Количественные характеристики и растений и условий среды.

Последняя категория данных включает случаи, когда имеются количественные характеристики и растений и условий среды. Метод отбора образцов прост. Поскольку яуль-гипотеза состоит в том, что два показателя не связаны друг с другом, нет необходимости по каждому из них производить отбор образцов в случайном порядке. Практические соображения обычно заставляют выбирать наиболее быстрый и легкий метод систематического отбора. Получаемые данные имеют очевидное сходство с данными сопряженности между видами, когда оба вида охарактеризованы количественными показателями; в таких случаях, как мы уже видели, подходящим методом испытания является расчет коэффициента корреляции. При этом, однако, имеется существенное различие в самой природе данных.

При изучении сопряженности между видами (при отсутствии каких-либо указаний на противоположные данные) можно принять заранее, что роль, которую оба вида играют в этих отношениях, одинакова. Результаты испытаний на сопряженность можно использовать для обоснования утверждений относительно влияния одного вида на другой, но обычно исследователю требуется лишь произвести общую проверку наличия связи, используя данные по встречаемости; если предполагается наличие какой-либо взаимосвязи, то обычно имеют в виду, что оба вида контролируются одним фактором среды. Однако при изучении корреляции растительности с каким-либо фактором среды обычно считают, что эти две переменные играют различные роли во взаимодействии между собой.

При отсутствии противоположных данных благоразумно будет принять, что уровень фактора среды прямо или косвенно определяет уровень обилия растения. Может быть и так, что тот и другой показатель контролируются каким-то другим фактором среды (в этом случае, возможно, более подходит коэффициент корреляции) или даже уровень обилия вида может оказывать влияние на фактор среды, что может относиться, например, к влажности воздуха, но исходное положение о контролирующей роли факторов среды почти всегда оправдывается экологически. В этих обстоятельствах более пригодно использование анализа регрессии.

Почему анализу регрессии оказывают предпочтение перед корреляционным, обнаруживающим только степень взаимной зависимости, станет яснее, если рассмотреть способ построения кривой регрессии.

 Если производятся одновременные наблюдения над любыми двумя переменными, например численностью растений и содержанием влаги в почве, результаты оказывается возможным выразить в виде графика, где оси у п х представляют соответственно численность растений и содержание почвенной влаги. Если между двумя показателями существует взаимосвязь, точки не будут хаотически разбросаны, а расположатся более или менее близко к некоторой кривой в соответствии с характером взаимосвязи. Если экспериментальные точки достаточно хорошо ложатся на кривую, то характер получаемой кривой можно определить на глаз. Построение кривой регрессии заключается в отыскании такой кривой определенной формы (скажем, прямой, параболы и т. п.), на которую лучше всего ложатся экспериментальные точки. Если рассчитывается линейная регрессия у {зависимая переменная) по х (независимая переменная), соответствующая кривая будет описываться уравнением у = а + bх, где константы а и Ь должны быть подобраны так, чтобы сумма квадратов расстояний всех точек от этой прямой, выраженных в единицах измерения у, оказалась минимальной Наоборот, линия регрессии х по у минимизирует отклонения, выраженные в единицах измерения х (фиг. 21). Очевидно, что две линии не обязательно должны быть одинаковыми. В первом случае расположение линии зависит прежде всего от значений у, во втором — от значений х.

Иначе говоря, регрессия у по х измеряет ожидаемое изменение у для данного изменения х, а регрессия х по у означает ожидаемое изменение х для данного изменения у.

 В приводимом примере, если численность растительного вида контролируется уровнем влажности почвы, логично и оправданпо оценивать увеличение или уменьшение численности для данного изменения в содержании почвенной влаги, но обратная процедура экологически бессмысленна. В рассматриваемом примере оценка

Кривые регрессии

Фиг. 21. Кривые регрессии у по х (А) и х по у {Б) для одних и тех же точек.

Пунктиром показаны отклонения, минимизируемые регрессией.

характера связи представляет меньший интерес, чем простое подтверждение ее существования. На существование связи указывает то, что линия образует угол с осями, т. е. величина коэффициента Ъ значимо отличается от нуля. Подобно любому другому статистическому показателю, рассчитанному по данным наблюдений, коэффициент Ъ может изменяться случайным образом, и имеются соответствующие критерии для определения вероятности случайного получения величины Ь, равной наблюдаемой, и, таким образом, для определения значимости наблюдаемого соотношения.

До сих пор мы рассматривали только случай линейной зависимости. В пределах отдельной совокупности образцов это может быть близко к истине.

Однако характер связи может описываться криволинейным графиком.  Прежде чем приступать к вычислениям, следует оценить, насколько правдоподобно предположение о том, что такая кривая будет соответствовать данным. Для этого вычерчивают графики преобразованных значений х и у и определяют на глаз, хорошо ли ложатся полученные точки на прямую. Однако с точки зрения установления соотношений растительности с факторами среды этот способ представляется сомнительным, так как обычно невозможно дать биологическое обоснование такого рода сложным связям. Перед испытанием любого подобного соотношения значение испытываемого типа уравнений следует тщательно продумать Однако это отнюдь не означает, что подобного рода соотношений не следует никогда рассматривать. Если, например, мера обилия зависит от высоты местности, действительная связь может существовать с различными метеорологическими факторами, из которых одни изменяются прямо пропорционально высоте, другие — пропорционально квадратному корню высоты: в этом случае подходящим уравнением.

Если измерялись несколько факторов среды, то связь характеристики растения со всеми этими факторами не может быть выражена в виде, простого линейного графика, но к данным можно применить тот же способ обработки. Например, если измеряли 2 фактора среды, представленные величинами х1 и х2, можно рассчитать множественную регрессию y=a+bx1+cx2. Можно произвести испытание на значимость всего уравнения регрессии и коэффициентов при каждой независимой переменной. При данном способе расчета принимается во внимание любая корреляция между независимыми переменными.

Выше мы изложили в основном все, что касается обработки данных чисто количественного типа.

 Однако полезно было бы привести еще один пример типа взаимозависимости, которая может быть обнаружена статистическими методами. Раттер провел тщательный анализ связи между процентом участия в общем листовом покрове на влажной пустоши видов Molinia coerulea. Erica tetralix и Calluna vulgaris и различными факторами, связанными с водным режимом. Процент участия в общем листовом покрове — новая характеристика, хорошо подходящая для всех трех видов довольно различной морфологии, — оценивался на глаз (предварительные наблюдения показали высокую степень корреляции между такими оценками и данными производимого разделения и взвешивания листвы). Ниже следуют соотношения, полученные для одной совокупности данных.

Molinia cverulea

у=24,4+0,78s+l,91t

Calluna vulgaris

у=29,0+0,16s—l,21t

Erica telralix

у =50,3—0,94s—1,75t

где у — подвергнутый угловому преобразованию процент участия в общем листовом покрове, s — средняя глубина стояния грунтовых вод летом, t — средняя высота дерно- вин Molinia (фактор, как оказалось, влияющий на состояние не только Molinia, но также и других видов). Все эти коэффициенты имеют высокую значимость, кроме s для Calluna, который не является значимым.

Поделиться:
Добавить комментарий