Phân tích một số mô hình thí nghiệm thông dụng trong lâm nghiệp với sự trợ giúp của phần mềm spss và phần mềm r

các thí nghiệm trong lĩnh vực này thường có những dung lượng mẫu, số liệu điều tra nghiên cứu và các công thức thí nghiệm đa dạng, có những nghiên cứu sau khi thu thập xong số liệu sử dụ

NGUYỄN VIỆT HƯNG

Ph©n tÝch vµ xö lý sè liÖu cho mét sè m« h×nh thÝ nghiÖm th«ng dông trong l©m nghiÖp víi sù trî gióp cña phÇn

mÒm SPSS vµ phÇn mÒm R

LUẬN VĂN THẠC SỸ KHOA HỌC LÂM NGHIỆP

NGƯỜI HƯỚNG DẪN KHOA HỌC:

GS TS NGUYỄN HẢI TUẤT

Hà Nội - 2011

ĐẶT VẤN ĐỀ

Ứng dụng công nghệ tin học đóng vai trò quan trọng trong nghiên cứu, quản lý tài nguyên thiên nhiên Thông qua phân tích, thống kê dữ liệu trên các phần mềm giúp chúng ta hệ thống hóa cơ sở dữ liệu, đánh giá các thí nghiệm, phân tích các mối quan hệ phức tạp trong tự nhiên và với các nhân tố xã hội để tìm ra quy luật nhằm quản lý bền vững hoặc đưa ra được những phát hiện mới

Xử lý thống kê thông qua công nghệ tin học ngày nay đã phát triển một bước dài, nó giúp cho con người rút ngắn được thời gian tính toán, xử lý được một lượng lớn thông tin và có được những hiểu biết một cách khách quan các quy luật tự nhiên

và xã hội Chính vì vậy, việc sử dụng các phần mềm trong công tác nghiên cứu khoa học, quản lý và phân tích trong tất cả các lĩnh vực nói chung và trong ngành lâm nghiệp nói riêng là điều không phải bàn cãi

Do nhiều nguyên nhân khác nhau, việc áp dụng các tiến bộ về tin học trong lâm nghiệp còn có nhiều hạn chế, đặc biệt là trong nghiên cứu và phân tích thí nghiệm khoa học Có thể nhận thấy các nghiên cứu có sử dụng đến các biện pháp thí nghiệm trong lâm nghiệp thường tập trung chủ yếu vào các nghiên cứu về lâm sinh, giống và trồng rừng các thí nghiệm trong lĩnh vực này thường có những dung lượng mẫu, số liệu điều tra nghiên cứu và các công thức thí nghiệm đa dạng,

có những nghiên cứu sau khi thu thập xong số liệu sử dụng nhiều phần mềm khác nhau để xử lý và phân tích số liệu Vì lý do này mà việc xây dựng quy trình xử lý và phân tích số liệu trong các thí nghiệm trước đây thường rời rạc ở một số công đoạn

mà chưa phải là toàn bộ quá trình Chính vì vậy, việc xây dựng được quy trình xử lý

và phân tích số liệu bằng một phần mềm duy nhất là một điều cần thiết

Phân tích số liệu và biểu đồ thường được tiến hành bằng các phần mềm thông

dụng như SAS, SPSS, Stata, Statistica, và S-Plus Đây là những phần mềm được

các công ti phần mềm phát triển và giới thiệu trên thị trường khoảng ba thập niên qua, và đã được các trường đại học, các trung tâm nghiên cứu và công ti kĩ nghệ trên toàn thế giới sử dụng cho giảng dạy và nghiên cứu Trong số các phần mềm này, phần mềm đã và đang được sử dụng rộng rãi tại Việt Nam nói chung và trong

ngành, trong trường Lâm nghiệp nói riêng là phần mềm SPSS.[17] Tuy nhiên, đứng trên khía cạnh bản quyền, để sử dụng các phần mềm này tuơng đối đắt tiền (có khi lên đến hàng trăm ngàn đô-la mỗi năm), một số trường đại học ở các nước đang phát triển (và ngay cả ở một số nước đã phát triển) không có khả năng tài chính để

sử dụng chúng một cách lâu dài Do đó, các nhà nghiên cứu thống kê trên thế giới

đã hợp tác với nhau để phát triển một phần mềm mới, với chủ trương mã nguồn mở, sao cho tất cả các thành viên trong ngành thống kê học và toán học trên thế giới có thể sử dụng một cách thống nhất và hoàn toàn miễn phí.[17] Phần mềm hoàn toàn miễn phí được nói tới ở đây chính là phần mềm R

Xuất phát từ những lý do trên, tôi đã tiến hành thực hiện đề tài: “Phân tích và

xử lý số liệu cho một số mô hình thí nghiệm thông dụng trong lâm nghiệp với sự trợ giúp của phần mềm SPSS và phần mềm R” làm luận văn tốt nghiệp Kết quả

nghiên cứu của đề tài sẽ giúp cho công tác xử lý, phân tích số liệu một số mô hình thí nghiệm thông dụng trong lâm nghiệp được rút ngắn và có tính hoa học hơn

Chương 1 TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU 1.1 Tổng quan về các nghiên cứu thí nghiệm trong lâm nghiệp

Theo nghĩa rộng của quan điểm triết học duy vật: “Thí nghiệm là một phần của sự nghiệp sản xuất trong xã hội loài người, nhằm khám pháp ra các quy luật khách quan của thế giới vật chất với mục đích nắm vững và bắt các điều bí mật của thiên nhiên phục vụ cho cuộc sống con người” [1]

Như chúng ta đã biết, từ cổ xưa loài người đã phải kiếm ăn để sinh sống, do

đó, con người phải biết lựa chọn, so sánh để tìm kiếm thức ăn Song cũng chính từ

đó mà họ đã tạo ra một kho tàng các kinh nghiệm quý báu thúc đẩy xã hội phát triển Khi xã hội tiến lên đòi hỏi con người cũng phải nắm bắt, vận dụng các quy luật khách quan của tự nhiên có hiệu quả hơn Muốn làm được điều này cần phải có phương pháp và từ đó phương pháp thí nghiệm ra đời [1]

Nghiên cứu khoa học nói chung và khoa học lâm nghiệp nói riêng hay cụ thể hơn là nghiên cứu khoa học trong lĩnh vực lâm học phụ thuộc rất mật thiết với điều kiện tự nhiên và các điều kiện kinh tế - xã hội, nên việc vận dụng các phương pháp

và kết quả nghiên cứu của các nước trên thế giới có tính kế thừa, chọn lọc cho phù hợp với điều kiện cụ thể của Việt Nam là rất cần thiết Ngay trong phạm vi của đất nước chúng ta không thể có tính đồng nhất về các điều kiện cụ thể cho các thực nghiệm lâm nghiệp.Vậy nhiệm vụ của các nhà khoa học lâm nghiệp là phải nghiên cứu, đề xuất được những biện pháp kỹ thuật thích hợp cho vùng nơi mình phụ trách nhằm khai thác bền vững, hiệu quả các điều kiện ấy Để có kết quả nghiên cứu đúng

và khách quan cần phải có kiến thức tổng hợp: Toán học, hóa học, thổ nhưỡng, khí tượng, sinh học và cả tính sáng tạo đúng đắn

Trên thực tế có nhiều cách để phân loại các thí nghiệm trong lâm nghiệp, phân loại có thể dựa vào đặc điểm đối tượng thí nghiệm hoặc địa điểm tiến hành thí nghiệm

Dựa vào đặc điểm đối tượng thí nghiệm chia thí nghiệm thành 2 loại:

+ Thí nghiệm quan sát: ta chỉ đơn thuần quan sát các đối tượng thí nghiệm

và ghi lại các dữ liệu liên quan đến các tính trạng quan tâm Chúng ta không tác

động để can thiệp và sự tồn tại của đối tượng quan sát Trong loại thí nghiệm quan sát, các đối tượng không thể bố trí một các ngẫu nhiên về các nghiệm thức.[2]

+ Thí nghiệm thực nghiệm: chúng ta can thiệp vào nghiên cứu bằng cách áp

dụng các công thức thí nghiệm khác nhau cho các nhóm đối tượng nghiên cứu Sau

đó chúng ta tiến hành quan sát ảnh hưởng của các công thức thí nghiệm lên đối tượng nghiên cứu Đối với loại thí nghiệm này, các động vật được bố trí một cách ngẫu nhiên đối với các công thức thí nghiệm trong quá trình thiết kế.[2]

Dựa vào địa điểm tiến hành thí nghiệm, người ta có thể chia thí nghiệm thành các loại sau:

1 Nhóm thí nghiệm nghiên cứu trong phòng

Đây là loại nghiên cứu mà những thí nghiệm được thực hiện trong các phòng thí nghiệm, điều kiện để thực hiện được các thí nghiệm đó gồm các loại dụng cụ như: hóa chất, các máy móc phân tích, các bình, hộp, khay đựng Nhóm các thí nghiệm này hầu như độc lập với điều kiện tự nhiên của môi trường bên ngoài Cho nên các kết quả từ các thí nghiệm này được kiểm tra, điều khiển bằng các dụng cụ

có độ chính xác cao Tuy nhiên, những số liệu này chưa được áp dụng vào thực tế Bởi vì, ở những môi trường nghiên cứu khác mà nhất là trên thực địa thì có rất nhiều nhân tố sinh thái ảnh hưởng tới sinh vật (cây trồng) Hơn nữa, có nhiều nhân

tố khó có thể kiểm soát cụ thể và chính xác

2 Nhóm thí nghiệm trong vườn ươm

Các thí nghiệm thuộc nhóm phương pháp nghiên cứu này có đối tượng nghiên cứu là các cây trồng được gieo trồng trên bầu, túi, chậu trong vườn ươm, nhà lưới, nhà kính Về điều kiện thì đối với nhóm này cây trồng đã được sống trong một phần là điều kiện tự nhiên, còn một phần là điều kiện nhân tạo

