中域效应假说+模型、证据和局限性

生物多样性 2009, 17 (6): 568–578 doi: 10.3724/SP.J.1003.2009.09140 Biodiversity Science http: //https://www.sodocs.net/doc/b99246656.html,

—————————————————— 收稿日期: 2009-06-03; 接受日期: 2009-11-12

基金项目: 北京林业大学科技创新计划(BLJC200904)和国家自然科学基金(40638039) * 通讯作者 Author for correspondence. E-mail: wangxiangping@https://www.sodocs.net/doc/b99246656.html,

中域效应假说: 模型、证据和局限性

王襄平1,2* 方精云1 唐志尧1

1 (北京大学城市与环境学院生态学系, 北京大学地表过程与分析模拟教育部重点实验室, 北京 100871)

2 (北京林业大学省部共建森林培育与保护教育部重点实验室, 北京 100083)

摘要: 物种多样性的地理格局是宏观生态学和生物地理学的核心问题之一, 中域效应假说是该领域的一项重要的理论进展。中域效应是指由于边界对物种分布构成限制, 使不同物种分布区在区域中间重叠程度较大, 而在边界附近重叠较少, 从而形成物种丰富度从边界向中心逐渐增加的格局。现有研究表明, 中域效应是影响物种丰富度格局的一种重要机制, 但其作用大小受很多因素的影响。本文介绍该假说的基本假设和模型, 模拟分析不同模型之间的差异, 并就中域效应假说所展开的争论进行综述, 指出该假说的合理性和局限性。我们认为, 中域效应假说的重要性在于揭示了几何(边界)限制和随机过程在物种多样性地理格局中的作用, 但其目前的模型和假设还过于简单, 需要在深入理解物种分布机制的基础上进行完善和发展。

关键词: 物种丰富度格局, 中域效应, 几何限制, 零模型, 纬度、海拔梯度

The mid-domain effect hypothesis: models, evidence and limitations

Xiangping Wang 1,2*, Jingyun Fang 1, Zhiyao Tang 1

1 Department of Ecology, College of Urban and Environmental Sciences, and Key Laboratory for Earth Surface Proc-esses of the Ministry of Education, Peking University, Beijing 100871

2 The Key Laboratory of Silviculture and Conservation of the Ministry of Education, Beijing Forestry University, Beijing 100083

Abstract: Geographic patterns of species diversity and their underlying mechanisms have long been the fo-cus of macro-ecology and biogeography. Recently, the mid-domain effect (MDE) hypothesis has been pro-posed to explain geographical diversity patterns. The hypothesis states that if the ranges of the species are randomly distributed within a bounded domain then more ranges will overlap near the middle of the domain than at the edges, and thus decreasing species richness will be observed from the mid-domain to the edges. Many studies have shown that the MDE is an important mechanism affecting geographic richness pattern. However, its relative role in such patterns differs markedly depending on many factors. In this paper, we in-troduced the assumptions and basic models of the hypothesis and illustrate that the models differ in their pre-dictions as a result of different assumptions. We also review the debate on the MDE hypothesis, and discuss the limitations of present mid-domain models. Although the hypothesis has improved our understanding of the effects of geometric constraints and random process on geographic richness gradients, current MDE models are too simplistic to describe biodiversity patterns in the real world. Improvements to mid-domain models should be based on a better understanding of the mechanisms underlying species distribution.

Key words: species richness pattern, mid-domain effect(MDE), geometric constraints, null model, latitudinal and altitudinal gradients

理解生物多样性的分布格局及其形成机制对于生物多样性的保育和可持续利用有着重要的意义(Gaston, 2000; Lomolino, 2001)。在当今全球气候

变化的背景下, 多样性的大尺度格局尤其得到了广泛关注, 关于其形成机制已提出了超过100种假说(Rahbek et al., 2007)。

第6期王襄平等: 中域效应假说: 模型、证据和局限性 569

早在18世纪中叶, 分类学家就已经注意到物种丰富度从赤道向两极下降的现象(Molles, 2008)。沿着海拔和水深梯度, 物种丰富度也常常呈现先上升后下降的驼峰形格局(Rahbek, 1995; Colwell & Lees, 2000; Brown, 2001)。长期以来, 气候梯度和演化历史因素一般被认为是导致这些格局形成的主要因素(详见本期王志恒等(2009)的能量假说和唐志尧等(2009)的历史假说)。然而, Colwell和Hurtt (1994)通过零模型(null model)模拟的结果表明, 即使在没有任何环境梯度的情况下, 仅仅由于物理边界对物种分布的限制, 也可以形成物种丰富度从赤道向两极下降的纬度格局, 以及物种丰富度在中海拔最高的垂直格局。在此基础上, Colwell等提出了著名的中域效应(mid-domain effect)假说(Colwell & Hurtt, 1994; Colwell & Lees, 2000)。与气候假说不同的是, 中域效应假说通过假设不存在环境梯度, 揭示了几何(边界)限制对生物多样性格局的影响, 因而又称几何限制模型(geometric constraints model, GCM) (Colwell & Lees, 2000; Jetz & Rahbek, 2001)。本文在介绍中域效应假说的概念、主要内容和模型的基础上, 对围绕该假说展开的争论进行了讨论,并提出了作者的理解和认识。

1中域效应假说的基本概念和假设

中域效应假说是在著名的“断棍(broken stick)模型”(MacArthur, 1957)的基础上发展起来的, 主要改进是在模型中加入了几何限制(Colwell & Lees, 2000)。所谓几何(边界)限制是指: 在一个具有边界的区域内, 由于物种分布不能超出边界(如陆生生物不可能分布到水中), 因此, 分布中心在边界附近的物种必然分布宽度较窄, 而分布范围很广的物种其分布中心必然在区域的中心附近(图1a)。

中域效应假说的基本内容为: 在一定区域内, 假设物种的分布宽度(range size)和分布中心(midpoint)是随机的, 由于边界对物种分布的限制, 导致不同物种的分布区在边界附近重叠程度较小, 而在区域的中心重叠程度较大(图1a)。因此, 在区域中心出现的物种较多, 在边界附近出现的物种较少(图1b)。

除了边界限制和物种随机分布之外, 该假说还假设物种在其分布区内连续分布, 三者是形成中域效应的必要条件(Jetz & Rahbek, 2001; Colwell et al., 2004)。在Colwell和Lees(2000)的一维中域效应模型中, 实际上还隐含有如下假设(此后其他学者提出的模型不一定都要求, 如Jetz & Rahbek, 2001; Grytnes, 2003):(1)根据生态位理论的对称钟形物种反应曲线, 物种分布的中心在其分布区的中点; (2)物种的分布区大小不变, 即在运算中如果随机生成的物种分布区超出边界, 不允许截去边界之外的部分后重新计算分布区, 而是重新生成随机数直至满足要求。

图1中域效应假说示意图, 横坐标上0和1.0分别代表区域两端的边界。a: 在“物种分布区不超出边界”的假设限制下, 物种分布宽度和中心点之间的关系(中心点只能分布于三角形内), 图中横线段表示各物种的分布区, 其中点为物种中心点。b: 双随机模型模拟的物种丰富度格局(纵坐标为物种数占区域总物种数的比例), 及最大分布宽度限制对模拟结果的影响, 物种的最大分布宽度分别取区域宽度的0.25、0.5 和1.0 (引自Colwell & Lees, 2000)。

Fig. 1 The mid-domain hypothesis for species richness gradients within a bounded domain, the boundaries are denoted by 0 and 1 on the x axis. a, All midpoint-range coordinate pairs must lie within the isosceles triangle under the assumption that species should be distributed within the boundaries. The ranges for species are shown as horizontal lines centered on their midpoints. b, Patterns of species richness across the domain when maximum range size is set to be 0.25, 0.5 and 1.0 of the domain width in the bivariate model. Note that richness is scaled as the proportion of all species in the simulation (from Colwell & Lees, 2000).

570 生物多样性 Biodiversity Science第17卷

根据几何原理可知(详见Colwell & Lees, 2000), 由于上述5个假设的限制, 物种的中心点只可能位于分布宽度－中心点关系图中的三角形之内(图2, 以下简称“几何限制三角形”)。

中域效应假说的模型属于零模型。与其他模型目的在于模拟现实格局不同的是, 零模型特意排除某些因素或机制的影响, 目的在于比较模型产生的格局与现实格局的差异, 以确定被排除的因素的重要性(Gotelli & Graves, 1996; Colwell et al., 2004, 2005)。由中域效应假说的基本假设可以看出, 模型中包含了边界对物种分布的限制, 而排除了物种属性(假设物种的分布宽度和中心点都是随机的)和环境、历史因素等对物种分布和多样性格局的影响。

自然界中的边界有“硬边界”(hard boundary)、“软边界”(soft boundary)之分。硬边界是由于物理(非生物)限制导致物种分布无法逾越的边界, 如大洲四周的水陆边界(Jetz & Rahbek, 2002)、纬度梯度上的南北极、海拔梯度上的山顶和河谷(Colwell & Hurtt, 1994; Colwell & Lees, 2000)、海洋深度梯度上的水面和海底(Pineda & Caswell, 1998)、河流的两岸(Dunn et al., 2006a)等。软边界一般是由某些生物类群自身的生理限制构成, 或由种间相互作用所导致(Colwell & Lees, 2000; Colwell et al., 2004)。如林线是由于生长季温度过低形成的树木分布的生理边界, 同样, 它也构成了依赖于森林生境的草本和动物的分布界限。在实际研究中, 生物群区(biome)、自然地理区的边界也常常被用作区域边界(Lees et al., 1999; Jetz & Rahbek, 2002; McCain, 2003)。

2中域效应假说的主要模型

中域效应模型一般采用Monte Carlo运算进行模拟。Monte Carlo运算是指在一定的理论模型指导下, 通过随机数进行数值模拟的算法。由于在实际模拟过程中可以有很多不同的选择(McClain et al., 2007), 因此, 中域效应假说有多种模型。这里仅介绍Colwell等提出的3种基本模型和两种经验数据模型(Colwell & Hurtt, 1994; Colwell & Lees, 2000), 并通过模拟对不同模型的差异进行了比较。

2.1基本模型

无几何限制随机模型: 物种分布宽度和中心点均按均匀分布随机生成, 这一完全随机的模型没有边界对物种分布的限制, 不属于中域效应模型的范畴, 但它是各种中域效应模型的基础。由于没有任何限制, 该模型模拟得到的物种丰富度也就没有任何变化, 在区域中任意一点的物种数均为区域总物种数的1/3(Colwell & Hurtt, 1994)。

模型1: 双随机模型。该模型是在无几何限制随机模型的基础上, 加入了“物种分布区不能超出边界”的限制条件, 并要求中心点均匀随机分布在“几何限制三角形”内(图2a)。应当注意的是, 由于后者的限制, 模型生成的中心点和物种分布宽度自身并不是均匀分布的。从本文的模拟结果可以看出

图2 不同中域效应模型产生的物种分布宽度和中心点关系差异。a: 双随机模型; b: 中心点随机模型; c: 分布宽度随机模型。横坐标上0和1.0分别代表区域两端的边界, 因此纵坐标的两端也为0和1.0 (物种分布宽度不能大于区域宽度)。

Fig. 2 Patterns of midpoint-range pairs generated by different mid-domain models. a, the bivariate random model; b, the random midpoint model; c, the random range model. The domain boundaries are denoted by 0 and 1.0 on the x axis, and thus the range of the y axis is also between 0 and 1.0 (the species ranges can not be wider than the domain range because of the geometric constraints).

