Carlo simulation to compare the performance of the standard logistic regression model with two approaches to model correlated binary responses, i.e. cluster-specific and population-averaged logistic regression models. As an example, we analyze the occurrence of epiphytic hair lichens in the genus Bryoria; an indicator of forest ecosystem integrity. Based on data from the National Forest Inventory (NFI) for the period 1993-2014 we generated a data set on hair lichen occurrence on > 100,000 Picea abies trees distributed throughout Sweden. The NFI data included ten covariates representing forest structure and climate variables potentially affecting lichen occurrence. Our analyses show the importance of taking complex sampling designs and correlated binary responses into account in logistic regression modeling to avoid the risk of obtaining notably biased parameter estimators and standard errors, and erroneous interpretations about factors affecting e.g. hair lichen occurrence. We recommend comparisons of unweighted and weighted logistic regression analyses as an essential step in development of models based on data from large-scale surveys.

Ämnesord

NATURVETENSKAP -- Geovetenskap och miljövetenskap -- Miljövetenskap (hsv//swe)
NATURAL SCIENCES -- Earth and Related Environmental Sciences -- Environmental Sciences (hsv//eng)
NATURVETENSKAP -- Biologi (hsv//swe)
NATURAL SCIENCES -- Biological Sciences (hsv//eng)
LANTBRUKSVETENSKAPER -- Lantbruksvetenskap, skogsbruk och fiske -- Skogsvetenskap (hsv//swe)
AGRICULTURAL SCIENCES -- Agriculture, Forestry and Fisheries -- Forest Science (hsv//eng)
NATURVETENSKAP -- Matematik -- Sannolikhetsteori och statistik (hsv//swe)
NATURAL SCIENCES -- Mathematics -- Probability Theory and Statistics (hsv//eng)

Nyckelord

Bryoria
Cluster-specific model
Complex sampling design
Correlated data
Logistic regression
tional forest inventory
Population-averaged model

Publikations- och innehållstyp

ref (ämneskategori)
art (ämneskategori)

Hitta via bibliotek

Ecological Informatics (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

Hitta mer i SwePub

Av författaren/redakt...: Ekström, Magnus; Esseen, Per-Ande ...; Westerlund, Bert ...; Grafström, Anton; Jonsson, Bengt-G ...; Ståhl, Göran

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Geovetenskap och ...; och Miljövetenskap

NATURVETENSKAP: NATURVETENSKAP; och Biologi

LANTBRUKSVETENSKAPER: LANTBRUKSVETENSK ...; och Lantbruksvetensk ...; och Skogsvetenskap

NATURVETENSKAP: NATURVETENSKAP; och Matematik; och Sannolikhetsteor ...

Artiklar i publikationen: Ecological Infor ...

Av lärosätet: Umeå universitet; Mittuniversitetet; Sveriges Lantbruksuniversitet

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se