3 Nhóm thí nghiệm bố trí thực địa

Trong ngành nông nghiệp phương pháp này được gọi là nghiên cứu trên

“đồng ruộng” Nhóm nghiên cứu này bao gồm những thí nghiệm mà cây trồng được sống trong điều kiện tự nhiên Do đó, nó chịu sự chi phối của nhiều nhân tố (gọi là

các nhân tố sinh thái) từ môi trường bên ngoài, những nhân tố đó là: Điều kiện thời tiết, đất đai, các biện pháp kỹ thuật lâm sinh Loại thí nghiệm này có ưu điểm là:

- Số lượng cá thể lớn (dung lượng mẫu lớn)

- Gần với điều kiện sản xuấtCũng qua những kết quả thí nghiệm trên thực địa có thể nhận định rõ thêm kết quả và kết luận của thí nghiệm trong phòng vàvườn ươm Những kết quả của thí nghiệm trên thực địa sẽ được coi là cơ sở xây dựng biện pháp kỹ thuật cho quy trình sản xuất và thâm canh cây trồng, đối với các thí nghiệm về giống, các sản phẩm từ các mô hình thí nghiệm có thể là nguyên liệu cho một thí nghiệm cải tiến giống khác hoặc là nguyên liệu phục vụ cho sản xuất cây giống

1.2 Một số kiểu thiết kế thí nghiệm và vận dụng mô hình thí nghiệm trong lâm nghiệp 1.2.1 Thiết kế thí nghiệm theo kiểu ngẫu nhiên hoàn toàn (CRD)

Thiết kế thí nghiệm theo kiểu ngẫu nhiên có nghĩa là các nghiệm thức được phân vào các đơn vị thí nghiệm một cách hoàn toàn ngẫu nhiên, hay mỗi đơn vị thí nghiệm có một cơ hội giống nhau để được tiếp nhận một nghiệm thức Thiết kế thí nghiệm theo kiểu này rất hiệu quả trong trường hợp các đơn vị thí nghiệm đồng đều nhau và ngược lại sẽ không hiệu quả nếu các đơn vị thí nghiệm không đồng nhất Bao gồm thiết kế thí nghiệm ngẫu nhiên hoàn toàn một nhân tố và thiết kế thí nghiệm ngẫu nhiên hoàn toàn đa nhân tố Các nhân tố trong thí nghiệm có thể chỉ có nhân tố định tính hoặc định lượng hoặc bao gồm cả hai Trong các nhân tố thí nghiệm lại có nhiều mức nhân tố Thí nghiệm một nhân tố cung cấp thông tin về ảnh hưởng chính chỉ của một nhân tố thí nghiệm Có thể hình dung thiết kế thí nghiệm theo kiểu ngẫu nhiên như sau:

Giả sử ta có a công thức thí nghiệm được lặp lại r lần Như vậy, số đơn vị thí

nghiệm là n = a*r Trên nền đất ta phân thành n ô có kính thước như sau bố trí một

cách ngẫu nhiên cho a công thức với r lần lặp Chẳng hạn a = 4 công thức A, B, C,

D lặp lại r = 5 lần, số đơn vị thí nghiệm n = 4*5 = 20 ô, được bố trí như sơ đồ sau:

1 (D) 2 (C) 3 (B) 4 (C) 5 (A)

Hình 1.1: Sơ đồ thí nghiệm theo kiểu ngẫu nhiên hoàn toàn

Trong sơ đồ trên, các số thứ tự ô thí nghiệm đánh từ trái sang phải và từ trên xuống dưới Các công thức thí nghiệm A, B, C, D được bố trí một cách ngẫu nhiên bằng phương pháp rút thăm hoặc bảng số ngẫu nhiên Trong thí nghiệm Lâm sinh, đại lượng quan sát trên các ô thường là đường kính hoặc chiều cao trung bình của một lô cây trồng thí nghiệm trên các ô Cũng có những thí nghiệm nhất là trong nông nghiệp, đại lượng quan sát là sinh khối của cây trồng Với kiểu thí nghiệm này các nhân tố thí nghiệm cũng chính là nhân tố phân tích phương sai và ta có thể hoàn toàn áp dụng mô hình phân tích phương sai một nhân tố để phân tích ảnh hưởng của các công thức thí nghiệm như nhân tố A.[11]

Thiết kế thí nghiệm theo kiểu ngẫu nhiên hoàn toàn tương đối phổ biến trong lâm nghiệp, kiểu thiết kế này thường được sử dụng trong mô hình thí nghiệm chỉ có một nhân

tố như xuất xứ cây trồng, mật độ trồng khác nhau, chế độ chăm sóc khác nhau

Đã có rất nhiều nghiên cứu trong lâm nghiệp sử dụng mô hình thí nghiệm theo

kiểu ngẫu nhiên hoàn toàn Trong quá trình đánh giá kết quả khảo nghiệm xuất xứ Pinus

caribeae tại Lang Hanh-Lâm Đồng Tác giả Bảo Huy đã bố trí thí nghiệm theo kiểu ngẫu

nhiên để tiến hành phân tích Theo dự kiến sẽ có 10 xuất xứ P.caribeae được trồng khảo

nghiệm tại trạm thực nghiệm Lang Hanh năm 1991 Việc bố trí thí nghiệm ban đầu đã dự kiến tiến hành theo kiểu ngẫu nhiên đầy đủ RCB (Randomized Complete Blocks), bao gồm 10 công thức chỉ thị 10 xuất xứ và được lặp lại ở 4 khối Nhưng trong quá trình triển khai trồng thực nghiệm, chỉ còn lại 7 xuất xứ và chỉ có 5 xuất xứ lặp lại đủ 4 lần, còn 2 xuất xứ chỉ được lặp lại 2 lần [12]

Trong nghiên cứu khảo nghiệm xuất xứ loài cây Tràm cho chất lượng tinh dầu cao tại Ba Vì - Hà Nội [9], tác giả Phạm Thị Thanh Hường đã tiến hành thí nghiệm nghiên cứu tình hình sinh trưởng của các xuất xứ Tràm và chọn lọc cây trội

Từ số liệu điều tra sinh trưởng của các xuất xứ tác giả đã sử dụng phần mềm SPSS

để lựa chọn ra xuất xứ tốt và từ đó dựa vào chỉ tiêu sinh trưởng và độ tuổi của cây chọn ra những cây trội phục vụ công tác chọn giống Trong nghiên cứu này tác giả

đã không áp dụng các biện pháp thống kê để chọn lọc cây trội mà chỉ sử dụng các chỉ tiêu sinh trưởng để lựa chọn Điều này đã làm cho kết quả nghiên cứu thiếu tính thuyết phục

Nghiên cứu về xuất xứ Mây nếp, tác giả Nguyễn Minh Thanh đã tiến hành trồng thử nghiệm 5 xuất xứ mây nếp trên các vùng sinh thái khác nhau Từ đó thu thập và xử lý số liệu về đặc điểm sinh trưởng và phát triển của cây Mây nếp bằng SPSS để tìm ra xuất xứ nào tốt nhất bằng cách so sánh sinh trưởng của các xuất xứ với nhau tại hai khu vực nghiên cứu là Hà Giang và Hòa Bình Kết quả xử lý cho thấy xuất xứ Mây nếp từ Thái Bình là xuất xứ tốt nhất Ngoài ra, dựa vào tính năng xây dựng phương trình hồi quy tuyến tính nhiều lớp của phần mềm SPSS, tác giả đã đưa ra phương pháp phân chia điều kiện lập địa thích hợp cho loài Mây nếp tại khu vực nghiên cứu.[8]

1.2.2 Thiết kế thí nghiệm theo kiểu khối ngẫu nhiên đầy đủ (RCBD hay RCB)

Trong ngành lâm nghiệp rất ít gặp trường hợp bố trí thí nghiệm hai nhân tố

và có một lần quan sát ở mỗi tổ hợp cấp của nhân tố Vì những thí nghiệm như vậy thường không đủ thông tin để đánh giá kết quả của thí nghiệm Muốn tăng thêm lượng thông tin thường mỗi tổ hợp cấp của hai nhân tố phải có nhiều lần lặp lại thí nghiệm Người ta gọi cách bố trí thí nghiệm theo phương pháp này là thiết kế thí nghiệm theo kiểu khối ngẫu nhiên đầy đủ Trong bố trí thí nghiệm theo kiểu này, nhân tố A là những công thức thí nghiệm cần theo dõi, nhân tố B là các khối Việc phân bố các công thức thí nghiệm trong mỗi khối thường theo nguyên tắc ngẫu nhiên hay hệ thống

Có thể mô tả kiểu thiết kế khối ngẫu nhiên đầy đủ như sơ đồ sau:

Hình 1.2: Sơ đồ bố trí thí nghiệm theo kiểu khối ngẫu nhiên đầy đủ

Trên hình 1.2: thí nghiệm khối ngẫu nhiên đầy đủ được bố trí thành 3 khối với 2 nhân tố thí nghiệm là A và B trong đó: A1, A2, A3 là các mức thí nghiệm của nhân tố A, B1, B2 là mức thí nghiệm của nhân tố B Thí nghiệm được lặp lại 3 lần trên 3 khối Tùy theo yêu cầu mà thí nghiệm có thể có nhiều khối hay nhiều lần lặp

