Van Gölü Sahil Şeridindeki Zooplankton Populasyon Yoğunluğu Değişiminin Doğrusal Olmayan Regresyon Yöntemleri Kullanılarak İncelenmesi

Yıl 2017, Cilt: 27 Sayı: 1, 58 - 64, 31.03.2017

Suna Erdinç Abdullah Yeşilova Gazel Ser

https://doi.org/10.29133/yyutbd.285709

Öz

Bu çalışmada, sayıma dayalı olarak elde edilen zooplankton
sucul böcek sayımlarının modellenmesinde Poisson ve negatif binomial
regresyonlarının uygulaması amaçlanmıştır.  Sayımla elde edilen veri setlerinde genellikle aşırı yayılım nadiren de az yayılım
görülmektedir. Böyle
durumlarda,  aşırı yayılımı modelleyen
negatif binomial regresyon sonuçları, yorumlamada esas alınmaktadır. Çalışmada,
aşırı yayılım her iki regresyon modelinde de farklı parametre tahminleri ve
standart hataların elde edilmesine neden olmuştur. Negatif binomial
regresyonda, model alınan tüm bağımsız değişkenlerin zooplankton sucul böcek
sayımları üzerine olan etkileri istatistiksel olarak önemli bulunmuştur
(p<0.01). Haraba istasyonu referans düzeyi olarak kabul edildiğinde, en çok
zooplankton sucul böcek sayımları Yolçatı istasyonunda (7.972 kat daha fazla),
en az zooplankton sucul böcek sayımları ise Çarpanak istasyonunda (%99.59 daha
az) olarak elde edilmiştir (p<0.01). Eylül ayı referans düzeyi olarak kabul
edildiğinde, ağustos ayındaki zooplankton yoğunluğu diğer aylara nazaran daha
yüksek bulunmuştur (p<0.01).Sonuç olarak; aşırı yayılımın önemli bir etkiye
sahip olmasından dolayı, negatif binomial regresyon Poisson regresyondan daha
iyi sonuç verdiği saptanmıştır. 

Anahtar Kelimeler

Aşırı yayılım, Negatif binomial regresyon, Poisson regresyonu, Zooplankton sayımları

Using The Poisson and Negative Binomial Regression Modeling of Zooplankton Aquatic Insect Count Data

Öz

The
aim of this study was to use for Poisson and negative binomial regressions in the
modelling of
zooplankton aquatic insect counts. Poisson regression is frequently used to analyze for dependent variable
based on count data. In data sets, generally overdispersion is seen. In such
cases, applying Poisson regression causes biased parameter estimations and
standart errors. When there is overdispersion in data set, it is better to use
negative binomial regression model. In negative binomial regression model,
parameter estimations are obtained by considering the effect that stems from
overdispersion. The overdispersion and zero-inflated parameter levels range was obtained to be quite high. All of the dependent variables were
statistically significant on zooplankton aquatic insect counts (p<0.01) in the negative binomial regression. In the case of station of Haraba was
taken as the reference level, most zooplankton aquatic insect counts was at the
Yolcati station (7.972 times more), while at least zooplankton aquatic insect counts was at the Çarpanak station (99.59% less) (p<0.01). In the case of month of september was
taken as the reference level, zooplankton density in August was found to be
higher compared to other months (p<0.01). Because of the overdispersion had a significant
effect, negative binomial regression was better results than the Poisson
regression.

 

Anahtar Kelimeler

Overdispersion, Negative binomial regression, Poisson regression, Numbers of zooplankton

Kaynakça

• Agresti A (1997). Categorical Data Analysis. John and Wiley & Sons, Incorporation, New Jersey, Canada.
• Cameron A.C, Trivedi P.K (1998). Regression Analysis of Count Data. Cambridge University Press, New York.
• Cox R (1983). Some Remarks on Overdispersion. Biometrika, 70: 269-274.
• Dean C.B (1992). Testing for overdispersion in Poisson and Binomial Regression models. Journal of American Statistical Association, 87(418).
• Dean C, Lawless J.F (1989). Tests for Detecting Overdispersion in Poisson Regression Models. Journal of American Statistical Association, 84(406): 467-472.
• Frome E.D, Kutner M.H, Beauchamp J.J (1973). Regression Analysis of Poisson- Distributed Data. Journal of American Statistical Association, 68(344): 935-940.
• Hilbe J.M (2007). Negative Binomial Regression. Cambridge, U.K.
• Kasap İ (2010). Seasonal Population Development of Spider Mites (Acari: Tetranychidae) and Their Predators in Sprayed and Unsprayed Apple Orchards in Van, Turkey. XIII International Congress of Acarology | Recife, Pernambuco, Brazil – August 23-27, 2010.
• Long J.S, Freese J (2006). Regression models for categorical depentent variable using Stata. A Stata Pres Publication, Stata Corp LD Collage Station, Texas, USA.
• Luo J, Qu Y (2013). Analysis of hypoglycemic events using negative binomial models. Pharm Stat.,12(4): 233-42.
• Luo J, Qu Y (2015). Estimation of group means when adjusting for covariates in generalized linear models. Pharm Stat., 14(1): 56-62.
• Nelder J.A, Wedderburn R.W.M (1972). Generalized linear models. J. R. Statist. Soci. A., 135(3): 370- 384.
• SAS (2015). SAS/Stat Software Hangen and Enhanced, SAS Institute Incorporation, USA.
• Stokes M.E, Davis C.S, Koch G.G (2000). Categorical data analysis using the SAS System. John and Wiley & Sons Incorporation, USA.
• Yeşilova A, Kasap İ (2008). Lojistik regresyonda meydana gelen aşırı yayılımın incelenmesi. Yüzüncü Yıl Üniversitesi Ziraat Fakültesi Tarım Bilimleri Dergisi, 18(1): 21-25.
• Yeşilova A, Özgökçe M.S, Atlıhan R, Karaca İ, Özgökçe F, Yıldız Ş, Kaya Y (2011). Sıfır değer ağırlıklı genelleştirilmiş Poisson regresyonu yardımıyla Van Gölü’nde Notonecta viridis Delcourt, 1909 (Hemiptera: Notonectidae)’in populasyon değişimi üzerinde fiziko-kimyasal çevresel koşulların etkilerinin araştırılması. Turkish Journal of Entomology, 35(2): 325-338.
• Yeşilova A, Özgökçe M.S, Atlıhan R, Polat Yıldız Ş, Karaca İ, Ser G (2016). Modeling of the arthropod population densities in the coastal band of Lake Van using mixture poison regression. Fresenius Environmental Bulletin, 25:1768-1778