第6期王襄平等: 中域效应假说: 模型、证据和局限性 571

(图3a,b), 物种中心点出现的频率从两端边界向区域中心线性增加, 而分布宽度出现的频率则随着宽度的增加而线性下降。物种丰富度格局由中心点的分布格局和分布区叠加程度两种因素共同决定。由图3a可知, 即使不考虑分布区叠加的因素, 这一模型产生的中心点格局也必然导致物种丰富度在区域中心最高, 从而形成中域效应(图3c)。

在Colwell和Hurtt(1994)通过Monte Carlo运算进行模拟的基础之上, Willig和Lyons(1998)进一步给出了双随机模型的解析模型(Analytic model): 设区域总物种数为S, 0和1分别代表区域两端的边界, 区域内任意一点距0端的距离为p, 则该点出现的物种数为:

S P = S (2p – 2p2) (1) 由式1可知双随机模型的物种丰富度格局呈二项式曲线, 物种数峰值为区域总物种数的0.5, 且出现在区域中点。

在双随机模型之外, 还有如下两种基本模型, 由于分布宽度或中心点分别受另一方限制, 故称为受限零模型(constrained null model)(Colwell & Lees, 2000)。

模型2: 中心点随机模型。该模型的假设为: 物种分布的中心点在区域内随机生成, 分布宽度根据中心点值和几何限制在可能的范围内随机产生。从图3(a,b)可以看出, 由于模型产生的中心点在区域内均匀分布, 几何限制导致分布宽度出现的频率随宽度增大而急剧下降。此时物种丰富度格局只决定于物种分布区的叠加, 因而物种数峰值较双随机模型要低, 为区域总物种数的0.31(Laurie & Silander, 2002)。这一模型产生的物种丰富度格局为一条峰顶

图3不同中域效应模型模拟结果的差异。a: 物种中心点的频度分布; b: 物种分布宽度的频度分布; c: 物种丰富度格局; d:平均物种分布宽度(MRS)格局。模拟中使用的参数: 总物种数为50,区域宽度划分为50段, 图中物种丰富度和MRS为1,000次运算的平均值。

Fig. 3 Comparison of patterns generated by different mid-domain models. a, midpoint frequency distribution; b, range size fre-quency distribution; c, species richness; d, mean range size (MRS). Each simulation was run with 50 species and 50 bins. Species richness and MRS were the means of 1,000 iterations.

572 生物多样性 Biodiversity Science第17卷

较平缓的类二项式(quasi-parabolic)曲线(图3c)。

模型3: 分布宽度随机模型。该模型的假设为: 物种分布宽度随机生成(但不能大于区域的宽度), 中心点根据分布宽度和几何限制在可能的范围内随机产生。从图3(a,b)可以看出, 由于分布宽度的均匀分布, 几何限制导致中心点出现的频率从区域两端向中心急剧上升, 且物种中心点在“几何限制三角形”的顶角集中分布(图2c)。由于中心点的这种分布格局, 该模型的物种丰富度峰值较双随机模型明显要高, 为区域总物种数的0.69(图3c)(Lees et al., 1999)。

由图3(c)的模拟结果可以看出, 在3种几何限制模型中, 物种丰富度峰值均出现在区域中心, 在两端边界上物种丰富度均为0。但由于3种模型假设的不同, 虽然物种中心点均分布于几何限制所规定的三角形内, 但其分布格局却有较大差异(图2)。分布宽度随机模型(模型3)由于中心点在区域中心分布最集中, 因而物种数峰值最高, 中域效应最强, 而中心点随机模型(模型2)的中域效应最弱(图3)。

物种分布宽度的地理格局与多样性格局之间有着密切的关系。Stevens (1989, 1992)认为, 物种分布宽度随纬度(海拔)的下降而减小是导致多样性地理格局形成的原因, 这就是所谓的Rapoport法则。由于平均分布宽度数据存在严重的空间自相关, 零模型已经成为研究Rapoport法则和分布宽度格局的一种重要手段(如Lyons & Willig, 1997; Ribas & Schoereder, 2006)。由图3(d)可以看出, 不同中域效应模型产生的物种平均分布宽度格局(Stevens, 1989, 1992)也不同: 在双随机模型(模型1)中, 平均分布宽度没有变化; 在中心点随机模型(模型2)中, 平均分布宽度呈驼峰形格局, 在区域中心最高; 而在分布宽度随机模型(模型3)中, 平均分布宽度则呈凹陷形的曲线, 在区域中心最低。

2.2 经验数据模型

上述3种中域效应模型不考虑任何物种自身的属性和环境梯度的影响。但在自然界中, 物种分布和多样性格局不可避免地会受到环境和历史等因素的强烈影响。因而, 这些模型的模拟结果常与实际格局有很大差异。为此, Colwell等人又在上述模型的基础上提出了如下两种受物种属性限制的经验数据模型(Colwell & Lees, 2000):

模型4: 经验中心点模型。在模拟中使用物种的实际中心点数据, 各物种的分布宽度根据中心点值和“物种分布区不超出边界”的限制条件在可能的范围内随机产生。模型产生的物种丰富度峰值不一定在区域中点(图4), 而是随模拟中使用的经验数据不同而异。由于Colwell等(2004)不赞成使用该模型, 因而其应用较少。

模型5: 经验分布宽度模型。将物种的实际分布区在区域中随机摆放, 物种中心点根据分布宽度和几何限制在可能的范围内随机生成。这一模型产生的物种丰富度格局仍为峰值在区域中点的曲线, 峰值的高低则因经验数据不同而异(图4)。

将物种的实际分布区在区域中随机摆放的目的是利用经验数据的分布宽度频度分布(range size frequency distribution, RSFD)。Colwell等(2004)强烈推荐使用这一模型, 有两个方面的原因。一方面, 理论上零模型应当包含所有影响现实格局的重要因素, 而只排除所要研究的因素或机制。Colwell认为中域效应模型的目的是排除环境等因素对物种分布位置的影响, 因而相对于模型1–3, 模型5是更好的零模型。另一方面, 中域效应模型的结果受RSFD的影响很大, 而模型1–3产生的RSFD是固定的(图3b), 与经验RSFD有较大差异, Colwell认为这些模型会低估中域效应的作用。

图4云南丽江地区物种丰富度的垂直格局及不同中域效应模型的模拟结果。物种数据来自吕正伟(1998), 模型的预测值均为500次运算的平均值。

Fig. 4 Altitudinal patterns of species richness in Lijiang re-gion in comparison with patterns simulated by different mid-domain models. The species data were compiled from Lü (1998). The model predictions were the means of 500 itera-tions.

第6期王襄平等: 中域效应假说: 模型、证据和局限性 573

受Colwell等(2004)的影响, 经验分布宽度模型是目前中域效应研究中使用最为广泛的模型, 一般使用RangeModel(Colwell, 2008)和Mid-Domain Null (McCain, 2004)程序模拟物种分布区的随机摆放。

3中域效应假说的证据

中域效应是否存在及其作用的大小, 近年来成为一个热点问题。支持者认为, 中域效应不仅在纬度和海拔梯度上存在, 而且在水深、时间、资源有效性等多种梯度上也起作用(Pineda & Caswell, 1998; Colwell & Lees, 2000; Colwell et al., 2004; Morales et al., 2005; Tiwari et al., 2005; Dunn et al., 2006a; Lusk et al., 2006)。Colwell和Lees (2000)甚至认为: “问题不在于中域效应对多样性格局是否有影响, 而在于其影响有多大”。

(1) 纬度梯度: 物种丰富度从赤道到两极显著下降是众所周知的事实, 中域效应的惊人预测是: 即使在没有任何环境梯度的情况下, 同样可以形成这种纬度格局。如Willig和Lyons(1998)发现, 在美洲大陆的纬度梯度上(约60°N–60°S), 中域效应可以解释有袋类和蝙蝠物种丰富度变异的69–94%。由于这种跨越赤道的纬度格局也可以用气候梯度进行解释, 因此对中域效应假说更为有利的现象是: 在不包含赤道的纬度梯度上, 也常可观察到物种丰富度先上升后下降的现象(图5a)(Krystufek & Grif-fiths, 2002; Hausdorf, 2006)。McCain (2003)对沙漠啮齿动物纬度格局(19°–45°N)的研究结果也表明, 中域效应可解释物种丰富度变异的93%。

(2) 海拔梯度: 随着海拔升高, 物种丰富度先上升后下降的格局是最为常见的(约占50%), 而单

图5物种丰富度沿纬度和海拔梯度的变化, 每个梯度各举一个符合和偏离中域效应预测的例子, 图a和c与中域效应预测值一致, 而图b和d则不符。a: 马达加斯加岛10类动物物种丰富度的纬度格局, ■所有物种, □分布区宽的物种, ○分布区窄的物种, 实线为中域效应预测值, 纵坐标为物种丰富度占用于模拟的总物种数的比例(Colwell & Lees, 2000)。b: 非洲Cape植物区的山龙眼科物种丰富度的纬度格局, 实线为物种丰富度, 虚线为中域效应预测值(Laurie & Silander, 2002)。c: 美国Aquarius 山区小型哺乳动物的物种丰富度垂直格局(McCain, 2005); d: 婆罗洲Kinabalu山小型哺乳动物的物种丰富度格局(McCain, 2005)。图c、d中给出了中域效应预测值的95%置信区间(无数据点的曲线)。

Fig. 5Empirical patterns of species richness along latitude or altitude gradients. Two of them were consistent with mid-domain model predictions (a and c), while the other two showed remarkable deviation. a, Latitudinal richness pattern for ten faunal groups in Madagascar. ■ Richness pattern for all species; □ Large ranged species; ○ Small ranged species; solid lines, model predictions (Colwell & Lees, 2000). b, Latitudinal richness pattern for Proteaceae in the Cape Floristic Region of Africa. Solid line, observed pattern; dashed line, model prediction (Laurie & Silander, 2002). c, Altitudinal richness patterns of small mammals in Aquarius Mountains of USA. d, Richness patterns of small mammals in Mt. Kinabalu, Borneo. Lines without data points were the 95% confi-dence limits of mid-domain model predictions (McCain, 2005).