Xét về bản chất, sơ đồ bố trí thí nghiệm theo kiểu khối ngẫu nhiên đầy đủ gần giống so với phương pháp bố trí thí nghiệm theo kiểu ngẫu nhiên hoàn toàn Tuy nhiên, các công thức thí nghiệm ở đây được chia ra thành khối và được xắp xếp một cách ngẫu nhiên[9,16] Điểm khác biệt giữa hai kiểu này là: đối với kiểu thiết

kế thí nghiệm ngẫu nhiên hoàn toàn thì trên 1 lần lặp không nhất định phải đủ tất cả các công thức thí nghiệm Chính vì vậy mà trên một lần lặp của kiểu bố trí ngẫu nhiên hoàn toàn sẽ có thể xuất hiện hai hoặc nhiều công thức thí nghiệm giống nhau Đối với kiểu thiết kế thí nghiệm khối ngẫu nhiên đầy đủ thì yêu cầu đó là trên một khối các công thức thí nghiệm phải được xuất hiện 1 lần và chỉ 1 lần duy nhất.[1]

Khi nghiên cứu và xây dựng quy trình nhân giống cây Mây nếp bằng phương pháp nuôi cấy Invitro tác giả Nguyễn Thị Mai Dương [5] đã tiến hành làm 5 thí nghiệm lớn để xác định được phương pháp và quy trình nhân giống mây Tác giả đã phân tích và so sánh các mẫu thí nghiệm theo các nội dung thí nghiệm: ảnh hưởng

của giá thể và chế độ chiếu sáng đến tỉ lệ sống của cây mây nếp in vitro ngoài vườn

ươm, kỹ thuật kích thích tăng trưởng chồi trong điều kiện nuôi cấy in vitro Trong

các thí nghiệm này tác giả đã sử dụng phần mềm SPSS so sánh và lựa chọn ra công thức thí nghiệm phù hợp và hiệu quả nhất

Tác giả Nguyễn Minh Thanh trong luận án tiến sĩ của mình đã tiến hành nghiên cứu công thức trồng Mây nếp theo các công thức trồng: 1 cây/hố, 2 cây/hố, 3 cây/hố và mức độ bón phân khác nhau Tác giả đã bố trí thí nghiệm theo kiểu khối ngẫu nhiên đầy đủ Tuy nhiên, trong quá trình nghiên cứu, do nhiều nguyên nhân khác nhau, tác giả đã chuyển công thức thí nghiệm hai nhân tố thành một nhân tố đó

là chỉ nghiên cứu công thức trồng mà không nghiên cứu tới chế độ bón phân Công thức thí nghiệm đã cho ra kết quả: Mây nếp sinh trưởng tốt nhất tại công thức trồng

3 cây/hố.[8]

1.2.3 Thiết kế thí nghiệm theo kiểu ô vuông la tinh

Đây là dạng thiết kế phục vụ cho phân tích phương sai 3 nhân tố Trong trường hợp bố trí theo khối thì số công thức có thể nhiều hoặc ít hơn số khối và khi phân tích người ta có thể bỏ qua sự khác nhau giữa các nên đất mà trên đó tiến hành làm các thí nghiệm khác nhau Trong trường hợp số khối luôn luôn bằng số công thức thí nghiệm (số lần lặp lại bằng số công thức thí nghiệm) ta gọi là bố trí theo ô vuông la tinh Chẳng hạn thí nghiệm có thể bố trí theo sơ đồ sau:

Hình 1.3: Sơ đồ bố trí thí nghiệm theo kiểu ô vuông la tinh

Ở sơ đồ trên ta có 6 khối: (1), (2), (3), (4), (5), (6) nằm ngang mà mỗi khối chia làm 6 ô đều nhau Trên mỗi ô này tiến hành một công thức khác nhau Vị trí của các thí nghiệm được bố trí trên các ô theo một cách nào đó sao cho trong một hàng và trong một cột không có sự trùng lặp một công thức Để xác định được sai

số của thí nghiệm khi phân tích người ta phải loại trừ những biến động do các khối

và các cột gây nên, chỉ còn biến động do các công thức khác nhau đưa lại (không có ảnh hưởng qua lại)

Mô hình thiết kế thí nghiệm theo kiểu ô vuông la tinh thường được sử dụng trong việc phân tích thí nghiệm có số lượng mẫu bị hạn chế và sự đồng đều không cao [2] Trong các đề tài nghiên cứu tại Việt Nam hiện chưa có mô hình thí nghiệm theo kiểu ô vuông la tinh một cách điển hình Đây là một trong những khó khăn trong việc tham khảo và xây dựng quy trình xử lý phân tích dữ liệu trong luận văn này

Như vậy, có thể thấy rằng trong hầu hết các lĩnh vực của lâm nghiệp, bao gồm từ trồng rừng, kỹ thuật lâm sinh, nhân giống đều có thể sử dụng biện pháp thí nghiệm và cách bố trí thí nghiệm khác nhau Với đặc điểm thí nghiệm có dung lượng mẫu lớn, việc xây dựng quy trình xử lý hợp lý sẽ làm cho việc xử lý số liệu đơn giản, nhanh chóng hơn, chính xác hơn Xây dựng quy trình xử lý số liệu còn có tác động ngược lại đối với việc bố trí và thiết kế thí nghiệm bởi dựa vào quy trình

xử lý này sẽ khiến cho việc lựa chọn bố trí thí nghiệm ngoài thực địa được chính xác hơn

1.2.4 Một số kiểu thí nghiệm khác

Ngoài các kiểu thí nghiệm ở trên, trong bố trí và thiết kế thí nghiệm có những phương pháp khác như: Thiết kế thí nghiệm theo kiểu “lưới ô vuông la tinh” hay thiết kế theo kiểu “ô chính ô phụ”

Thiết kế thí nghiệm theo kiểu ô chính, ô phụ (Split Plot Desgin - SPD)

Thí nghiệm kiểu ô chính ô phụ (hay có nơi gọi là thí nghiệm chia ô lớn ô nhỏ, thí nghiệm hai nhân tố chia ô) - Split plot desgin [1,2,11] Sơ đồ bố trí thí nghiệm có thể được mô tả như sau:

Hình 1.4: Sơ đồ bố trí thí nghiệm trong kiểu ô chính ô phụ

Công thức mô tả thí nghiệm này:

Trong đó - là trung bình chung

- chênh lệch do ảnh hưởng của mức i nhân tố A (trên ô lớn);

- là chênh lệch do ảnh hưởng của mức j của nhân tố B (trên

ô nhỏ);

- là chênh lệch do ảnh hưởng của khối l;

- là tương tác giữa nhân tố A và khối được dùng làm sai

số ô lớn

- là tương tác của 2 nhân tố A và B

- là sai số độc lập phân phối chuẩn N (0, )

Thí nghiệm hai nhân tố chia ô thích hợp để nghiên cứu ảnh hưởng của 2 nhân

tố bố trí theo cách sau:

Nguyên vật liệu thí nghiệm chia thành một số các ô lớn và các mức của yếu

tố thứ nhất được bố trí ngẫu nhiên vào các ô lớn Sau đó, mỗi ô lớn lại được chia thành các ô con và các mức của yếu tố thứ 2 được bố trí vào các ô con

Mô hình thí nghiệm hai nhân tố chia ô được sử dụng khi một yếu tố cần nhiều nguyên vật liệu hơn yếu tố thứ 2 Nếu một yếu tố được áp dụng muộn hơn so với yếu tố còn lại thì yếu tố muộn hơn sẽ được bố trí vào ô con Ngoài ra, từ kinh nghiệm thực tế ta biết được yếu tố có mức biến động lớn hơn thì yếu tố này sẽ được

bố trí vào ô lớn Hoặc ta muốn có một kết luận chính xác đối với một yếu tố thì yếu

tố đó đuwọc bố trí vào ô nhỏ Nhân tố trên ô lớn có sai số gọi là sai số ô lớn, nhân tố trên ô nhỏ có sai số gọi là nhân tố ô nhỏ

* Ưu, nhược điểm của kiểu bố trí thí nghiệm ô chính, ô phụ:

- Thí nghiệm này có cách phân tích phức tạp, mức chính xác của hai nhân tố khác nhau, nhân tố trên ô lớn có độ chính xác thấp hơn nhân tố trên ô nhỏ

- Thí nghiệm phù hợp với nếu ta chỉ quan tâm đến một trong hai yếu tố và tương tác giữa chúng Ví dụ: nghiên cứu ảnh hưởng của chế độ bón phân đến sự phát triển của cây, đồng thời cũng quan tâm đến tương tác của loại phân với loài cây

- Kiểu thí nghiệm này sẽ gặp khó khăn trong việc ước tính nếu số liệu bị khiếm khuyết Số bậc tự do của sai số ngẫu nhiên bị giảm rất nhiều do có hai lần tương tác (tương tác giữa hai yếu tố AxB và tương tác giữa yếu tố A với khối hay còn gọi là sai số ô lớn), chính vì vậy cũng làm giảm độ chính xác của các ước lượng

và các kết luận

Kiểu thí nghiệm lưới ô vuông la tinh:

Kiểu thí nghiệm lưới ô vuông la tinh được mô tả như hình vẽ dưới đây:

Hình 1.5: Sơ đồ bố trí thí nghiệm trong kiểu thí nghiệm lưới ô vuông la tinh

Kiểu thí nghiệm lưới ô vuông la tinh được bố trí và sắp xếp hoàn toàn giống với kiểu bố trí thí nghiệm ô vuông la tinh Tuy nhiên, sự khác nhau ở đây là thí nghiệm lưới ô vuông la tinh bao gồm nhiều ô vuông la tinh gộp lại với nhau

