Skip to main content

Multinomial logit estimation of a matrix growth model for tropical dry forests of eastern Bolivia

Buy Article:

$50.00 plus tax (Refund Policy)


Multinomial logistic (MNL) regression was employed to estimate the transition probabilities of a matrix growth model for dry forests of the eastern Bolivian lowlands. Probabilities of mortality, stability, and upgrowth of a size and species group were estimated as a function of tree and stand attributes influencing growth and mortality. Data for model estimation were drawn from logged and undisturbed permanent sample plots (PSPs) measured over 6 and 7 years in Chiquitania forests south of Concepción, Santa Cruz, Bolivia. The estimated transition probabilities of the MNL models are not significantly different from those derived from PSP data by the conventional approach of employing simple mean proportions of observed movements per guild and size class. MNL estimation is advantageous in that it generates a smoother distribution of transition probabilities across size classes, correcting for variance in the data and model estimation errors imposed by limited samples. Moreover, the MNL approach allows deterministic, stochastic, and dynamic prediction of forest evolution, while preserving the simple linear form of matrix models that facilitates their integration into economic optimization studies.

La régression logistique multinomiale (LMN) a été utilisée dans le but d'estimer les probabilités de transition d'un modèle matriciel de croissance des forêts sèches des basses terres de l'est de la Bolivie. Les probabilités de mortalité, de stabilité et de recrutement d'un groupe de dimensions et d'espèces ont été estimées en fonction d'attributs d'arbre et de peuplement qui ont une influence sur la croissance et la mortalité. Des données pour l'estimation du modèle ont été extraites de placettes-échantillons permanentes (PEP), récoltées et non perturbées, mesurées depuis six et sept ans dans les forêts de Chiquitania situées au sud de Concepción, à Santa Cruz en Bolivie. Les probabilités de transition estimées à partir de modèles LMN ne sont pas significativement différentes de celles qui ont été dérivées des données de PEP à l'aide de l'approche conventionnelle qui consiste à estimer de simples proportions moyennes des mouvements observés par groupe d'espèces et par classe de dimension. L'estimation LMN est avantageuse car elle génère une distribution plus régulière des probabilités de transition entre les classes de dimension, corrigeant ainsi pour la variance dans les données et les erreurs d'estimation du modèle qui sont inévitables à cause du nombre limité d'échantillons. De plus, l'approche LMN permet de prédire l'évolution de la forêt de façon déterministe, stochastique ou dynamique, tout en préservant la forme linéaire simple des modèles matriciels qui facilite leur intégration dans des études d'optimisation économique.[Traduit par la Rédaction]

Document Type: Research Article

Publication date: 2006-10-01

More about this publication?
  • Published since 1971, this monthly journal features articles, reviews, notes and commentaries on all aspects of forest science, including biometrics and mensuration, conservation, disturbance, ecology, economics, entomology, fire, genetics, management, operations, pathology, physiology, policy, remote sensing, social science, soil, silviculture, wildlife and wood science, contributed by internationally respected scientists. It also publishes special issues dedicated to a topic of current interest.
  • Information for Authors
  • Submit a Paper
  • Subscribe to this Title
  • Terms & Conditions
  • Sample Issue
  • Reprints & Permissions
  • Ingenta Connect is not responsible for the content or availability of external websites
  • Access Key
  • Free content
  • Partial Free content
  • New content
  • Open access content
  • Partial Open access content
  • Subscribed content
  • Partial Subscribed content
  • Free trial content
Cookie Policy
Cookie Policy
Ingenta Connect website makes use of cookies so as to keep track of data that you have filled in. I am Happy with this Find out more