574 生物多样性 Biodiversity Science第17卷

调下降的格局仅占25%(Rahbek, 2005)。而且, 有学者指出其中一些单调下降的格局可能是由于研究未包括整个海拔梯度(Nogués-Bravo et al., 2008), 或者是由于面积因素导致(Bachman et al., 2004)。许多研究表明, 中域效应对物种丰富度的垂直格局有较强的解释力(图5c)(Cardelus et al., 2006; Wang et al., 2007)。在McCain(2004)对小型哺乳动物的研究中, 多数山地的物种丰富度都位于中域效应预测值的95%置信区间内。

(3) 二维、三维空间: 同样, 边界对物种分布的限制也可扩展至二维、三维空间。Jetz和Rahbek (2001)曾建立了一个二维模型对非洲大陆鸟类的分布区进行随机摆放, 结果表明该模型能够较好地模拟物种丰富度的实际格局。在Lees等(1999)对马达加斯加岛10类动物的研究中, 中域效应对物种丰富度二维格局的解释百分率高达75%。最近, Van-DerWal等(2008)建立了三维的中域效应模型, 在该研究中, 中域效应预测值和空间自回归项可以解释北美大陆两栖类、鸟类、哺乳类和乔木物种丰富度的45–92%。

虽然采用相关、回归手段对中域效应进行检验还存在很多争议(McClain et al., 2007), 但这方面的研究对于评价中域效应的相对作用大小仍是有益的。研究表明, 中域效应对多样性格局的解释力随着很多因素的不同而变化, 如物种分布宽度、区域的大小、分类群或功能型的差异、地点、尺度等(Sanders, 2002; McCain, 2005; Oommen & Shanker, 2005; Cardelus et al., 2006; Dunn et al., 2006b; Wang et al., 2007)。Colwell等(2004)对21项研究的统计结果表明, 中域效应对多样性格局的解释力(R2)大于0.5和小于0.5的案例几乎相等。最近, Currie和Kerr (2008)对53个研究的统计结果也表明, 中域效应的解释力(R2)的中值为0.46。这些都表明, 中域效应只是影响物种丰富度的多种因素之一, 且在不少情况下解释力并不高。事实上, 中域效应假说经常被认为不能解释经验格局而遭到批评(如图5b,d)。

由于驼峰形的物种丰富度格局也可以用环境因素解释, 中域效应假说最有力的证据来自如下事实: 许多研究发现, 对于分布区大的物种, 环境因子对其物种丰富度解释力很低, 而中域效应的解释力很强; 反之, 对于分布区小的物种, 中域效应几乎没有解释力, 而环境因子则解释力很强(Lees et al., 1999; Mora & Robertson, 2005; Cardelus et al., 2006; Dunn et al., 2006a; Fu et al., 2006)。这一现象仅用环境因子是很难解释的: 如果物种分布和多样性格局完全不受几何(边界)限制的影响, 则对于分布区大小不同的物种, 环境因子的解释力差异应不大。相反, 该现象完全符合中域效应假说的预测(Colwell & Lees, 2000): 物种分布区越大, 几何(边界)限制对其分布的影响越强烈, 因而分布区大的物种基本不受环境因子的影响, 而分布区小的物种受边界的限制很小, 其分布主要受环境因子的影响。

4关于中域效应假说的争论

中域效应假说在得到很多支持的同时, 也遭到了猛烈的批评。一些学者甚至认为该假说的基本假设错误, 难以解释物种丰富度的实际格局, 应当被抛弃(Hawkins & Diniz-Filho, 2002; Laurie & Silander, 2002; Zapata et al., 2003, 2005; Hawkins et al., 2005; Currie & Kerr, 2008)。总体来看, 对该假说的批评主要集中在以下两个方面:

(1) 中域效应的预测与实际物种丰富度格局有显著差异。许多研究对二者是否有显著差异进行了检验: 比较简单的检验方法是观察实测值是否位于模型预测值的95%置信区间内(图5c,d), 或检验预测值和实测值之间的斜率和截距是否分别与1和0有显著差异(Jetz & Rahbek, 2001; Currie & Kerr, 2008)。也有研究采用更严格的方法, 对物种分布的实际格局与模型预测格局的差异进行检验(Laurie & Silander, 2002; Smith & Brown, 2002)。

由于自然界中物种丰富度的峰值很少位于区域中点(如在多数山地位于中低海拔, Brown, 2001), 上述检验很容易发现实际格局与中域效应的预测有显著差异, 这是中域效应假说经常遭到批评的最重要原因(Hawkins & Diniz-Filho, 2002; Laurie & Silander, 2002; Zapata et al., 2003)。如Currie和Kerr(2008)最近对文献的综合分析认为, 在53项研究中有50项物种丰富度格局与中域效应预测值有显著差异, 而剩下的3项则是由于环境因素与中域效应有很强的共线性。

但是, 上述检验方法实际上是假设物种丰富度不受中域效应之外的其他因素影响, 而事实上中域效应假说从未否认环境、历史等因素的重要作用

第6期王襄平等: 中域效应假说: 模型、证据和局限性 575

(Colwell et al., 2004, 2005)。如果环境因子显著地改变了中域效应形成的格局, 则模型预测值与实际格局有显著的统计差异是很自然的。其中面积的影响尤其需要注意。如海拔梯度上单调下降的物种丰富度格局常被认为是中域效应假说的不利证据, 但Bachman等(2004)的研究表明, 在用等面积海拔段消除面积的影响之后, 物种丰富度格局变为驼峰形, 且与中域效应假说的预测十分接近, Ra-hbek(1997)也发现了类似的现象。因此, Colwell等(2005)反对采用上述非此即彼(all or nothing)的假设检验方法对中域效应假说进行检验。但是, 迄今为止仍没有很好方法能对该假说进行严格的验证(McClain et al., 2007)。

(2) 一些学者认为, 物种丰富度的驼峰形格局是环境梯度造成的, 而不是中域效应的结果(Kerr et al., 2006; McCain, 2007; Currie & Kerr, 2008)。如随着海拔的上升, 一般伴随着水分有效性的增加和温度的降低。因此, 在干旱区中海拔的水热组合最佳, 驼峰形的多样性垂直格局完全可以用水分—能量平衡假说(O’Brien, 2006)进行解释; 而在湿润区, 由于水分不构成对生长的限制, 物种丰富度主要受温度影响而呈单调下降格局。与这一解释相一致, McCain (2007)发现, 蝙蝠的物种丰富度垂直格局在干旱区为驼峰形, 而在湿润区为单调下降形。事实上, 在中域效应假说提出之前, 多数研究都是采用类似的环境机制来解释多样性垂直格局中的“中间高度膨胀”现象的(见贺金生和陈伟烈, 1997; 唐志尧和方精云, 2004)。不过, 如前所述, 环境因子的解释力对于不同分布宽度的物种是不同的, 这一假说在解释该现象时存在困难。

此外, 对中域效应假说还有一些批评, 如认为中域效应是插值造成的假象(Kerr et al., 2006; Cur-rie & Kerr, 2008), 但已有研究表明这种影响并不是很大(Zapata et al., 2003; McClain & Etter, 2005)。也有学者对Colwell等(2004)推荐的经验分布宽度模型提出了尖锐批评(Hawkins et al., 2005; Zapata et al., 2005), 因更多地涉及零模型本身的理论争论, 在此不作讨论。

5中域效应假说的合理性和局限性

我们认为, 中域效应假说的核心在于揭示了几何(边界)限制和随机过程对生物多样性格局的影响。一方面, 虽然边界对物种分布的限制是众所周知的事实(如陆生生物不可能分布到水中), 但在中域效应假说提出之前, 关于多样性地理格局的研究几乎没有考虑过这一因素。即以往的研究实际上是假设在没有环境梯度的情况下, 物种丰富度是没有变化的(Colwell et al., 2004)。中域效应假说对这种传统观念形成了挑战, 此后人们才注意到, 驼峰形的物种丰富度格局实际上是很广泛的。目前, 即使是该假说的批评者也承认, 几何(边界)限制的影响确实存在, 只是应当建立新的几何限制模型(Currie & Kerr, 2008)。

另一方面, 由于中域效应模型排除了环境梯度(甚至物种属性)的影响, 其预测与经验数据有较大差异是很自然的。相反, 在完全排除了环境因素的影响后, 随机模拟产生的预测值常在解释多样性格局中起重要作用(Colwell et al., 2004), 这倒是需要引起足够重视的。一种可能的解释是, 不同物种的分布分别受不同因素的影响, 导致总的格局与随机过程有一定程度的相似(Lyons & Willig, 1999)。在揭示随机过程的潜在重要性上, 中域效应假说与近年来在群落生态学中兴起的中性理论(neutral model)不谋而合(Hubbell, 2001; 周淑荣和张大勇, 2006)。两种理论在解释多样性地理格局和群落生物多样性中都取得了一定的成功, 这可能意味着, 随机过程在自然界中的作用较我们以往所认识的要大得多。