Thí nghiệm 2 nhân tố kiểu chia ô hoàn toàn ngẫu nhiên:

Kiểu thiết kế này giống như kiểu mô hình chia ô chính ô phụ, sự khác biệt của thí nghiệm này đối với kiểu mô hình ô chính ô phụ đó là người ta tiến hành thiết

kế để một yếu tố được bố trí ngẫu nhiên trên các ô lớn Ví dụ yếu tố thứ nhất (A) có

4 mức (A1, A2, A3, A4) được bố trí ngẫu nhiên trên 12 ô lớn Mỗi mức của yếu tố A được lặp lại 3 lần Yếu tố thứ 2 (B) có 2 mức (B1, B2) Mỗi ô lớn được chia thành 2

ô con để bố trí ngẫu nhiên các mức của yếu tố B Đây chính là mô hình thí nghiệm 2 nhân tố kiểu chia ô hoàn toàn ngẫu nhiên Mô hình bố trí thí nghiệm có thể được mô phỏng như hình vẽ sau:

Hình 1.6: Sơ đồ bố trí thí nghiệm theo kiểu chia khối ngẫu nhiên

Mô hình toán học của kiểu thí nghiệm này được mô phỏng như sau:

xijl = m + ai + ok(i) + bj + (ab)ij + eijl ; (i = 1, a; j = 1, b; k = 1, r)

Trong mô hình này hai nhân tố A và B coi như nhân tố cố định Các tổng bình phương của yếu tố A, B, tương tác AB, sai số ngẫu nhiên (sai số bé) và các bậc

tự do được tính tương tự như phương pháp ô chính ô phụ

1.3 Tổng quan về ứng dụng phần mềm thống kê SPSS và R

1.3.1 Ứng dụng phần mềm SPSS

Trên thế giới, đã có rất nhiều phần mềm máy tính chuyên dụng về xử lý thống

kê các số liệu thực nghiệm, trong đó có SPSS (Statistical Package for Social Sciences) Tuy là một phần mềm xử lý thống kê chuyên dụng nhưng SPSS lại khá dễ sử dụng và đang được ứng dụng rộng rãi trên thế giới do có giao diện thân thiện với người dùng, các thủ tục phân tích thống kê đơn giản, cho kết quả nhanh và đáp ứng được yêu cầu phân tích thống kê cơ bản và cả những kết quả đáp ứng các yêu cầu phân tích chuyên sâu về mặt thống kê Ở Việt nam, việc sử dụng các phần mềm thống kê cũng như SPSS trong xử lý số liệu đã được áp dụng trong những năm gần đây

Trong lĩnh vực Lâm nghiệp, từ cuối những năm 70 các ứng dụng CNTT trong quản lý, phân tích dữ liệu đã được đưa vào phục vụ công tác tổng điều tra quy hoạch rừng Máy vi tính thời gian này còn khá lạc hậu, chạy chậm, độ tin cậy không cao cùng với các phần mềm nghèo nàn do đó xử lý lượng dữ liệu lớn là rất khó khăn

và tốn kém Mãi đến đầu những năm 90 viện Điều tra Quy hoạch rừng mới du nhập

về phần mềm SPSS phiên bản 1.0 chạy trên máy vi tính với hệ điều hành DOS và

nó đã trở thành công cụ hữu hiệu trong xử lý và phân tích dữ liệu thống kê, phiên bản này lần đầu tiên cũng được giới thiệu như một chuyên đề tại trường Đại học Lâm nghiệp vào những năm 1994 cho các lớp sau đại học, từ năm 2003 chính thức được đưa vào thành môn học giảng dạy cho các lớp cao học Lâm nghiệp Từ đó đến nay phần mềm SPSS đã trở thành công cụ xử lý và phân tích dữ liệu trong các công trình nghiên cứu của mình Cũng có một số tài liệu, giáo trình về SPSS, nhưng những tài liệu này chủ yếu hoặc thiên về hướng dẫn sử dụng hoặc thiên về các ứng dụng kinh tế - xã hội.[10]

Nhiều trường đại học như Đại học Nông nghiệp Hà Nội, Đại học Nông lâm Huế, Đại học kinh tế Đà Nẵng cũng đã đưa phần mềm SPSS vào giảng dạy, nhiều nhà nghiên cứu cũng đã sử dụng phần mềm SPSS làm công cụ xử lý và phân tích dữ liệu trong các công trình nghiên cứu của mình Cũng có một số tài liệu, giáo trình về SPSS được các nhà nghiên cứu viết ra nhưng những tài liệu này chủ yếu thiên về hướng dẫn sử dụng hoặc thiên về các ứng dụng kinh tế- xã hội.[1,10,11]

Hiện tại cũng có nhiều phần mềm xử lý thống kê khác rất nổi tiếng như SAS, STATA, MICROSTA, EVIEW,… mỗi phần mềm này đều có những điểm mạnh và điểm yếu riêng và thích hợp với nhiều lĩnh vực khác nhau chẳng hạn như: STATA, EVIEW mạnh về phân tích hồi quy, hồi quy logistic do đó phù hợp với lĩnh vực kinh tế xã hội; SAS mạnh về phân tích phương sai phân tích hỗn hợp nhưng phải biết lập trình, do đó thích hợp với những người sử dụng có trình độ cao Riêng đối với SPSS, hiện nay được nhiều người ưa dùng nhất bởi một số ưu điểm đặc biệt sau:

1 Về quản lý dữ liệu

SPSS có một bộ soạn thảo dữ liệu tương tự như excel, bộ soạn thảo cho phép vào các dữ liệu và mô tả các thuộc tính của chúng, tuy nhiên SPSS không có những công cụ quản lý dữ liệu thật mạnh (mặc dù SPSS phiên bản 11 có thêm các lệnh chuyển cấu trúc dữ liệu theo chiều ngang thành cấu trúc dữ liệu theo chiều dọc và ngược lại) SPSS xử lý mỗi file dữ liệu ở một thời điểm và không phải là rất mạnh khi thực hiện các nhiệm vụ phân tích cần làm việc với nhiều file dữ liệu cùng một lúc Các file dữ liệu có thể có đến 4096 biến và số lượng bản ghi chỉ bị giới hạn trong dung lượng của đĩa cứng

Các báo cáo thống kê trên tập số liệu cở sở hết sức đa dạng và linh hoạt với nhiều chiều phân tổ khác nhau và dễ dàng thực hiện không phải lập trình Các bảng biểu, các báo cáo được trình bày đẹp, chất lượng cao được thực hiện trên cửa sổ, có thể tiếp tục hiệu chỉnh, in ra hoặc chuyển sang tài liệu khác

2 Về phân tích thống kê

Một trong những công việc thường xuyên phải làm đối với cán bộ nghiệp vụ thống kê là tổng hợp số liệu theo các biểu bảng đã thiết kế trước đối với số liệu thu được Nếu ai đã từng sử dụng SPSS và STATA, đều thấy rằng khả năng lập các biểu bảng số liệu tổng hợp, các báo cáo thống kê trên tập số liệu cơ sở trong SPSS

là hết sức đa dạng và linh hoạt với nhiều chiều phân tổ khác nhau và dễ dàng thực hiện không phải lập trình Các bảng biểu, các báo cáo được trình bày đẹp, chất lượng cao được hiện trên cửa sổ, có thể tiếp tục hiệu chỉnh, in ra hoặc chuyển sang các tài liệu khác Đây là một ưu điểm nổi bật của SPSS, vì để lập trình tạo ra một biểu bảng như ý là một công việc hết sức tỉ mẩn và nặng nhọc

Sức mạnh lớn nhất của SPSS là lĩnh vực phân tích phương sai (SPSS cho phép thực hiện nhiều loại kiểm định tác động riêng biệt) và phân tích nhiều chiều (thí dụ phân tích phương sai nhiều chiều, phân tích nhân tố, phân tích nhóm tổ) SPSS phiên bản 11 còn bổ sung thêm một số khả năng phân tích các mô hình hỗn hợp Cái yếu nhất của SPSS là khả năng xử lý đối với những vấn đề ước lượng phức tạp và do đó khó đưa ra được các ước lượng sai số đối với các ước lượng này SPSS cũng không hỗ trợ các công cụ phân tích dữ liệu theo lược đồ mẫu

3 Về vẽ đồ thị

SPSS có một giao diện giữa người và máy rất đơn giản để tạo ra các đồ thị và khi đã tạo được một đồ thị, nhờ giao diện này mà người sử dụng có thể tuỳ ý hiệu chỉnh đồ thị cũng như hoàn thiện chúng Các đồ thị có chất lượng rất cao và có thể dán vào các tài liệu khác, thí dụ như Word hoặc Powerpoint

1.3.2 Ứng dụng phần mềm R

Năm 1996, trong một bài báo quan trọng về tính toán thống kê, hai nhà thống

kê học Ross Ihaka và Robert Gentleman thuộc Trường đại học Auckland, New Zealand phát hoạ một ngôn ngữ mới cho phân tích thống kê mà họ đặt tên là R [17] Sáng kiến này được rất nhiều nhà thống kê học trên thế giới tán thành và tham gia vào việc phát triển R Cho đến nay, qua chưa đầy 10 năm phát triển, càng ngày càng

có nhiều nhà thống kê học, toán học, nghiên cứu trong mọi lĩnh vực đã chuyển sang

sử dụng R để phân tích dữ liệu khoa học Trên toàn cầu, đã có một mạng lưới hơn một triệu người sử dụng R, và con số này đang tăng rất nhanh Có thể nói trong vòng 10 năm nữa, vai trò của các phần mềm thống kê thương mại sẽ không còn lớn như trong thời gian qua nữa.[17]

