Stochastic resampling techniques for quantifying error propagations in forest field experiments

En foresterie, il est peu frequent que les analyses statistiques des experiences de terrain tiennent compte de l'incertitude lors de l'estimation des parametres et des valeurs residuelles intermediaires. Ces analyses ne tiennent donc pas compte de toutes les incertitudes inherentes dans les resultats. Le reechantillonnage stochastique (bootstrap) offre la possibilite d'integrer toutes les sources connues de variabilite dans les resultats finaux. Nous presentons un reechantillonnage stochastique de donnees sur l'espacement entre des pins rouges (Pinus resinosa Ait.) comprenant deux espacements et quatre repetitions. Le reechantillonnage stochastique a resulte en une variance superieure de la taille et du volume des arbres entre les parcelles, ce qui a par consequent reduit le niveau de signification des tests de t apparies de l'hypothese que l'espacement n'avait pas d'effet. La fiabilite moyenne d'une analyse directe (sans reechantillonnage) etait de 0,84. Le reechantillonnage stochastique a reduit les valeurs de t en moyenne de 18% et leur niveau de signification d'environ 75%. Une fois sur 12, le reechantillonnage a inverse la conclusion de l'hypothese que l'espacement n'avait pas d'effet. Le reechantillonnage a modifie le niveau de signification de deux tests de 0,06 a >0,09. Les estimations par reechantillonnage stochastique du volume etaient de 1 a 6% superieures aux estimations calculees directement a cause des transformations non lineaires des valeurs residuelles dans les equations de volume. Les techniques de reechantillonnage qui tiennent compte de toutes les sources de variation pertinentes sont prometteuses dans le cadre des analyses de donnees en foresterie.

[1]  J. Shao.  Bootstrap Model Selection , 1996 .

[2]  Hani Doss,et al.  Choosing the Resampling Scheme when Bootstrapping: A Case Study in Reliability , 1994 .

[3]  H. Theil.  Principles of econometrics , 1971 .

[4]  D G Pitt,et al.  Applications of computer-intensive statistical methods to environmental research. , 1998, Ecotoxicology and environmental safety.

[5]  S. Sheather,et al.  Robust Estimation and Testing , 1990 .

[6]  B. Efron.  The jackknife, the bootstrap, and other resampling plans , 1987 .

[7]  S. Magnussen.  Diameter distributions in Picea ables described by the Weibull model , 1986 .

[8]  H. T. Mowrer,et al.  Variance propagation in growth and yield projections , 1986 .

[9]  H. Schreuder,et al.  A Useful Bivariate Distribution for Describing Stand Structure of Tree Heights and Diameters , 1977 .

[10]  Edward W. Frees,et al.  Estimating Densities of Functions of Observations , 1994 .

[11]  Colin B. Begg,et al.  Random Effects Models for Combining Results from Controlled and Uncontrolled Studies in a Meta-Analysis , 1994 .

[12]  D. E. Johnson,et al.  Analysis of Messy Data Volume I: Designed Experiments , 1985 .

[13]  A. Satorra,et al.  Measurement Error Models , 1988 .

[14]  W. Gellert,et al.  The VNR concise encyclopedia of mathematics , 1977 .

[15]  D. Freedman,et al.  Bootstrapping a Regression Equation: Some Empirical Results , 1984 .

[16]  Rupert G. Miller.  Simultaneous Statistical Inference , 1966 .

[17]  Wayne T. Swank,et al.  Coniferous Stands Characterized with The Weibull Distribution , 1974 .

[18]  T. Gregoire,et al.  Estimating weights when fitting linear regression models for tree volume , 1993 .

[19]  James G. Booth,et al.  Monte Carlo approximation and the iterated bootstrap , 1994 .

[20]  Adrian F. M. Smith,et al.  Sampling-Based Approaches to Calculating Marginal Densities , 1990 .

[21]  R. Bailey.  A compatible volume-taper model based on the Schumacher and Hall generalized constant form factor volume equation. , 1994 .

[22]  Timothy G. Gregoire,et al.  Model fitting under patterned heterogeneity of variance , 1989 .

[23]  L. Hedges,et al.  Statistical Methods for Meta-Analysis , 1987 .

[24]  F. Graybill,et al.  Combining Unbiased Estimators , 1959 .

[25]  N. L. Johnson,et al.  Continuous Univariate Distributions. , 1995 .

[26]  D. P. Gaver,et al.  Combining Information: Statistical Issues and Opportunities for Research , 1993 .

[27]  Timothy G. Gregorie,et al.  Generalized Error Structure for Forestry Yield Models , 1987, Forest Science.

[28]  Ronald E. McRoberts,et al.  Variation in forest inventory field measurements , 1994 .

[29]  Timothy G. Gregoire,et al.  Sampling Methods for Multiresource Forest Inventory , 1993 .

[30]  Brian D. Ripley,et al.  Stochastic Simulation , 2005 .

[31]  D. Rubin.  Using the SIR algorithm to simulate posterior distributions , 1988 .

[32]  T. Gregoire,et al.  Confidence intervals from single observations in forest research , 1991 .

[33]  George Z. Gertner.  Prediction bias and response surface curvature , 1991 .

[34]  Dallas E. Johnson,et al.  Analysis of messy data , 1992 .