同时也应看到, 物种丰富度的实际格局常常与中域效应的预测有明显的差异。这说明目前的中域效应模型还过于简单(Koleff & Gaston, 2001; Arita, 2005)。事实上, Colwell和Lees (2000)的模型中“物种分布区大小不变”的假设就不尽合理。比如一个物种的海拔分布范围为2,000–3,000 m, 在一座峰顶海拔为2,500 m的山体上, 其海拔分布范围只能为2,000–2,500 m, 即物种的实际分布区是可变的。多项研究都据此批评过中域效应假说(Hawkins & Di-niz-Filho, 2002; Sandel & McKone, 2006)。而且, 允许物种分布区超出边界并不一定导致中域效应的消失, 只要物种的中心点不超出边界, 物种丰富度仍在区域的中点最高(Grytnes, 2003; 王襄平, 2008)。Grytnes等(2008)在Kinabalu山的研究表明,这种“中心点受限模型”较Colwell的模型能更好地模拟物种丰富度的垂直格局。

576 生物多样性 Biodiversity Science第17卷

物种丰富度的地理格局本质上是由物种的分布格局决定的, 中域效应假说的贡献就在于它注意到了边界对物种分布的限制。但目前的中域效应模型产生的物种分布格局仍与实际格局之间存在较大的差异(如Laurie & Silander, 2002; 王襄平, 2008), 这是其预测结果和多样性实际格局存在差异的根本原因。因此, 必须对中域效应假说的模型进行改进。其中, 深入理解物种分布的影响机制是关键因素。

中域效应假说是一个新兴的理论, 在我国的应用还相对较少。唐志尧和方精云(2004)首次简介了该假说, 冯建孟等(2006)分析了面积和中域效应对丽江地区物种丰富度垂直格局的影响。Fu等(2006)研究了气候、面积和中域效应对横断山区蛙类物种丰富度海拔梯度格局的影响, Wang等(2007)则定量分析了面积和中域效应在高黎贡山种子植物多样性垂直格局中的相对作用大小。这两个研究都发现中域效应对不同分布宽度物种的多样性格局解释力差异很大。此外, 王希华(2006)的研究也认为, 中域效应对我国典型常绿阔叶林代表性物种的多样性格局有重要影响。

6结语

物种丰富度的地理格局是宏观生态学和生物地理学的核心问题之一。中域效应假说的重要意义在于揭示了几何(边界)限制和随机过程对物种分布和多样性格局的影响, 是对气候假说和历史假说的重要补充。但是, 目前还没有很好的方法对中域效应假说进行验证; 同时, 该假说的模型还过于简单、一些假设也不尽合理, 这些都限制了它对多样性地理格局的解释能力, 有待于进一步完善。其中, 深入理解物种分布的机制是完善中域效应假说的关键。

参考文献

Arita HT (2005) Range size in mid-domain models of species diversity. Journal of Theoretical Biology, 232, 119–126. Bachman S, Baker WJ, Brummitt N, Dransfield J, Moat J (2004) Elevational gradients, area and tropical island diver-sity: an example from the palms of New Guinea. Ecography, 27, 299–310.

Brown JH (2001) Mammals on mountainsides: elevational patterns of diversity. Global Ecology and Biogeography, 10, 101–109.

Cardelus CL, Colwell RK, Watkins JE (2006) Vascular epi-

phyte distribution patterns: explaining the mid-elevation richness peak. Journal of Ecology, 94, 144–156.

Colwell RK (2008) RangeModel: tools for exploring and as-sessing geometric constraints on species richness (the mid-domain effect) along transects. Ecography, 31, 4–7. Colwell RK, Hurtt GC (1994) Nonbiological gradients in spe-cies richness and a spurious Rapoport effect. The American Naturalist, 144, 570–595.

Colwell RK, Lees DC (2000) The mid-domain effect: geomet-ric constraints on the geography of species richness. Trends in Ecology and Evolution, 15, 70–76.

Colwell RK, Rahbek C, Gotelli NJ (2004) The mid-domain effect and species richness patterns: what have we learned so far? The American Naturalist, 163, E1–E23.

Colwell RK, Rahbek C, Gotelli NJ (2005) The mid-domain effect: there’s a baby in the bathwater. The American Natu-ralist, 166, E149–E154.

Currie DJ, Kerr JT (2008) Tests of the mid-domain hypothesis:

a review of the evidence. Ecological Monographs, 78, 2–18. Dunn RR, Colwell RK, Nilsson C (2006a) The river domain: why are there more species halfway up the river? Ecogra-phy, 29, 251–259.

Dunn RR, McCain CM, Sanders NJ (2006b) When does diver-sity fit null model predictions? Scale and range size mediate the mid-domain effect. Global Ecology and Biogeography, 16, 305–312.

Feng JM (冯建孟), Wang XP (王襄平), Li J (李晶), Fang JY (方精云) (2006) Effects of area and mid-domain effect on altitudinal pattern of seed plants richness in Lijiang, Yun-nan, China. Biodiversity Science(生物多样性), 14, 107–113. (in Chinese with English abstract)

Fu C, Hua X, Li J, Chang Z, Pu Z, Chen J (2006) Elevational patterns of frog species richness and endemic richness in the Hengduan Mountains, China: geometric constraints, area and climate effects. Ecography, 29, 919–927.

Gaston KJ (2000) Global patterns in biodiversity. Nature, 405, 220–227.

Gotelli NJ, Graves GR (1996) Null Models in Ecology. Smith-sonian Institution, Washington, DC.

Grytnes JA, Beaman JH, Romdal TS, Rahbek C (2008) The mid-domain effect matters: simulation analyses of range-size distribution data from Mount Kinabalu, Borneo.

Journal of Biogeography, 35, 2138–2147.

Grytnes JA (2003) Ecological interpretations of the mid-do-main effect. Ecology Letters, 6, 883–888.

Hausdorf B (2006) Latitudinal and altitudinal diversity patterns and Rapoport effects in north-west European land snails and their causes. Biological Journal of the Linnean Society, 87, 309–323.

Hawkins BA, Diniz-Filho JAF (2002) The mid-domain effect cannot explain the diversity gradient of Nearctic birds.

Global Ecology and Biogeography, 11, 419–426.

Hawkins BA, Diniz-Filho JAF, Weis AE (2005) The mid-domain effect and diversity gradients: is there anything to learn? The American Naturalist, 166, E140–E143.

第6期王襄平等: 中域效应假说: 模型、证据和局限性 577

He JS (贺金生), Chen WL (陈伟烈) (1997) A review of gradi-ent changes in species diversity of land plant communities.

Acta Ecologica Sinica(生态学报), 17,91–99. (in Chinese with English abstract)

Hubbell SP (2001) The Unified Neutral Theory of Biodiversity and Biogeography. Princeton University Press, Princeton. Jetz W, Rahbek C (2001) Geometric constraints explain much of the species richness pattern in African birds. Proceedings of the National Academy of Sciences, USA, 98, 5661–5666. Jetz W, Rahbek C (2002) Geographic range size and determi-nants of avian species richness. Science, 297, 1548–1551. Kerr JT, Perring M, Currie DJ (2006) The missing Madagascan mid-domain effect. Ecology Letters, 9, 149–159.

Koleff P, Gaston KJ (2001) Latitudinal gradients in diversity: real patterns and random models. Ecography, 24, 341–351. Krystufek B, Griffiths HI (2002) Species richness and rarity in European rodents. Ecography, 25, 120–128.

Laurie H, Silander JA (2002) Geometric constraints and spatial pattern of species richness: critique of range-based null models. Diversity and Distributions, 8, 351–364.

Lees DC, Kremen C, Andriamampianina L (1999) A null model for species richness gradients: bounded range overlap of butterflies and other rainforest endemics in Madagascar.

Biological Journal of the Linnean Society, 67, 529–584. Lomolino MV (2001) Elevation gradients of species-density: historical and prospective views. Global Ecology and Bio-geography, 10, 3–13.

Lü ZW (吕正伟) (1998) Flora of High Mountain Garden and Seed Plants in Lijiang(丽江地区高山园林与种子植物名录). Ethnic Press of Yunnan, Kunming. (in Chinese)

Lusk CH, Chazdon RL, Hofmann G (2006) A bounded null model explains juvenile tree community structure along light availability gradients in a temperate rain forest. Oikos, 112, 131–137.

Lyons SK, Willig MR (1997) Latitudinal patterns of range size: methodological concerns and empirical evaluations for New World bats and marsupials. Oikos, 79, 568–580.

Lyons SK, Willig MR (1999) A hemispheric assessment of scale-dependence in latitudinal gradients of species richness.

Ecology, 80, 2483–2491.

MacArthur RH (1957) On the relative abundance of bird spe-cies. Proceedings of the National Academy of Sciences, USA, 43, 293–295.

McCain CM (2003) North American desert rodents: a test of the mid-domain effect in species richness. Journal of Mam-malogy, 84, 967–980.

McCain CM (2004) The mid-domain effect applied to eleva-tional gradients: species richness of small mammals in Costa Rica. Journal of Biogeography, 31, 19–31.

McCain CM (2005) Elevational gradients in diversity of small mammals. Ecology, 86, 366–372.

McCain CM (2007) Could temperature and water availability drive elevational species richness patterns? A global case study for bats. Global Ecology and Biogeography, 16, 1–13. McClain CR, Etter RJ (2005) Mid-domain models as predictors

of species diversity patterns: bathymetric diversity gradients in the deep sea. Oikos, 109, 555–566.

McClain CR, White EP, Hurlbert AH (2007) Challenges in the application of geometric constraint models. Global Ecology and Biogeography, 16, 257–264.

Molles MC (2008) Ecology: Concepts and Applications.

McGraw-Hill, New York.

Mora C, Robertson DR (2005) Causes of latitudinal gradients in species richness: a test with fishes of the tropical eastern pacific. Ecology, 86, 1771–1782.

Morales MA, Dodge GJ, Inouye DW (2005) A phenological mid-domain effect in flowering diversity. Oecologia, 142, 83–89.

Nogués-Bravo D, Araújo MB, Romdal T, Rahbek C (2008) Scale effects and human impact on the elevational species richness gradients. Nature, 453, 216–220.