Thật ra, về bản chất, R là ngôn ngữ máy tính đa năng, có thể sử dụng cho nhiều mục tiêu khác nhau, từ tính toán đơn giản, toán học giải trí (recreational mathematics), tính toán ma trận (matrix), đến các phân tích thống kê phức tạp Vì là một ngôn ngữ, cho nên người ta có thể sử dụng R để phát triển thành các phần mềm chuyên môn cho một vấn đề tính toán cá biệt Vì thế, những ai làm nghiên cứu khoa học, nhất là ở các nước còn nghèo khó như nước ta, cần phải học cách sử dụng R cho phân tích thống kê và đồ thị [16,17,18]

* Những ưu điểm chính của R

- R là ngôn ngữ lập trình miễn phí: Để phân tích thống kê hay lập trình có

thể có sử dụng nhiều phần mềm hay ngôn ngữ khác nhau (như SAS, SPSS, Stata, Fortran, C#,…) Tuy nhiên, phần lớn những phần mềm này không phải là miễn phí

Do vậy nếu sử dụng R để giảng dạy cho sinh viên thì sau khi sinh viên ra trường, sinh viên có thể tiếp tục tiếp cận với phần mềm và sử dụng trong công việc Nếu

giảng dạy bằng một phần mềm giữ bản quyền như SAS (nếu nhà trường có mua quyền sử dụng) thì sau khi sinh viên tốt nghiệp, không thể ứng dụng được nếu luật bảo vệ sở hữu trí tuệ được thực thi R hiện nay được coi là chuẩn trên thực tế (de factor standard) để giảng dạy về thống kê

- R là ngôn ngữ lập trình nguồn mở: R là một thành phần của GNU project

(dự án hợp tác đại trà và phần mềm miễn phí) Mã nguồn của R cung cấp miễn phí cho tất cả mọi người tuân theo giấy phép công cộng chung GNU (GNU General Public License), và phiên bản nhị phân trước khi biên dịch được cung cấp cho nhiều

hệ điều hành khác nhau Do là phần mềm nguồn mở, có đến 2000 người đóng góp vào việc xây dựng phần mềm và có đến 2 triệu người dùng Là nguồn mở nên việc phát triển R rất linh hoạt và cho phép tích hợp R với các hệ thống khác nhau và với các phần mềm sử lí số liệu khác nhau R được sử dụng bởi ngân hàng Hoa Kì (Bank

of America), New York Times, Face book và Google cũng như phần lớn các công

ty đứng hàng đầu của Mỹ Dù một cá nhân sử dụng R cho bất kì mục đích gì luôn luôn có ai đó có cùng mục đích sử dụng và có thể trao đổi, giúp đỡ nhau cùng thực hiện mục tiêu của mình Luôn luôn có những gói phần mềm, trao đổi, hướng dẫn sử dụng R xuất hiện mới mỗi ngày hoặc mỗi tuần Các diễn đàn của cộng đồng sử dụng R phổ biến nhất là Crantastic, Stackoverflow, revolutions blog, R-bloggers

- R là một ngôn ngữ lập trình thông dịch (interpreted language) được sử

dụng thông qua trình thông dịch dòng lệnh (command line intepreter) Tương tự như các phần mềm khác, R có thể hỗ trợ các phép tính ma trận Cấu trúc dữ liệu của

R không chỉ là số nguyên (integer), số thực (double precision), chuỗi (string) mà còn có thể là vector, ma trận, khung dữ liệu (data frame) là các ma trận với cấu trúc

dữ liệu thuộc các loại khác nhau Là ngôn ngữ lập trình R:

- cho phép người dùng thêm vào các tính năng bổ sung bằng cách định nghĩa các hàm số mới, xây dựng các gói (package) mới, dùng các gói (package) do người khác xây dựng

- Có thể liên kết với các mã của ngôn ngữ C, ngôn ngữ C++, ngôn ngữ Fortran, v.v

Là ngôn ngữ lập trình nên người sử dụng có thể kết hợp nhiều phương pháp khác nhau để giải quyết vấn đề và cho kết quả có tính lập lại R có sẵn các thư viện

có thể thực thi trên các đối tượng khác nhau như vector, ma trận Một thí dụ của khả năng tính toán nhanh trong các tình huống bất ngờ Ngay sau khi Michael Jackson chết trong vòng 3 giờ, tờ New York Times đã đưa ra các thống kê và đồ thị sắp hạng của tạp chí Billboard về các bài hát của Michael Jackson (Jackson’s billboard rankings over time) và ngôn ngữ R được sử dụng để thực hiện các tính toán (http://blog.revolutionanalytics.com/2009/06/nyt-charts-michael-jacksons-pop-hits.html)

R là một ngôn ngữ lập trình hướng đối tượng mạnh có nghĩa là R Có phương tiện lập trình hướng đối tượng (object oriented programming) tốt hơn phần lớn các ngôn ngữ lập trình khác Việc lập trình hướng đối tượng với R khá đơn giản, chỉ cần khai báo đối tượng cho biến số thì khi gọi hàm số của biến số đó, instant phù hợp của hàm số sẽ được sử dụng

Không chỉ là ngôn ngữ lập trình, R còn là một môi trường phần mềm có nghĩa là R cung cấp nhiều thư viện cho các giải thuật truy cập số liệu, thao tác số liệu, phân tích số liệu và vẽ đồ thị R có thể vẽ các loại đồ thị như chuỗi thời gian, tổ chức đồ, phân tán đồ, mặt 3 chiều, bản đồ,…

R là ngôn ngữ lập trình chuyên dụng cho chuyên viên thống kê: R có thể tiến

hành các thuật toán thống kê chuẩn như tính toán trung bình, độ lệch chuẩn, phương sai, hiệp phương sai, hồi quy, ANOVA, phân tích sống còn, GLM, GAM, mạng thần kinh Ngoài các phương pháp thống kê kinh điển, R vượt qua các phần mềm khác để ứng dụng trong các phương pháp tính toán hiện đại nhất (thí dụ như để phân tích hệ gen – genomics, xác định các biến dị của DNA người,…)

* Những nhược điểm chính của R

R cũng có một số nhược điểm hay có thể gọi là thiếu sót, tuy nhiên các nhược điểm này có thể được khắc phục dễ dàng bởi chính R :

- R không phải là một cơ sở dữ liệu nhưng lại có thể kết nối với các hệ quản trị cơ sở dữ liệu (DBMS)

- R không có giao diện đồ họa người dùng, nhưng nó có thể kết nối với Java, TclTk

- Việc diễn giải ngôn ngữ R có thể rất chậm, nhưng có thể cho phép gọi tới các mã C hoặc C++

- R không có các bảng tính quan sát dữ liệu, nhưng nó có thể kết nối với Excel/MSOffice

- Mỗi câu lệnh của R kết thúc bằng phím Enter, điều này gây ra sự bất tiện trong khi lâp trình, đặt biệt là khi xây dựng một hàm, chỉ cần sai một dòng lệnh, ta

sẽ phải làm lại từ đầu

- Một nhược điểm khác của R là nó không chuyên nghiệp và không hỗ trợ thương mại

1.4 Thảo luận về tổng quan vấn đề nghiên cứu

Có thể thấy rằng: hầu hết các nghiên cứu khoa học trong lâm nghiệp mà đặc biệt là trong các lĩnh vực về chọn giống, trồng rừng và lâm sinh thường sử dụng thí nghiệm với số liệu thu thập lớn Để phân tích các số liệu này cần phải có phương pháp phân tích và thống kê khoa học và chính xác Nếu không có công cụ hỗ trợ từ máy tính như hiện nay chắc chắn rằng việc tính toán sẽ gặp nhiều khó khăn và sẽ có nhiều sai sót không đáng có Chính vì vậy việc xây dựng các quy trình xử lý thống

kê cho các thí nghiệm lâm nghiệp dựa vào các phần mềm thống kê thông dụng như SPSS và R là một việc đáng quan tâm

Ưu điểm về phân tích phương sai của SPSS cũng là những ứng dụng phổ biến

xử lý và phân tích dữ liệu trong lĩnh vực Lâm nghiệp Những phiên bản mới của SPSS còn bổ sung những thủ tục phân tích tinh tế hơn, hiện vẫn chưa được khai thác hoặc khai thác rất hạn chế trong lĩnh vực Lâm nghiệp

Mặc dù được sử dụng khá rộng rãi trong nhiều lĩnh vực, đặc biệt trong lâm nghiệp nhưng chưa có một công trình nghiên cứu ứng dụng SPSS trong lâm nghiệp một cách có hệ thống và đầy đủ, các mô hình nâng cao (Advanced Models) thì hầu như hoàn toàn chưa được nghiên cứu tới

Đối với phần mềm R, đây là một phần mềm mới được xây dựng nhưng có nhiều ưu điểm trong phân tích thống kê, hơn nữa đây lại là phần mềm hoàn toàn miễn phí nên việc sử dụng nó không bị ràng buộc về vấn đề bản quyền Tuy nhiên, việc sử dụng thành thạo phần mềm R lại là một vấn đề do phần mềm này sử dụng chủ yếu vào ngôn ngữ lập trình nên người sử dụng phải có một kiến thức về tin học

và lập trình nhất định

Trong quá trình nghiên cứu và thảo luận để lựa chọn xây dựng phương pháp phân tích và xử lý số liệu có thể nhận thấy rằng với cùng một số liệu và một phương pháp nghiên cứu dù sử dụng phần mềm R hay SPSS sẽ cho ra kết quả giống nhau

