Skip to main content

Poisson mixture models for regression analysisof stand-level mortality

Buy Article:

$50.00 plus tax (Refund Policy)

Abstract:

Periodic stand-level mortality data from permanent plots tend to be highly variable, skewed, and frequently contain many zero observations. Such data have commonly been modeled using nonlinear mortality functions fitted by least squares, and more recently by a two stage approach incorporating a logistic regression step. This study describes a set of nonlinear regression models that structure stochastic variation about a mortality function according to basic probability distributions appropriate for non-negative count data, including the Poisson, negative binomial (NB), and generalized Poisson (GP). Also considered are zero-inflated and hurdle modifications of these basic models. The models are developed and fit to mortality data from a loblolly pine (Pinus taeda L.) spacing trial with a conspicuous mode at 0. The sample data exhibit more variability than can be accommodated by a Poisson or modified Poisson model; the NB and GP models incorporate the extra-Poisson dispersion and offer an improved fit. A hurdle NB model best describes this sample, but, like the zero-inflated models and two-stage approach, modifies the interpretation of the mean structure and raises the question of overfitting. Considering both data-model agreement and the biological relevance of these models' components, the analysis suggests that the NB model offers a more compelling and credible inferential basis for fitting stand-level mortality functions.

À l'échelle du peuplement, les données de mortalité périodique provenant de placettes-échantillons permanentes tendent à être très variables, asymétriques et contiennent souvent plusieurs valeurs nulles. De telles données ont habituellement été modélisées à l'aide de fonctions de mortalité non linéaires ajustées par les moindres carrés et, plus récemment, par une approche en deux étapes incorporant une étape de régression logistique. Cette étude décrit un ensemble de modèles de régression non linéaires qui structurent la variabilité stochastique autour d'une fonction de mortalité selon des distributions de probabilité de base et appropriées aux données chiffrées non négatives, incluant les distributions de Poisson, binomiale négative (BN) et de Poisson généralisée (PG). Les modifications avec barrière et à inflation nulle appliquées à ces modèles de base ont également été considérées. Les modèles ont été développés et ajustés à des données de mortalité dans un dispositif d'éclaircie de pin à encens (Pinus taeda L.) avec un mode apparent à 0. Les données utilisées présentent une plus grande variabilité que celle qui peut être simulée à l'aide d'un modèle de Poisson ou de Poisson modifié; les modèles BN et PG permettent d'incorporer cette variabilité additionnelle et offrent un meilleur ajustement. Un modèle BN avec barrière décrit le mieux les données utilisées, mais modifie l'interprétation de la structure moyenne et soulève le problème d'ajustement excessif, comme les modèles à inflation nulle et l'approche en deux étapes. En considérant à la fois la concordance entre les modèles et les données ainsi que la pertinence biologique des composantes de ces modèles, l'analyse indique que le modèle BN offre une base inférentielle plus convaincante et crédible pour ajuster des modèles de mortalité à l'échelle du peuplement.[Traduit par la Rédaction]

Document Type: Research Article

Publication date: 2006-11-01

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
X
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