O’Brien EM (2006) Biological relativity to water–energy dy-namics. Journal of Biogeography, 33, 1868–1888. Oommen MA, Shanker K (2005) Elevational species richness patterns emerge from multiple local mechanisms in Hima-layan woody plants. Ecology, 86, 3039–3047.

Pineda J, Caswell H (1998) Bathymetric species-diversity pat-terns and boundary constraints on vertical range distribu-tions. Deep-Sea Research II, 45, 83–101.

Rahbek C (1995) The elevational gradient of species richness: a uniform pattern? Ecography, 18, 200–205.

Rahbek C (1997) The relationship among area, elevation, and regional species richness in Neotropical birds. The American Naturalist, 149, 875–902.

Rahbek C (2005) The role of spatial scale and the perception of large-scale species-richness patterns. Ecology Letters, 8, 224–239.

Rahbek C, Gotelli NJ, Colwell RK, Entsminger GL, Rangel TFLVB, Graves GR (2007) Predicting continental-scale patterns of bird species richness with spatially explicit mod-els. Proceedings of the Royal Society (B), 274, 165–174. Ribas CR, Schoereder JH (2006) Is the Rapoport effect wide-spread? Null models revisited. Global Ecology and Bio-geography, 15, 614–624.

Sandel BS, McKone MJ (2006) Reconsidering null models of diversity: do geometric constraints on species ranges neces-sarily cause a mid-domain effect? Diversity and Distribu-tions, 12, 467–474.

Sanders NJ (2002) Elevational gradients in ant species rich-ness: area, geometry, and Rapoport’s rule. Ecography, 25, 25–32.

Smith KF, Brown JH (2002) Patterns of diversity, depth range and body size among pelagic fishes along a gradient of depth. Global Ecology and Biogeography, 11, 313–322. Stevens GC (1989) The latitudinal gradient in geographical range: how so many species coexist in the tropics. The American Naturalist, 133, 240–256.

Stevens GC (1992) The elevational gradient in altitudinal range: an extension of Rapoport’s latitudinal rule to altitude.

The American Naturalist, 140, 893–911.

578 生物多样性 Biodiversity Science第17卷

Tang ZY (唐志尧), Fang JY (方精云) (2004) A review on the elevational patterns of plant species diversity. Biodiversity Science (生物多样性), 12, 20–28. (in Chinese with English abstract)

Tang ZY (唐志尧), Wang ZH (王志恒), Fang JY (方精云) (2009) Historical hypothesis in explaining spatial patterns of species richness. Biodiversity Science(生物多样性), 17, 635–643. (in Chinese with English abstract)

Tiwari M, Bjorndal KA, Bolten AB, Bolker BM (2005) Intras-pecific application of the mid-domain effect model: spatial and temporal nest distributions of green turtles, Chelonia mydas, at Tortuguero, Costa Rica. Ecology Letters, 8, 918–924.

VanDerWal J, Murphy HT, Lovett-Doust J (2008) Three- dimensional mid-domain predictions: geometric constraints in North American amphibian, bird, mammal and tree spe-cies richness patterns. Ecography, 31, 435–449.

Wang XH (王希华) (2006) Phytogeography and Species Di-versity of Typical Evergreen Broad-leaved Forest in China (中国典型常绿阔叶林植物地理与物种多样性研究). PhD dissertation, East China Normal University, Shanghai. (in Chinese with English abstract)

Wang XP (王襄平) (2008) Altitudinal Patterns of Seed Plant

Richness in Mountains Across East China (中国东部山地种子植物γ多样性的垂直格局). Postdoctoral report, Peking University, Beijing. (in Chinese with English abstract) Wang Z, Tang Z, Fang J (2007) Altitudinal patterns of seed plant richness in the Gaoligong Mountains, south-east Tibet, China. Diversity and Distributions, 13, 845–854.

Wang ZH (王志恒), Tang ZY (唐志尧), Fang JY (方精云) (2009) The species–energy hypothesis as a mechanism for species richness patterns. Biodiversity Science(生物多样性), 17, 613–624. (in Chinese with English abstract)

Willig MR, Lyons SK (1998) An analytical model of latitudinal gradients of species richness with an empirical test for mar-supials and bats in the New World. Oikos, 81, 93–98. Zapata FA, Gaston KJ, Chown SL (2003) Mid-domain models of species richness gradients: assumptions, methods and evidence. Journal of Animal Ecology, 72, 677–690.

Zapata FA, Gaston KJ, Chown SL (2005) The mid-domain effect revisited. The American Naturalist, 166, E144–E148. Zhou SR (周淑荣), Zhang DY (张大勇) (2006) Neutral theory in community ecology. Journal of Plant Ecology (植物生态学报), 30,868–877. (in Chinese with English abstract)

(责任编委: 张大勇责任编辑: 闫文杰)

STATA面板数据模型操作命令要点

STATA 面板数据模型估计命令一览表 一、静态面板数据的STATA 处理命令 εαβit ++=x y it i it 固定效应模型 μβit +=x y it it ε αμit +=it it 随机效应模型 （一）数据处理 输入数据 ●tsset code year 该命令是将数据定义为“面板”形式 ●xtdes 该命令是了解面板数据结构 ●summarize sq cpi unem g se5 ln 各变量的描述性统计（统计分析） ●gen lag_y=L.y /////// 产生一个滞后一期的新变量

gen F_y=F.y /////// 产生一个超前项的新变量 gen D_y=D.y /////// 产生一个一阶差分的新变量 gen D2_y=D2.y /////// 产生一个二阶差分的新变量 （二）模型的筛选和检验 ●1、检验个体效应（混合效应还是固定效应）（原假设：使用OLS混合模型）●xtreg sq cpi unem g se5 ln,fe 对于固定效应模型而言，回归结果中最后一行汇报的F统计量便在于检验所有的个体效应整体上显著。在我们这个例子中发现F统计量的概率为0.0000，检验结果表明固定效应模型优于混合OLS模型。 ●2、检验时间效应（混合效应还是随机效应）（检验方法：LM统计量） （原假设：使用OLS混合模型） ●qui xtreg sq cpi unem g se5 ln,re (加上“qui”之后第一幅图将不会呈现) xttest0

可以看出，LM检验得到的P值为0.0000，表明随机效应非常显著。可见，随机效应模型也优于混合OLS模型。 ●3、检验固定效应模型or随机效应模型（检验方法：Hausman检验） 原假设：使用随机效应模型（个体效应与解释变量无关） 通过上面分析，可以发现当模型加入了个体效应的时候，将显著优于截距项为常数假设条件下的混合OLS模型。但是无法明确区分FE or RE的优劣，这需要进行接下来的检验，如下： Step1：估计固定效应模型，存储估计结果 Step2：估计随机效应模型，存储估计结果 Step3：进行Hausman检验 ●qui xtreg sq cpi unem g se5 ln,fe est store fe qui xtreg sq cpi unem g se5 ln,re est store re hausman fe (或者更优的是hausman fe,sigmamore/ sigmaless) 可以看出，hausman检验的P值为0.0000，拒绝了原假设，认为随机效应模型的基本假设得不到满足。此时，需要采用工具变量法和是使用固定效应模型。

面板数据的F检验固定效应检验

面板数据的F检验固定 效应检验 标准化工作室编码[XX968T-XX89628-XJ668-XT689N]

面板数据模型(P A N E L D A T A)F检验,固定效应检验1．面板数据定义。 时间序列数据或截面数据都是一维数据。例如时间序列数据是变量按时间得到的数据；截面数据是变量在截面空间上的数据。面板数据（panel data）也称时间序列截面数据（time series and cross section data）或混合数据（pool data）。面板数据是同时在时间和截面空间上取得的二维数据。面板数据示意图见图1。面板数据从横截面（cross section）上看，是由若干个体（entity, unit, individual）在某一时刻构成的截面观测值，从纵剖面（longitudinal section）上看是一个时间序列。 面板数据用双下标变量表示。例如 y , i= 1, 2, …, N; t= 1, 2, …, T i t N表示面板数据中含有N个个体。T表示时间序列的最大长度。若固定t不变，y , ( i i . = 1, 2, …, N)是横截面上的N个随机变量；若固定i不变，y. t, (t= 1, 2, …, T)是纵剖面上的一个时间序列（个体）。 图1 N=7，T=50的面板数据示意图 例如1990-2000年30个省份的农业总产值数据。固定在某一年份上，它是由30个农业总产总值数字组成的截面数据；固定在某一省份上，它是由11年农业总产值数据组成的一个时间序列。面板数据由30个个体组成。共有330个观测值。 对于面板数据y i t, i = 1, 2, …, N; t= 1, 2, …, T来说，如果从横截面上看，每个变量都有观测值，从纵剖面上看，每一期都有观测值，则称此面板数据为平衡面板数据（balanced panel data）。若在面板数据中丢失若干个观测值，则称此面板数据为非平衡面板数据（unbalanced panel data）。 注意：EViwes 、、既允许用平衡面板数据也允许用非平衡面板数据估计模型。