Do thời gian và kiến thức còn hạn chế, tác giả đã lựa chọn phần mềm SPSS để làm phần mềm phân tích chính do phần mềm này đã tương đối phổ biến trong ngành lâm nghiệp Còn phần mềm R được giới thiệu nhằm gợi mở cho các đề tài, luận văn sau tiếp tục tiến hành nghiên cứu

Chương 2 MỤC TIÊU, GIỚI HẠN, NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 2.1 Mục tiêu nghiên cứu

2.2 Phạm vi và giới hạn của đề tài

2.2.1 Đối tượng nghiên cứu

Đối tượng nghiên cứu của đề tài chủ yếu là rừng trồng, các mô hình thí nghiệm trong lâm nghiệp trong các lĩnh vực lâm sinh, trồng rừng, nghiên cứu giống

2.2.2 Giới hạn mô hình nghiên cứu

Đề tài chỉ tập trung nghiên cứu phân tích số liệu sẵn có và đưa ra quy trình phân tích số liệu bằng phần mềm SPSS cho các mô hình thí nghiệm mà không đi sâu vào nghiên cứu và phân tích đặc điểm mô hình thí nghiệm và so sánh các mô hình với nhau

2.3 Nội dung nghiên cứu

Để thực hiện được mục tiêu nghiên cứu, đề tài tiến hành các nội dung nghiên cứu như sau:

- Xây dựng quy trình sàng lọc số liệu thô

- Xây dựng các quy trình xử lý cho mô hình thí nghiệm thiết kế ngẫu nhiên

- Xây dựng các quy trình xử lý cho mô hình thí nghiệm kiểu khối ngẫu nhiên đầy đủ

- Xây dựng quy trình xử lý cho mô hình thí nghiệm ô vuông la tinh

2.4 Phương pháp nghiên cứu

2.4.1 Quan điểm và phương pháp luận

Trong Lâm nghiệp khi nghiên cứu một vấn đề nào đó về mặt định lượng, người ta đều phải quan sát, thu thập số liệu, hoặc làm một số thí nghiệm có liên quan và sau cùng thu thập những kết quả Để so sánh và đánh giá các kết quả nghiên cứu với nhau, bắt buộc các thí nghiệm phải tuân thủ theo một mô hình phân tích thống kê Chính vì vậy khi nghiên cứu quy trình xử lý số liệu bằng SPSS một yêu cầu không thể thiếu đó là các số liệu được lấy ra từ các mô hình thí nghiệm phải gắn liền với mô hình toán học có nghĩa là phải bố trí theo đúng mô hình toán

Một yêu cầu khác trong đề tài này đó chính là nghiên cứu phải gắn liền phương pháp toán học và phương pháp sinh học do đối tượng nghiên cứu của đề tài chủ yếu là cây rừng - là một thực thể sinh học Vì vậy ngoài phân tích toán học cần phải có cả phân tích sinh học

Nguồn vào của đề tài là các bộ số liệu, thông tin về các mô hình thí nghiệm (MHTN), kết quả của đề tài là quy trình xử lý thống kê dựa trên phần mềm phân tích thống kê SPSS Chính vì vậy đề tài chỉ tập trung đi sâu nghiên cứu phương pháp xử lý

số liệu mà không đi sâu nghiên cứu về mặt toán học và thống kê toán học

2.4.2 Phương pháp thu thập số liệu

2.4.2.1 Thu thập số liệu phục vụ tính toán

- Thu thập dữ liệu thực tế phù hợp với các nội dung nghiên cứu trên

- Sử dụng, kế thừa các dữ liệu có sẵn thỏa mãn mục tiêu nghiên cứu, từ các nguồn dữ liệu của Viện Điều tra Quy hoạch rừng, Viện Khoa học Lâm nghiệp, Viện Sinh thái rừng và Môi trường - Trường Đại học Lâm nghiệp

2.4.2.2 Nội nghiệp

- Đọc, tham khảo các tài liệu, nghiên cứu ứng dụng các phần mềm có liên quan

- Tiến hành các hội thảo tư vấn chuyên môn, đặc biệt tư vấn về phần mềm SPSS: Lựa chọn một số nội dung khó trong phần mềm SPSS đưa ra thảo luận dưới dạng các hội thảo chuyên môn, với sự tham gia của các chuyên gia giỏi

- Tham khảo các ý kiến chuyên gia trong lĩnh vực thống kê

- Xây dựng các quy trình kỹ thuật trên phần mềm SPSS thực hiện các nội dung nghiên cứu trên: Trong SPSS đã cung cấp nhiều thủ tục xử lý và phân tích dữ liệu Tuy nhiên trình tự logic thực hiện các thủ tục phân tích cho những vấn đề cụ thể lại do người sử dụng lựa chọn Do đó chất lượng xử lý và phân tích dữ liệu phụ thuộc rất nhiều vào trình độ của người sử dụng, đặc biệt trình độ hiểu biết của người sử dụng về

cơ sở toán học thống kê, về tin học và các thuật ngữ chuyên môn sử dụng trong phần mềm Việc xây dựng các quy trình kỹ thuật thực hiện các bước xử lý và phân tích cho những vấn đề nghiên cứu nêu trên chính là để khắc phục hạn chế này

2.4.3 Phương pháp phân tích số liệu

2.4.3.1 Phân tích số liệu cho mô hình thí nghiệm ngẫu nhiên hoàn toàn

Việc phân tích số liệu cho mô hình thí nghiệm thiết kế ngẫu nghiên là phân

tích phương sai một nhân tố Các bước phân tích số liệu được mô tả như sau:

Giả sử nhân tố A được chia a cấp khác nhau và trong mỗi cấp thí nghiệm được lặp lại một cách ngẫu nhiên ni lần ( )

Trước khi tiến hành phân tích phương sai và nghiên cứu anh hưởng của nhân

tố A người ta cần xem xét các điều kiện sau đây:

- Các trị số quan sát xij ở mỗi cấp là những giá trị thực của một biến ngẫu nghiên Xij có phân bố chuẩn N [ ]

- Phương sai của các biến ngẫu nhiên Xij phải bằng nhau, tức là:

Như vậy cũng có nghĩa là mỗi biến ngẫu nhiên Xij đều có phân bố chuẩn với

kỳ vọng và phương sai

Trong thí nghiệm điều kiện phân bố chuẩn của các đại lượng quan sát thường là đạt được Nếu trường hợp chưa xác định được thì có thể dùng phương pháp sơ đồ nếu không đòi hỏi độ chính xác cao Còn việc kiểm định sự bằng nhau của các phương sai theo tiêu chuẩn Cochran hoặc Barlett Riêng trong SPSS thường dùng tiêu chuẩn Levene cũng rất phù hợp cho trường hợp đại lượng không có phân bố chuẩn

Phương trình mô hình cơ bản của phân tích phương sai cho mô hình thí nghiệm thiết kế theo kiểu ngẫu nhiên hoàn toàn có dạng như sau:

Trong đó: - là số trung bình chung của tổng thể đối với tất cả các cấp

- là tham số đặc trưng ảnh hưởng tới nhân tố A ( )

Nếu nhân tố A có tác động đồng đều (ngẫu nhiên) đến kết quả thí nghiệm thì

= 0 ở tất cả các cấp Và giả thuyết H0 được cho là:

H1: Có ít nhất 1

Giả thuyết H1 nói lên rằng tác động của nhân tố A là không đồng đều tới tất

cả các cấp còn là một biến ngẫu nhiên độc lập có phân bố chuẩn như điều kiện đã

ở trên đã nói Nó đặc trưng cho sai số thí nghiệm

Tiến hành phân tích phương sai cho thí nghiệm ta được bảng phân tích phương sai Kết quả phân tích phương sai được thể hiện như bảng sau:

Bảng 2.1: Phân tích phương sai một nhân tố theo kiểu thí nghiệm ngẫu nhiên

hoàn toàn

Nguồn biến

động

Tổng biến động bình phương

Bậc tự do Phương sai

Xác suất của F (.Sig)

Tổng VT N - 1 S2 = VT/(n-1)

2.4.3.2 Phân tích số liệu cho mô hình thí nghiệm kiểu khối ngẫu nhiên đầy đủ

Trong mô hình thí nghiệm khối ngẫu nhiên đầy đủ, người ta thường coi khối thí nghiệm (hay lần lặp) là một nhân tố Chính vì vậy khi nói phân tích phương sai hai nhân tố cần phải hiểu nhân tố ở đây bao gồm một nhân tố thí nghiệm và một nhân tố là khối thí nghiệm Trong trường hợp có 2 nhân tố thí nghiệm trong mô

hình khối ngẫu nhiên đây đủ thì người ta thường gọi là phân tích phương sai hai nhân tố lặp lại trên các khối Đề tài xây dựng mô hình thí nghiệm theo dạng 2 yếu tố thí nghiệm và tiến hành phương pháp phân tích phương sai theo hai hướng: phân tích riêng lẻ từng nhân tố nhân tố và phân tích cho cả hai nhân tố Việc phân tích này là nhằm đưa ra biện pháp thay đổi phương pháp phân tích phương sai khi trong quá trình thực hiện mô hình thí nghiệm bị hỏng

