Publications du Service canadien des forêts

Stochastic resampling techniques for quantifying error propagations in forest field experiments. 1997. Magnussen, S.; Burgess, D.M. Canadian Journal of Forest Research 27: 630-637.

Année : 1997

Disponible au : Centre de foresterie du Pacifique

Numéro de catalogue : 4823

La langue : Anglais

Disponibilité au SCF : Commander une copie papier (gratuite)

Sélectionner

Résumé

En foresterie, il est peu fréquent que les analyses statistiques des expériences de terrain tiennent compte de l'incertitude lors de l'estimation des paramètres et des valeurs résiduelles intermédiaires. Ces analyses ne tiennent donc pas compte de toutes les incertitudes inhérentes dans les résultats. Le rééchantillonnage stochastique (bootstrap) offre la possibilité d'intégrer toutes les sources connues de variabilité dans les résultats finaux. Nous présentons un rééchantillonnage stochastique de données sur l'espacement entre des pins rouges (Pinus resinosa Ait.) comprenant deux espacements et quatre répétitions. Le rééchantillonnage stochastique a résulté en une variance supérieure de la taille et du volume des arbres entre les parcelles, ce qui a par conséquent réduit le niveau de signification des tests de t appariés de l'hypothèse que l'espacement n'avait pas d'effet. La fiabilité moyenne d'une analyse directe (sans rééchantillonnage) était de 0,84. Le rééchantillonnage stochastique a réduit les valeurs de t en moyenne de 18% et leur niveau de signification d'environ 75%. Une fois sur 12, le rééchantillonnage a inversé la conclusion de l'hypothèse que l'espacement n'avait pas d'effet. Le rééchantillonnage a modifié le niveau de signification de deux tests de 0,06 à>0,09. Les estimations par rééchantillonnage stochastique du volume étaient de 1 à 6% supérieures aux estimations calculées directement à cause des transformations non linéaires des valeurs résiduelles dans les équations de volume. Les techniques de rééchantillonnage qui tiennent compte de toutes les sources de variation pertinentes sont prometteuses dans le cadre des analyses de données en foresterie. [Traduit par la Rédaction]