基于面板数据模型及其固定效应的模型分析

基于面板数据模型及其固定效应的模型分析 在20世纪80年代及以前，还只有很少的研究面板数据模型及其应用的文献,而20世纪80年代之后一直到现在,已经有大量的文献使用同时具有横截面和时间序列信息的面板数据来进行经验研究(Hsiao,20XX)。同时,大量的面板数据计量经济学方法和技巧已经被开发了出来，并成为现在中级以上的计量经济学教科书的必备内容，面板数据计量经济学的理论研究也是现在理论计量经济学最热的领域之一。 面板数据同时包含了许多横截面在时间序列上的样本信息，不同于只有一个维度的纯粹横截面数据和时间序列数据，面板数据是同时有横截面和时序二维的。使用二维的面板数据相对于只使用横截面数据或时序数据，在理论上被认为有一些优点，其中一个重要的优点是面板数据被认为能够控制个体的异质性。在面板数据中，人们认为不同的横截面很可能具有异质性，这个异质性被认为是无法用已知的回归元观测的，同时异质性被假定为依横截面不同而不同，但在不同时点却是稳定的，因此可以用横截面虚拟变量来控制横截面的异质性，如果异质性是发生在不同时期的，那么则用时期虚拟变量来控制。而这些工作在只有横截面数据或时序数据时是无法完成的。 然而,实际上绝大多数时候我们并不关心这个异质性究竟是多少，我们关心的仍然是回归元参数的估计结果。使用面板数据做过实际研究的人可能会发现使用的效应①不同，对回归元的估计结果经常有十分巨大的影响，在某个固定效应设定下回归系数为正显着，而另外一个效应则变为负显着，这种事情经常可以碰到,让人十分困惑。大多数的研究文献都将这种影响解释为控制了固定效应后的结果，因为不可观测的异质性(固定效应)很可能和回归元是相关的，在控制了这个效应后，由于变量之间的相关性，自然会对回归元的估计结果产生影响，因而使用的效应不同，估计的结果一般也就会有显着变化。 然而,这个被广泛接受的理论假说，本质上来讲是有问题的。我们认为，估计的效应不同，对应的自变量估计系数的含义也不同，而导致估计结果有显着变化的可能重要原因是由于面板数据是二维的数据，而在这两个不同维度上，以及将两个维度的信息放到一起时，样本信息所显现出来的自变量和因变量之间的相关关系可能是不同的。因此，我们这里提出另外一种异质性，即样本在不同维度上的相关关系是不同的，是异质的，这个异质性是发生在回归元的回归系数上，而 不是截距项。我们试图从面板数据的横截面维度和时间序列维度的样本相关异质性角

证据权法相关知识

证据权重法：是一种利用确定矿产形成的后验概率,来圈定研究区有利成矿部位的数学模型。 其数学原理及计算中的关键是:前验概率→证据权重→后验概率。 (1)前验概率。即根据已知矿点分布计算各证据因子单位区域内的成矿概率。假设每个矿点所占的单元格面积为u,研究区的面积(以单元格为单位)为 A(T)/u=N(T)式中,T为研究区;A(T)为面积;N(T)为单元格数目。 研究区内的矿点数为N(D),则随机选取一个单元格中矿点的概率为P(D)=N(D)/N(T),也被称为先验概率。 (2)证据权重。假设研究区被划分成面积相等的T个单元,其中有D个单元为有矿单元。对于任意一个证据因子,其权重定义为: W+=ln[P(B/D)/P(B/D-)](1) W-=ln[P(B-/D)/P(B-/D-)] (2) 式中,W+和W-分别为证据因子存在区和不存在区的权重值,对于原始数据缺失区域的权重值为0;B为因子存在区的单元数;B-为因子不存在区的单元数。 证据层与矿床(点)的相关程度为: C=W+-W- (3)后验概率。是在大量地质、地球物理和地球化学等图层叠加操作的基础上计算出来的。因此,其结果综合反映了各种控矿因素和矿化信息对矿床的控制和指示意义。 O后验=exp{ lnD1-D+Σni=1W k j} 式中,Wkj为第j个因子的权重。 该模型以贝叶斯条件概率为基础,通过一定的数学计算方法,确定与成矿作用关系密切的证据层的权重值,进而计算空间任一位置矿产发育的概率值,来圈定不同级别的预测靶区。预测评价结果是一个成矿后验概率图,后验概率值的大小对应着成矿概率的大小,数值越大,表明发现矿床(点)的概率越大。在确定整个预测区内的临界值之后,其概率图中后验概率大于临界值的地区,即为找矿远景区。 基本流程思路： 对于已有的数据,在总结控矿要素的基础上,提取与成矿有关的点、线、面信息:将面状信息与矿床(点)进行空间叠加,并计算不同属性的面状信息的单位矿产当量;线性信息主要是进行方位、交点、密度的计算,以及Buffer缓冲分析等;点信息的属性可以进行DTM分析绘制等值线,构筑成面状信息进行分析。 在用GIS进行成矿预测时,预测结果的精确性不仅取决于所选取地质变量的合理性,也取决于研究区地学空间数据库的丰富和可靠程度,两方面缺一不可。 1、地质数据库：基本上由地理、地层、侵入岩和脉岩和断层的矢量图形数据与属性数据组成。 2、矿床(点)数据库：数据库主要包括矿床(点)Au、As、Sb、Hg、Fe、W、Cu、Pb、Zn 及多金属矿床的矢量图形数据和属性数据。 3、物探数据库：研究区布格重力异常和航磁异常等值线图。 4、化探数据库：利用研究区Au、Ag、Pb、Zn、Hg、Sb元素异常等值线图,建立该区化探异常数据库。该数据库建设过程中,根据所选用的预测评价数学模型的需要,还建立了各异常元素相应的面(区)图层。 5、遥感数据库：通过对图像进行解译,得到线型构造和环型造解译图,并建立了相应的点线面文件和属性库。 6、重砂数据库 基于MORPAS平台的远景区预测

面板数据的F检验固定效应检验

面板数据模型(P A N E L D A T A)F检验,固定效应检验1．面板数据定义。 时间序列数据或截面数据都是一维数据。例如时间序列数据是变量按时间得到的数据；截面数据是变量在截面空间上的数据。面板数据（panel data）也称时间序列截面数据（time series and cross section data）或混合数据（pool data）。面板数据是同时在时间和截面空间上取得的二维数据。面板数据示意图见图1。面板数据从横截面（cross section）上看，是由若干个体（entity, unit, individual）在某一时刻构成的截面观测值，从纵剖面（longitudinal section）上看是一个时间序列。 面板数据用双下标变量表示。例如 y i t, i= 1, 2, …, N; t= 1, 2, …, T N表示面板数据中含有N个个体。T表示时间序列的最大长度。若固定t不变，y i ., ( i= 1, 2, …, N)是横截面上的N个随机变量；若固定i不变，y. t, (t= 1, 2, …, T)是纵剖面上的一个时间序列（个体）。 图1 N=7，T=50的面板数据示意图 例如1990-2000年30个省份的农业总产值数据。固定在某一年份上，它是由30个农业总产总值数字组成的截面数据；固定在某一省份上，它是由11年农业总产值数据组成的一个时间序列。面板数据由30个个体组成。共有330个观测值。

对于面板数据y i t, i= 1, 2, …, N; t= 1, 2, …, T来说，如果从横截面上看，每个变量都有观测值，从纵剖面上看，每一期都有观测值，则称此面板数据为平衡面板数据（balanced panel data）。若在面板数据中丢失 若干个观测值，则称此面板数据为非平衡面板数据（unbalanced panel data）。注意：EViwes 、、既允许用平衡面板数据也允许用非平衡面板数据估计模型。 例1（file:panel02）：1996-2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（不变价格）和人均收入数据见表1和表2。数据是7 年的，每一年都有15个数据，共105组观测值。 人均消费和收入两个面板数据都是平衡面板数据，各有15个个体。人均消 费和收入的面板数据从纵剖面观察分别见图2和图3。从横截面观察分别见图4和图5。横截面数据散点图的表现与观测值顺序有关。图4和图5中人均消费和收入观测值顺序是按地区名的汉语拼音字母顺序排序的。 表1 1999-2002年中国东北、华北、华东15个省级地区的居民家庭人均消 费数据（不变价格） 地区人均消费1996 1997 1998 1999 2000 2001 2002 CP-AH（安徽） CP-BJ（北京） CP-FJ（福建） CP-HB（河北）

Eviews面板大数据之固定效应模型

Eviews 面板数据之固定效应模型 在面板数据线性回归模型中，如果对于不同的截面或不同的时间序列，只是模型的截距项是不同的，而模型的斜率系数是相同的，则称此模型为固定效应模型。固定效应模型分为三类： 1.个体固定效应模型 个体固定效应模型是对于不同的纵剖面时间序列（个体）只有截距项不同的模型： 2 K it i k kit it k y x u λβ==++∑ (1) 从时间和个体上看，面板数据回归模型的解释变量对被解释变量的边际影响均是相同的，而且除模型的解释变量之外，影响被解释变量的其他所有（未包括在回归模型或不可观测的）确定性变量的效应只是随个体变化而不随时间变化时。 检验：采用无约束模型和有约束模型的回归残差平方和之比构造F 统计量，以检验设定个体固定效应模型的合理性。F 模型的零假设： 01231:0N H λλλλ-===???== ()1 (1,(1)1)(1) RRSS URSS N F F N N T K URSS NT N K --= ---+--+ RRSS 是有约束模型（即混合数据回归模型）的残差平方和，URSS 是无约束模型ANCOVA 估计的残差平方和或者LSDV 估计的残差平方和。 实践： 一、数据：已知1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（cp ，不变价格）和人均收入（ip ，不变价格）居民，利用数据（1）建立面板数据（panel data ）工作文件；（2）定义序列名并输入数据；（3）估计选择面板模型；（4）面板单位根检验。年人均消费（consume ）和人均收入（income ）数据以及消费者价格指数（p ）分别见表1，2和3。 表1 1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（元）数据

西藏日喀则地区证据权重法金矿远景预测(刘小杨,方洪宾,薛林福,《吉林大学学报(地球科学版)》2012.S2)

