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

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

Abstract

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.

 

Keywords

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

References

1. Agresti A (1997). Categorical Data Analysis. John and Wiley & Sons, Incorporation, New Jersey, Canada.
2. Cameron A.C, Trivedi P.K (1998). Regression Analysis of Count Data. Cambridge University Press, New York.
3. Cox R (1983). Some Remarks on Overdispersion. Biometrika, 70: 269-274.
4. Dean C.B (1992). Testing for overdispersion in Poisson and Binomial Regression models. Journal of American Statistical Association, 87(418).
5. Dean C, Lawless J.F (1989). Tests for Detecting Overdispersion in Poisson Regression Models. Journal of American Statistical Association, 84(406): 467-472.
6. 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.
7. Hilbe J.M (2007). Negative Binomial Regression. Cambridge, U.K.
8. 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.

9. 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.
10. Luo J, Qu Y (2013). Analysis of hypoglycemic events using negative binomial models. Pharm Stat.,12(4): 233-42.
11. Luo J, Qu Y (2015). Estimation of group means when adjusting for covariates in generalized linear models. Pharm Stat., 14(1): 56-62.
12. Nelder J.A, Wedderburn R.W.M (1972). Generalized linear models. J. R. Statist. Soci. A., 135(3): 370- 384.
13. SAS (2015). SAS/Stat Software Hangen and Enhanced, SAS Institute Incorporation, USA.
14. Stokes M.E, Davis C.S, Koch G.G (2000). Categorical data analysis using the SAS System. John and Wiley & Sons Incorporation, USA.
15. Yeşilova A, Kasap İ (2008). Lojistik regresyonda meydana gelen aşırı yayılımın incelenmesi. Yüzüncü Yıl Üniversitesi Ziraat Fakültesi Tarım Bilimleri Dergisi, 18(1): 21-25.
16. 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.
17. 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