Selektion trennungswirksamer Variablen anhand verschiedener Kriterien der deskriptiven Diskriminanzanalyse sowie der Klassifikation nach der Diskriminanzanalyse und der knn-Methode am Beispiel der sexuellen Segregation von Alpensteinböcken

Trippstadt

2005

S.146-163

3 Abb., 5 Lit. Ang.

Artikel aus einer ZeitschriftUnselbständiges Werk

200132622

Zur Feststelung der Umgebungsvariablen mit dem größten Beitrag zur Trennung der Aufenthaltsorte der Geschlechter beim Alpensteinbock Capra ibex ibex wurden verschiedene Methoden und Kriterien der Diskriminanzanalyse und der Klassifizierung nach der knn-Methode (Methode der k nächsten Nachbarn) benutzt. Die Daten stammen aus Beobachtungen an Steinböcken in und um den Schweizer Nationalpark von 1992 bis 1996 (Abderhalden, W.D., 2004: Raumnutzung und sexuelle Segregation beim Alpensteinbock Capra ibex ibex Diss., Freiburg i.Br.). Die Variablen sind teils metrisch, teils ordinal skaliert. Einige ordinal skalierte Variable wurden in einer zweiten Untersuchung in binäre Variable zerlegt. Alle möglichen Variablenkombinationen wurden einbezogen. Als Kriterien für die Bedeutsamkeit der Variablen wurden die standardisierten Diskriminanzfunktionkoeffizienten, die Strukturkoeffizienten und das Diskriminanzpotential aus der deskriptiven Diskriminanzanalyse sowie verschiedene Klassifizierungsergebnisse wie die Anzahl insgesamt richtig klassifzierter Fälle, die Anzahl richtig klassifizierter Fälle jeder einzelnen Gruppe und die Anzahl richtiger klassifizierter Fäller der schlechter klassifizierten Gruppe herangezogen. Die Klassifizierung wurde in der Diskriminanzanalyse nach der leave-one-out-Methode vorgenommen (interne Klassifizierung). Bei der knn-Methode wurde jeweils ein Fall an allen anderen Fällen mit einem bis 30 Nachbarn klassifziert. Bestätigt wird, dass schrittweise Methoden der Variablenselektion bei der Diskriminanzanalyse nicht zu den besten Diskriminanz- bzw. Klassifzierungsergebnissen führen. Dazu ist es erforderlich, alle Variablenkombinationen zu betrachten. Die Verwendung binärer Variablen anstelle ordinaler Variablen führt zu etwas besseren Ergebnissen. Bei diesem Verfahren können diejenigen Werte der ursprünglich ordinalen Variablen gefunden werden, die am bedeutsamsten für die Trennung sind. Mit der knn-Methode können noch bessere Klassifizierungsergebnisse erzielt werden. Bemerkenswert ist, dass knn-Klassifizierungsergebnisse mancher Variablenkombinationen in allen Kriterien signifikant sind. Das trifft auch zu, wenn Beobachtungen aus der gleichen Tiergruppe im Gelände als Referenzbeobachtungen (als nächste Datennachbarn) ausgeschlossen werden.