第42卷增刊22012年11月吉林大学学报（地球科学版） Journal of Jilin University （Earth Science Edition ）Vol.42Sup.2Nov.2012 西藏日喀则地区证据权重法金矿远景预测 刘小杨1，2，方洪宾2，薛林福 1 1.吉林大学地球科学学院，长春130061 2.中国国土资源航空物探遥感中心，北京100083 摘要：针对青藏高原所处的特殊地理位置及环境特点，利用证据权重法进行了西藏日喀则地区金矿成矿远景预测，进而体现证据权重法在环境条件恶劣地区进行矿产预测的特点。经过对研究区金矿床的区域成矿规律、成矿构造的空间关系进行分析，建立了区域金矿找矿模型，提取了与成矿有关的11个证据因子图层。采用GIS 空间分析功能，生成研究区成矿后验概率图，根据后验概率值的范围将预测区成矿可能性分为2个等级，圈定了4个后验概率值0.506 0.933为Ⅰ级成矿远景区、6个后验概率值0.121 0.506为Ⅱ级的成矿远景区。 关键词:西藏日喀则;证据权重模型;金矿;成矿远景中图分类号:P618.51 文献标志码:A 文章编号：1671－5888（2012）Sup．2－0198－07 收稿日期：2012-07-18基金项目：中国地质调查局地质大调查项目（1212010781043） 作者简介：刘小杨（1984－），女，博士研究生，主要从事矿产资源定量研究， E-mail ：lxyhoney_73@163．com 通信作者：方洪宾（1963—），男，教授级高级工程师，博士生导师，主要从事矿产资源定量研究， E-mail ：fhb．agrs．cn 。Gold Prediction Using Method of Weights of Evidence in the Rigaze Area ，Tibet Liu Xiao-yang 1，2 ，Fang Hong-bin 2，Xue Lin-fu 1 1.College of Earth Sciences ，Jilin University ，Changchun 130061，China 2.China Aero Geophysical Survey and Remote Sensing Center for Land and Resources ，Beijing 100083，China Abstract ：Considering the special geographical position and environmental characteristics of the Qinghai-Ti-bet Plateau ，the method of evidence weight was used to predict the gold metallogenic prospect in the Rigaze area ，and it was tested to be effective and practical when used in harsh environmental conditions．Regional gold pros-pecting model was built through analyzing regional mineralization regularities and spatial relationship of metallo-genic structures ，and 11mineralization related evidence factor layers were picked out．The metallogenic posterior probability graph was generated using the spatial analysis function of GIS ，and based on metallogenic possibility ，the forecasting area is divided into two levels including four level I metallogenic prospective areas with the poste-rior probability in the range of 0.506－0.933and six level II metallogenic prospective areas with the posterior probability of 0.121－0.506．It is proved that the method of weight of evidence is easy to operate and fast in modeling with less manual intervention ，and therefore lays the foundation for the further prospecting in the Qing-hai-Tibet Plateau area． Key words ：Rigaze region of Tibet ；weights of evidence ；gold deposits ；metallogenic prospect 随着西部开发战略的实施，青藏高原丰富的矿 产资源将逐步得到开发利用。青藏高原地区的矿产资源十分丰富，其中以金、铜、铅、锌、锑为主的有色 金属远景资源储量超过2000万t ［1］ 。三江成矿带、冈底斯—雅鲁藏布江成矿带、班公—怒江成矿带在 全国已知成矿带中占有十分重要的地位，日喀则位

基于MRAS的证据权重法_薛顺荣

基于MRAS 的证据权重法 在香格里拉地区的综合信息成矿预测 薛顺荣 1,2 ,肖克炎1,丁建华 1 1.中国地质科学院矿产资源研究所,北京 100037 2.云南省地质调查院,昆明 650051 摘要:在成矿地质背景分析和以普朗斑岩型铜矿为主的典型矿床研究基础上,通过对香格里拉地区已知矿床点与区域地质、重力、航磁、水系沉积物、重砂和遥感等数据资料再次处理及与解译成果的空间关联分析,确定斑岩型铜多金属矿的找矿标志,以此为依据提取和构置各类地学综合成矿信息预测变量。基于M RA S 证据权重法,以2km @2km 网格单元计算得到的后验概率,最大值与最小值4级优选分级评价了研究区斑岩型铜多金属矿的A 、B 、C 3个级别的找矿预测远景区。结果显示,普朗特大型斑岩型铜矿,红山夕卡岩-斑岩型铜矿,目前已取得重要找矿进展的松诺、欠虽、亚杂等铜多金属矿床点和具有较大找矿潜力的拉巴铜矿点均落在A 级远景区。这表明综合信息成矿预测图直观表达了香格里拉地区斑岩型铜多金属矿成矿系列总体找矿潜力。 关键词:综合信息;成矿预测;M RA S;证据权重法;香格里拉 中图分类号:P622.6 文献标识码:A 文章编号:1671-5888(2008)05-0738-07 收稿日期:2008-02-27 基金项目:中国地质调查局大调查项目(200420190004) 作者简介:薛顺荣(1965)),男,云南玉溪人,博士研究生,高级工程师,主要从事矿产资源评价研究,E -mail: x ueshunrong @163.co m 。 Mult-i source Information Metallogenic Prognosis with Weighting of Evidence Based on MRAS in Shangr-i La XUE Shun -ro ng 1,2,XIAO Ke -yan 1,DING Jian -hua 1 1.I nstitute of M iner al R esour ces ,Ch ine se Aca demy of Ge ological S cience s,Beij ing 100037,Ch ina 2.Yunnan Institute of G eolog ical Su rv ey ,K un ming 650051,China Abstract:Based on study of minerog enetic background and typical deposit )Pulang porphyry copper depo sit,the space relationship betw een know n occurr ences and regional geolog ic g ravity,aerom ag netic, geochemical and remote sensing data w ere analy zed in Shang r-i La area.T he prospecting criteria of por -phyry copper deposit w ere g eneralized,according to w hich g eo logic variants hav e been ex tr acted and es -tablished.Weig hting of evidence based on M RAS w as used her e to calculate po sterio r probability of all grid cells o f 2km by 2km forecasting pro spect areas hav e been divided into three grades of A,B and C.Co mpar ative analy sis show s that Pulang super -larg e porphy ry copper deposit,H ongshan skarn -porphy ry copper depo sit,and so me copper po lymetal deposits (occurrences)such as So ng nuo,Qiansui,Yaza and Laba w er e all matched w ith g rade A prospect area,w hich sho ws that the assessm ent r esults can r easo na -bly reflect potentiality of porphy ry copper depo sit in Shangr-i La area,and the results can be used as reference to deploy the further w ork. Key words:m ult-i source inform ation;metallo genic assessm ent;M RA S;w eig hting evidence; 第38卷 第5期 2008年9月 吉林大学学报(地球科学版) Jour nal of Jilin U niver sity(Ea rth Science Editio n) Vo l.38 No.5 Sep.2008

固定效应与随机效应的比较

方差分析主要有三种模型：即固定效应模型（fixed effects model），随机效应模型（random effects model），混合效应模型（mixed effects model）。 所谓的固定、随机、混合，主要是针对分组变量而言的。 固定效应模型，表示你打算比较的就是你现在选中的这几组。例如，我想比较3种药物的疗效，我的目的就是为了比较这三种药的差别，不想往外推广。这三种药不是从很多种药中抽样出来的，不想推广到其他的药物，结论仅限于这三种药。“固定”的含义正在于此，这三种药是固定的，不是随机选择的。 随机效应模型，表示你打算比较的不仅是你的设计中的这几组，而是想通过对这几组的比较，推广到他们所能代表的总体中去。例如，你想知道是否名牌大学的就业率高于普通大学，你选择了北大、清华、北京工商大学、北京科技大学4所学校进行比较，你的目的不是为了比较这4所学校之间的就业率差异，而是为了说明他们所代表的名牌和普通大学之间的差异。你的结论不会仅限于这4所大学，而是要推广到名牌和普通这样的一个更广泛的范围。“随机”的含义就在于此，这4所学校是从名牌和普通大学中随机挑选出来的。 混合效应模型就比较好理解了，就是既有固定的因素，也有随机的因素。一般来说，只有固定效应模型，才有必要进行两两比较，随机效应模型没有必要进行两两比较，因为研究的目的不是为了比较随机选中的这些组别。 固定效应和随机效应的选择是大家做面板数据常常要遇到的问题，一个常见的方法是做huasman检验，即先估计一个随机效应，然后做检验，如果拒绝零假设，则可以使用固定效应，反之如果接受零假设，则使用随机效应。但这种方法往往得到事与愿违的结果。另一个想法是在建立模型前根据数据性质确定使用那种模型，比如数据是从总体中抽样得到的，则可以使用随机效应，比如从N个家庭中抽出了M个样本，则由于存在随机抽样，则建议使用随机效应，反之如果数据是总体数据，比如31个省市的Gdp，则不存在随机抽样问题，可以使用固定效应。同时，从估计自由度角度看，由于固定效应模型要估计每个截面的参数，因此随机效应比固定效应有较大的自由度. 固定效应模型 固定效应模型（fixed effects model）的应用前提是假定全部研究结果的方向与效应大小基本相同，即各独立研究的结果趋于一致，一致性检验差异无显著性。因此固定效应模型适用于各独立研究间无差异，或差异较小的研究。 固定效应模型是指实验结果只想比较每一自变项之特定类目或类别间的差异及其与其他自变项之特定类目或类别间交互作用效果，而不想依此推论到同一自变项未包含在内的其他类目或类别的实验设计。例如：研究者想知道教师的认知类型在不同教学方法情境中，对儿童学习数学的效果有何不同，其中教师和学生的认知类型，均指场地依赖型和场地独立型，而不同的教学方法，则指启发式、讲演式、编序式。当实验结束时，研究者仅就两种类型间的交互作用效果及类型间的差异进行说明，而未推论到其他认知类型，或第四种教学方法。象此种实验研究模式，即称为固定效果模式。与本词相对者是随机效应模型（random effect model）、混合效应模型（mixed effect model）。 随机效应模型 random effects models 随机效应模型(random effects models)是经典的线性模型的一种推广，

基于ArcView3.2的证据权重法在层间氧化带型砂岩铀矿定量评价中的应用

基于ArcView 3.2的证据权重法 在层间氧化带型砂岩铀矿定量评价中的应用 韩绍阳,侯惠群,黄树桃 (核工业北京地质研究院,北京　100029) 摘要:介绍了证据权重法及其理论基础,根据层间氧化带型砂岩铀矿成矿理论,应用由ArcView 3.2二次开发形成的砂岩铀矿勘查信息系统软件在克鲁伦盆地内提取控矿信息,最后通过证据权重分析综合证据因子,完成盆地内层间氧化带型砂岩铀矿的远景预测。 关键词:证据权重法;成矿信息提取;层间氧化带砂岩铀矿;远景预测 中图分类号:P631.4 文献标识码:A 文章编号:1000-8918(2002)06-0443-07 矿产资源定量评价实质上是运用计算机手段,采用适当的数学模型,研究区域矿床产出及其远景规模与各种成矿信息的关系,查明各个控矿因素、矿 化信息在确定矿床产出规模中所占的重要性。证据权重法是加拿大数学地质学家F .A .Ag terberg 提出的基于二值图像的一种地学统计方法,是一种在假设条件独立的前提下综合证据因子的定量预测方法。该模型并不要求对区域控矿因素的重要性有先验的知识,它用统计学方法研究各地质因素与矿产分布关系。其出发点是统计学,即统计出研究区里既有某地质标志,又有矿产地的面积;某标志与矿产同时出现的概率越大,其找矿意义无疑越重要,其权重值也就越大;将统计单元各独立找矿信息因子进行加权综合,便可得到不同级别的远景区。 本次定量评价主要是针对克鲁伦盆地内发育的层间氧化带型砂岩铀矿,做出定量预测。实施路线是以层间氧化带型砂岩铀矿成矿理论为指导,通过系统软件提取控矿信息,利用证据权重空间分析功能综合已有各种证据专题,快速生成矿化远景概率图。控矿信息取自水文测量数据(水中Rn 、E h 、O 2、U 等测量值)、蚀源区铀淋失量、距离盆缘一定距离的缓坡区等矿化标志信息和有利的成矿地质环境。 1　证据权重法及其理论基础 证据权重法的理论采用一种统计分析模式,通过对一些与矿产形成相关的地学信息的叠加复合分析来进行矿产远景区的预测,其中每一种地学信息 都被视为成矿远景区预测的一个证据因子,而每个证据因子对成矿预测的贡献是由这个因子的权重值决定的。最后,通过确定研究区内每一网格单元含矿概率大小来划分成矿远景区。1.1　前验概率计算 前验概率计算,即根据已知矿点分布,计算各证据因子单位区域内的成矿概率。假设每个矿点所占的单元格面积为u ,研究区的面积(以单元格为单位)为A (T )/u =N (T ),其中T 表示研究区,A (T )表示面积,N (T )表示单元格数目。研究区内的矿点数为N (D ),则随机选取一个单元格中矿点的概率为P (D )=N (D )/N (T ),也被称为前验概率。几率为: O (D )=P (D )/〔1-P (D )〕。1.2　权重计算 对任一个证据因子二值专题权重定义为: W +=ln P ( B /D )P (B / D ) ,W -=ln P ( B /D ) P ( B / D ) 。 式中W +,W -分别为证据因子存在区和不存在区 的权重值,对于原始数据缺失区,权重值为0。1.3　后验概率计算 证据权重法要求各证据因子之间相对于矿点分布满足条件独立。对n 个证据因子,若它们都关于矿点条件独立,几率对数为: ln {O 〔D /(B k 1B k 2 …B k n 〕}= ∑n j =1W k j +ln O (D ); 收稿日期:2001-08-20 　第26卷第6期物　探　与　化　探 V ol .26,N o .6 2002年12月 G EOPHYSICA L &G EOCHEM ICAL EXP LO RA T ION Dec .,2002

基于GIS的证据权重法在内蒙古阿鲁科尔沁旗地区成矿预测中的应用

收稿日期：2009-07-13；修订日期：2009-10-26 基于GIS 的证据权重法在内蒙古阿鲁科尔沁旗地区成矿预测中的应用 刘晓玲，陈建平 LIU Xiao-ling,CHEN Jian-ping 中国地质大学（北京）地球科学与资源学院/中国地质大学（北京）国土资源与高新技术研究中心/北京市国土资源信息开发研究实验室,北京100083 School of Earth Sciences and Resources,China University of Geosciences/Institute of High and New Techniques applied to Land Resources,China University of Geosciences/Beijing Key Laboratory of Development and Research for Land Resources Information,Beijing 100083,China 摘要：内蒙古赤峰市阿鲁科尔沁旗地区地跨大兴安岭东坡、主峰、西坡3个成矿带，具有良好的成矿条件。在提取该地区的地质、物探、化探和遥感基础信息的基础上,以地质异常理论为指导，运用数理统计分析的方法和GIS 技术，综合分析多源数据，提取不同的成矿信息标志，利用证据权重法对研究区进行成矿定量预测与评价。此次预测工作共选出15个证据因子层，对该地区以热液型矿床为主的有色金属矿产进行定量预测与评价，最终得出3个远景区。关键词：GIS ；证据权重法；成矿预测；内蒙古阿鲁科尔沁旗地区中图分类号：P612 文献标志码：A 文章编号：1671-2552(2010)04-0571-10 Liu X L,Chen J P.Application of GIS-based weights of evidence method for mineral quantitative prediction:A case study on Alukerqin area,Inner Mongolia,China.Geological Bulletin of China,2010,29(4):571-580 Abstract:Alukerqin area spans three mineralization belts —the main peak of Daxing ′anling,the east-slope of Daxing ′anling and the west-slope of Daxing ′anling.Having the advantageous of mineral-formation conditions,Alukerqin area is rich in underground mineral resources in Chifeng City ,Inner Mongolia Autonomous Region.Based on the geological anomaly theory and using the mathematical statistic methods,this work synthesize some basic information including geology data,geophysics data,geochemistry data,remote sens -ing data and mineral resources database.Then we find multivariate data related with mineralizing process such as strata ,structural,magmatic rocks,aeromagnetic survey,gravimetric survey,geochemical exploration and remote sensing by GIS technology.Moreover,according to the geological anomaly theory,we select most important digital data from these layers as favorable mineralization factors of the evidence weights method which was initiated by Dr.Agterberg in this work,we select 15important layers from all data as evi -dence factors to predict and evaluate the nonferrous metals deposit which were generated by hydrothermal activity including Cu,Pb and Zn.So we divided 3metallogenetic prospective areas in Alukerqin area. Key words:GIS;evidence weights method;quantitative prediction of mineral;Alukerqin area,Inner Mongolia 地质通报 GEOLOGICAL BULLETIN OF CHINA 第29卷第4期2010年4月Vol．29，No．4Apr.，2010 成矿预测是在不确定条件下制定最优决策的工作[1]，其应用地质理论和科学的方法，综合地质、地球物理、地球化学、遥感地质等基础地质工作获得地 质找矿信息，总结成矿地质条件和矿床赋存规律，建立矿床模型，圈定不同级别的成矿远景区[2]。20世纪 80年代以来，GIS 技术被引入成矿预测中，取得了显

GIS中证据权重法的应用

中国地质大学（武汉）GIS中证据权重法的研究与应用 学院：资源学院 专业：资源勘查工程（矿调） 题目：GIS中证据权重法的研究与应用

姓名：钟晓辉 指导老师：张夏林 班级：026092 学号：20091002806

目录 1.前言 --------------------------------------------- 1 2.GIS为何能应用于成矿预测的原因-------------------1 2.1.GIS应用于成矿预测的优势 -------------------------- 1 2.2. GIS应用于成矿预测的理论基础 ---------------------- 2 2.3．GIS应用于成矿预测的基本方法 ---------------------- 2 2. 3.1．空间分析 ------------------------------------------------ 3 2.3.2．数据模型方法 -------------------------------------------- 3 3.证据权重法 --------------------------------------- 3 3.1．证据权重法的由来 --------------------------------- 3 3.2．证据权重法的概念 --------------------------------- 3 3.3．证据权重法运用的步骤 ----------------------------- 4 4.证据权重模型 ------------------------------------- 4 4.1.证据权重法的原理 ---------------------------------- 5 4.2．证据权重模型的建立 ------------------------------- 5 4.2.1．数据组织 ------------------------------------------------ 5 4.2.2．证据因子选择 -------------------------------------------- 5 4.3．证据权重模型的应用 ------------------------------- 6 4.4．预测结果及评价 ----------------------------------- 7 5.GIS及证据权重法的发展趋势 ------------------------7 参考文献 ------------------------------------------- 8

固定效应模型的估计原理说明

固定效应模型的估计原理说明

————————————————————————————————作者: ————————————————————————————————日期: ?

固定效应模型的估计原理说明 在面板数据线性回归模型中,如果对于不同的截面或不同的时间序列,只是模型的截距项是不同的，而模型的斜率系数是相同的，则称此模型为固定效应模型。固定效应模型分为三类： 1.个体固定效应模型 个体固定效应模型是对于不同的纵剖面时间序列(个体）只有截距项不同的模型: 2 K it i k kit it k y x u λβ==++∑ (１) 从时间和个体上看，面板数据回归模型的解释变量对被解释变量的边际影响均是相同的,而且除模型的解释变量之外，影响被解释变量的其他所有(未包括在回归模型或不可观测的）确定性变量的效应只是随个体变化而不随时间变化时。 检验：采用无约束模型和有约束模型的回归残差平方和之比构造F 统计量,以检验设定个体固定效应模型的合理性。F 模型的零假设： 01231:0N H λλλλ-===???== ()1 (1,(1)1)(1) RRSS URSS N F F N N T K URSS NT N K --= ---+--+ ＲR ＳＳ是有约束模型（即混合数据回归模型)的残差平方和，URSS 是无约束模型ANC ＯV A 估计的残差平方和或者L ＳDV 估计的残差平方和。 实践: 一、数据:已知1996—2002年中国东北、华北、华东１5个省级地区的居民家庭人均消费(cp ，不变价格）和人均收入(ip ,不变价格）居民,利用数据（１）建立面板数据(ｐa ｎｅｌ data)工作文件;（2)定义序列名并输入数据；(3）估计选择面板模型;(4）面板单位根检验。年人均消费（consume ）和人均收入(incom ｅ)数据以及消费者价格指数(p)分别见表1，2和3。 表1 1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（元）数据 人均消费 1996 1997 19９8 1999 2 CO ＮS ＵM ＥA Ｈ 3607.43 36９３．５5 ３777.41 39０1.81 423２.９ 8 4517．６ 5 47３6.5２ CONSU ＭE ＢJ 5729.52 6531．8１ 6970.83 7４９8．4８ 8493.49 ８９２2.72 10２8４．6 ＣＯNSUM ＥFJ 4248.47 4935.9５ 5181.４5 526６.69 5638.７4 6015．11 66３1.68 ＣＯNSUMEHB 34２4.3５ 4003.71 383４.43 402６.3 ４３48.4７ ４４79.７5 ５069.28 ＣONSUMEH ＬＪ ３110.92 321３.４ 2 33０3.15 ３４8１．74 3８2４.44 4192．３６ 4462.08 CO ＮSUMEJ Ｌ ３037.32 3４08.０ ３ 3449.74 366１．68 4０２0．87 4337.２2 4973．８ 8