+ Phân tích phương sai trong mô hình phân thí nghiệm khối ngẫu nhiên đầy

đủ theo hướng có 1 yếu tố thí nghiệm

Trong trường hợp này ta chỉ xét đến nhân tố A được chia ra a cấp còn nhân

tố B thì không xét đến, tuy nhiên do trong quá trình bố trí thí nghiệm ta cũng đã chia nhân tố B thành b cấp nên việc phân tích phương sai cho nhân tố A, để tránh sai số do nhân tố B mang lại cần phải phân tích các cấp của nhân tố A chỉ trên 1 cấp của nhân tố B Phương trình mô hình cơ bản của phân tích phương sai cho mô hình thí nghiệm thiết kế theo kiểu khối ngẫu nhiên đầy đủ có dạng như sau:

Bảng 2.2: Phân tích phương sai theo kiểu thí nghiệm khối ngẫu nhiên đầy đủ

áp dụng cho 1 nhân tố thí nghiệm

+ Phân tích phương sai trong mô hình phân thí nghiệm khối ngẫu nhiên đầy

đủ theo hướng có 2 yếu tố thí nghiệm

Trong phương pháp này, đề tài tiến hành xem xét đến cả 2 nhân tố thí nghiệm trong mô hình thí nghiệm Đây chính là mục tiêu chính trong việc xây dựng

mô hình thí nghiệm khối ngẫu nhiên đầy đủ Phương trình mô hình cơ bản của phân tích phương sai cho mô hình thí nghiệm thiết kế theo kiểu khối ngẫu nhiên đầy đủ

áp dụng cho phân tích 2 nhân tố thí nghiệm có dạng như sau:

Xij k =  + i + i +(  ) ij + ijk (3)

Trong đó:  là trung bình trung của tổng thể:

i là tham số đặc trưng cho ảnh hưởng của nhân tố A:

i là tham số đặc trưng cho ảnh hưởng của nhân tố B:

()ij là tham số đặc trưng cho ảnh hưởng qua lại của 2 nhân tố

ijk là biến ngẫu nhiên có phân bố chuẩn N (0, 2) với  là sai tiêu chuẩn đặc trưng cho sai số của thí nghiệm Trường hợp nếu nhân tố A không có tác động qua lại (tác động tương hỗ) thì () ij = 0 các giả thuyết cần đặt ra cho trường hợp này là:

HA: i = 0 với mọi i (đối thuyết là ít nhất có một i  0) HB: j = 0 với mọi j (đối thuyết là ít nhất có một j  0)

HAB: () ij = 0 với mọi i j (đối thuyết ít nhất có một () ij  0)

Trong trường hợp này mỗi tổ hợp cấp của nhân tố A và nhân tố B có r kết quả được lặp Xij k và tổng của nó được ký hiệu Sij (: i chỉ cấp của nhân tố A: j chỉ cấp của nhân tố B: k chỉ thứ tự quan sát ở mỗi tổ hợp cấp của 2 nhân tố A và B) Si(A) và Sj(B) là tổng mỗi cỏp của A và B

Để kiểm tra các giả thuyết trên đây người ta cần tính toán các loại biến động sau:

- Biến động do nhân tố A:

S  A C

br V

a

i i

 1 2

1

(4)

- Biến động do nhân tố B:

 B C S

ar V

b

j j

 1 2

i i b

j ij

ar A S br

S r

V

2 1

2 1

a

i b

j ij r

k

ijk

n x V

2 1

N

B B

N

A A

V b a

V r ab F

V b

V r ab F

V a

V r ab F

)1(1(

)1(11

)1(

)1(

) (

) (

Bảng 2.3: Phân tích phương sai theo kiểu thí nghiệm khối ngẫu nhiên đầy đủ

áp dụng cho 2 nhân tố thí nghiệm Nguồn BĐ Bậc tự do Phương sai (PS) F (.Sig)

Tổng VT N - 1 S2 = VT/(n-1)

2.4.3.2 Phân tích số liệu cho mô hình thí nghiệm ô vuông la tinh

Mô hình phân tích phương sai theo ô vuông La tinh có dạng:

Xij =

Các biến động sau đây được tính toán:

+ Biến động chung:

với c =

+ Biến động theo khối: (nhân tố A)

+ Biến động theo cột (nhân tố B)

+ Biến động do các công thức thí nghiệm

Chương 3 LỰA CHỌN, XÂY DỰNG THÍ NGHIỆM VÀ THU THẬP SỐ LIỆU 3.1 Phương pháp lựa chọn số liệu phân tích và xây dựng thí nghiệm

Từ những mô hình phân tích phương sai người ta tiến hành các mô hình thí nghiệm ở thực tế và dựa vào các mô hình phân tích phương sai để phân tích các mô hình thí nghiệm trên thực tế Các mô hình thí nghiệm thường được thực hiện theo các nguyên tắc sau:

- Các công thức thí nghiệm (CTTN) phải được bố trí một cách ngẫu nhiên: Có nghĩa là mỗi một đơn vị thí nghiệm (plot) có cơ hội như nhau để nhận một công thức thí nghiệm

- Mỗi công thức thí nghiệm có một hoặc nhiều nhân tố phải được lặp lại nhiều

lần Số lần lặp lại nhiều ít chủ yếu phụ thuộc độ biến động và số nhân tố thí nghiệm

- Trong trường hợp nếu môi trường thí nghiệm không đồng đều thì việc phân chia chúng thành những khối để sao cho các đơn vị nghiên cứu trong cùng một khối

có độ đồng đều cao là rất cần thiết Trong nghiên cứu lâm sinh ở vườn ươm nhất là trên nền đất lâm nghiệp thường có sự biến động lớn về độ phì nên việc phân chia thí nghiệm thành các khối thường được vận dụng Số khối cũng chính là số lần lặp lại của thí nghiệm

- Nếu nghiên cứu nhiều nhân tố thì phải tính tương tác giữa các nhân tố với nhau Trong nông lâm nghiệp các phương pháp thường được vận dụng:

+ Phương pháp ngẫu nhiên hoàn toàn

+ Phương pháp khối ngẫu nhiên đầy đủ

+ Phương pháp ô vuông la tinh

Trong luận văn này, nhóm nghiên cứu đã tiến hành thu thập số liệu từ các đề tài nghiên cứu khoa học từ cấp cơ sở tới cấp bộ có liên quan tới việc bố trí thí nghiệm theo các phương pháp đã được lựa chọn nói trên Từ những số liệu thu thập được nhóm nghiên cứu tiến hành lựa chọn số liệu mẫu để phân tích và xây dựng quy trình xử lý trong SPSS Các bước thu thập số liệu có thể được hình dung trong

sơ đồ sau:

Hình 3.1: Các bước lựa chọn và xây dựng mô hình phục vụ thu thập số liệu

Các đề tài nghiên cứu khoa học

Bố trí thí nghiệm ba nhân tố

Bố trí thí nghiệm nhiều nhân tố

Bố trí thí nghiệm theo dạng ô vuông

la tinh

Các dạng khác

Quy trình

xử lý số liệu cho mô hình

ô vuông la tinh

Số liệu thu thập đầy đủ

Sàng lọc số liệu thô

Không nghiên cứu

Trong quá trình nghiên cứu và lựa chọn số liệu cho đề tài, nhóm nghiên cứu đã có những nhận xét về các phương pháp bố trí thí nghệm trong một số đề tài như sau:

- Hầu hết các đề tài nghiên cứu khoa học trong lĩnh vực lâm sinh có sử dụng thí nghiệm và bố trí thí nghiệm thường chưa nói rõ được phương pháp bố trí thí nghiệm của mình theo hướng phân tích là hướng gì Các đề tài thường đưa ra phương pháp bố trí thí nghiệm một các chung chung, chính điều này đã làm ảnh hưởng tới số liệu thu thập của đề tài

- Một số thí nghiệm thường thiếu hụt các lần lặp hoặc thiếu mẫu nghiên cứu

- Khi xử lý số liệu không qua bước sàng lọc số liệu khiến cho kết quả thí nghiệm không được theo như ý muốn

Qua việc thu thập số liệu phục vụ cho phân tích và xử lý số liệu thí nghiệm ta thấy rằng việc bố trí thí nghiệm rất quan trọng bởi bố trí thí nghiệm quyết định hướng phân tích cũng như xử lý số liệu và ảnh hưởng trực tiếp độ tin cậy trong quá trình phân tích số liệu thí nghiệm Chính vì vậy, để xây dựng quy trình phân tích số liệu cho các mô hình thí nghiệm thông dụng trong lâm nghiệp, nhóm nghiên cứu phải tiến hành lựa chọn ra các mô hình thí nghiệm được bố trí một cách tỷ mỷ và đúng cách với dung lượng mẫu đủ lớn để tiến hành xây dựng mô hình Trong trường hợp việc thu thập số liệu của các mô hình thí nghiệm không đáp ứng được yêu cầu của đề tài thì nhóm nghiên cứu sẽ tự xây dựng mô hình thí nghiệm và thu thập số liệu nhằm mục đích đưa ra được những khuôn mẫu trong bố trí thí nghiệm

3.2 Kết quả lựa chọn và xây dựng các MHTN và thu thập số liệu

3.2.1 Lựa chọn mô hình thí nghiệm ngẫu nhiên hoàn toàn

Lựa chọn mô hình:

Trong Lâm nghiệp thí nghiệm một nhân tố thường rất phổ biến như nhân tố mật độ trồng rừng, liều lượng phân bón, cường độ ánh sáng v.v Những nhân tố như vậy thường được chia thành các cấp (mức) khác nhau được xác định trước gọi

là nhân tố xác định (Fixed Factor), cũng có thể là các biến định tính có hoặc không

có thứ bậc Mỗi cấp của nhân tố thí nghiệm tượng trưng như một công thức (CT) Chẳng hạn mật độ là một nhân tố thí nghiệm trồng rừng được chia thành 3 cấp:

1200 cây/ha, 1500 cây/ha và 1800 cây/ha Mỗi cấp mật độ cũng được xem là một công thức

Thí nghiệm một nhân tố trong lâm nghiệp thường được bố trí theo kiểu ngẫu nhiên hoàn toàn hoặc khối ngẫu nhiên đầy đủ Trong những điều kiện cho phép người ta cũng có thể bố trí theo kiểu ô vuông Latinh nhưng hạn chế hơn

Nhóm nghiên cứu đã tiến hành kế thừa số liệu đã được điều tra từ trước của các mô hình sau:

+ Mô hình thí nghiệm so sánh sinh trưởng của cây Mây nếp theo các điều kiện che sáng khác nhau;

+ Mô hình thí nghiệm so sánh sinh trưởng của Hồ Đào theo các xuất xứ khác nhau;

+ Mô hình thí nghiệm so sánh sinh trưởng của loài Cẩm lai vú theo liều lượng phân bón khác nhau;

+ Mô hình thí nghiệm so sánh sinh trưởng của loài Cẩm lai vú theo các xuất

Giới thiệu mô hình

Mô hình thí nghiệm so sánh sinh trưởng của cây Mây nếp theo các điều kiện

chiếu sáng khác nhau được thực hiện trong nội dung nghiên cứu của đề tài “Nghiên

cứu chọn giống và biện pháp kỹ thuật trồng thâm canh mây dưới tán rừng tại một

số vùng sinh thái” Thí nghiệm được bố trí trên vươn ươm thuộc trường Đại học

Lâm nghiệp và được mô tả theo sơ đồ như sau:

Các bước xây dựng mô hình

+ Giâm ươm loài cây chuẩn bị thí nghiệm:

Để thực hiện thí nghiệm, nhóm nghiên cứu thực hiện đề tài tiến hành lựa chọn giống Mây nếp trên một cây, tiến hành xử lý và gieo hạt theo phương pháp thông thường Sau thời gian 03 tháng sau khi cây mây nảy mầm tiến hành cấy cây vào bầu và chăm sóc

+ Bố trí thí nghiệm:

Lựa chọn những cây có chiều cao và tốc độ sinh trưởng tương đương nhau

để tiến hành bố trí thí nghiệm Tiến hành bố trí thí nghiệm so sánh sinh trưởng của cây Mây nếp theo các điều kiện che sáng khác nhau dưới dạng bố trí thí nghiệm ngẫu nhiên hoàn toàn Theo phương pháp này, số lượng cây được chia thành 3 đoạn tương ứng với 3 lần lặp Trên các đoạn bố trí mức độ tàn che khác nhau: 1) không che sáng, 2) Che sáng 25%; 3) che sáng 50%; 4) che sáng 75% Để tiến hành che sáng nhóm nghiên cứu đã diến hành phủ lưới đen có độ thưa của mắt lưới khác nhau

tương ứng với độ che sáng kể trên để làm thí nghiệm

Tiến hành chăm sóc và bón phân cho cây, định kỳ 1 tháng thu thập số liệu sinh trưởng về chiều cao và số lá cây

3.2.2 Xây dựng mô hình thí nghiệm theo kiểu khối ngẫu nhiên đầy đủ

Lựa chọn mô hình

Bố trí theo khối hệ thống là một phương pháp trước đây được nhiều người ưa thích và vận dụng Nhưng phương pháp này có nhược điểm lớn là vị trí tương đối của các công thức thí nghiệm thường giống nhau ở tất cả các khối gây nên mối liên quan đến nhau sẽ làm tăng sai số thí nghiệm Fisher đã đề nghị khắc phục thiếu sót trên bằng cách

bố trí ngẫu nhiên Đây là cách bố trí mà người ta cho là khác quan nhất

Nhóm nghiên cứu đã tiến hành thu thập và xem xét các mô hình thí nghiệm theo kiểu khối ngẫu nhiên đầy đủ, tuy nhiên do thời gian và số liệu thu thập từ các

đề tài là có hạn nên nhóm nghiên cứu đã không thể tìm ra được một mô hình thí nghiệm nào phù hợp để tiến hành phân tích và xây dựng quy trình xử lý cho mô hình thí nghiệm hai nhân tố Nhóm nghiên cứu đã tự xây dựng thí nghiệm, mô hình

được lựa chọn là mô hình so sánh sinh trưởng của cây muồng hoa vàng theo mật độ trồng và phương thức bón phân khác nhau

Giới thiệu mô hình

Mô hình thí nghiệm so sánh sinh trưởng của cây muồng hoa vàng theo mật

độ trồng và phương thức bón phân khác nhau được nhóm nghiên cứu thực hiện tại vườn ươm trường Đại học Lâm nghiệp Các bước thực hiện và bố trí thí nghiệm được miêu tả như sau:

Bước 1: Chuẩn bị hạt gieo và ươm cây: Chọn lô hạt giống có cùng một xuất

xứ cây mẹ, tiến hành sơ tuyển và xử lý trước khi gieo cây

Bước 2: Gieo cây ra nền đất và đợi cây nảy mầm: Tiến hành gieo cây trên nền đất và chăm sóc hàng ngày Trong giai đoạn này nhóm nghiên cứu đã tiến hành gieo toàn bộ lô hạt với số lượng hạt nhiều hơn số lượng cây dự tính làm nghiên cứu nhằm tránh trường hợp bị thiếu mẫu cây nghiên cứu

Bước 3: Xây dựng các khối thí nghiệm so sánh sinh trưởng của cây muồng hoa vàng theo mật độ trồng và phương thức bón phân khác nhau: Song song với việc gieo cây, nhóm nghiên cứu đã chuẩn bị các khối tiến hành thí nghiệm, các khối thí nghiệm là những luống đất để trồng cây, trong các luống đã được xử lý cho sạch sâu bệnh và tiến hành phân chia các luống thành các ô nhỏ (plot) có diện tích bằng nhau để chuẩn bị cấy cây vào thí nghiệm Có tổng số 27 ô thí nghiệm (plot) và được chia thành 3 khối bằng nhau và nằm tách biệt nhau, mỗi khối có 9 plot

Bước 4: Tuyển chọn cây phục vụ thí nghiệm: Khi cây được gieo ươm đã nảy mầm và có khả năng sinh trưởng phát triển bình thường, căn cứ vào chiều cao và số

lá đã ra nhóm nghiên cứu lựa chọn các cây có mức sinh trưởng tương đương nhau đem cấy vào các ô thí nghiệm (plot) đã được chuẩn bị sẵn để tiến hành nghiên cứu Trong mỗi ô nghiên cứu, nhóm nghiên cứu tiến hành cấy cây với số lượng cây khác nhau mức độ khác nhau được thể hiện ở 3 mức:

+ Mức 1: mỗi ô thí nghiệm có 35 cây + Mức 2: Mỗi ô thí nghiệm có 50 cây + Mức 3: Mỗi ô thí nghiệm có 100 cây

Bước 5: Áp dụng biện pháp bón phân khác nhau: Trên mỗi khối của thí nghiệm tiến hành bón phân và đảm bảo sao cho mỗi mức mật độ ở mỗi khối đều có

3 mức độ bón phân khác nhau: Mức bón phân 1: Không bón phân, Mức bón phân 2: bón 0,1kg phân NPK, Mức bón phân 3: bón 0,2kg phân NPK

Bước 6: Thu thập số liệu: Tiến hành chăm sóc cây trên các plot và định kỳ 02 tháng thu thập số liệu về chiều cao của cây

Sơ đồ thí nghiệm theo kiểu khối ngẫu nhiên đầy đủ được thể hiện theo sơ đồ sau:

Hình 3.3: Sơ đồ thí nghiệm khối ngẫu nhiên đầy đủ (3 khối)

Trong đó: A là mức bón phân:

+ A1: Không bón phân + A2: Bón 0,1kg phân NPK + A3: Bón 0,2kg phân NPK

B là mật độ cây trồng trong từng ô thí nghiệm:

+ B1: Trong ô thí nghiệm có 35 cây trồng + B2: Trong ô thí nghiệm có 50 cây trồng + B3: Trong ô thí nghiệm có 100 cây trồng

Tiến hành chăm sóc, định kỳ mỗi tháng lấy số liệu 1 lần và được ấn định vào ngày 15 hàng tháng

A1 B2

A1 B3

A2 B1

A2 B3

A3 B1

A3 B2

A1 B3

A2 B1

A3 B2

A1 B2

A1 B1

A2 B2

A2 B3

A3 B1

A3 B3

A2 B3

A1 B3

A2 B1

A2 B1

A1 B1

A3 B2

Khối 1

Khối 2

Khối 3

3.2.3 Xây dựng mô hình thí nghiệm theo kiểu ô vuông la tinh

Lựa chọn mô hình

Một ứng dụng quan trọng của phương pháp phân tích phương sai ba nhân tố là việc phân tích các kết quả thí nghiệm được bố trí theo kiểu ô vuông la tinh Trong trường hợp bố trí theo khối thì số công thức có thể nhiều hoặc ít hơn số khối và khi phân tích người ta có thể bỏ qua sự sai khác giữa các cột Ở thí nghiệm đồng ruộng thì người ta có thể bỏ qua sự khác nhau giữa các nền đất mà trên đó tiến hành làm các thí nghiệm khác nhau Trong trường hợp số khối luôn luôn bằng số công thức thí nghiệm (số lần lặp bằng

số công thức thí nghiệm) ta gọi là bố trí theo ô vuông la tinh

Bố trí thí nghiệm theo phương pháp ô vuông la tinh chưa được áp dụng cho các mô hình thí nghiệm trong các đề tài nghiên cứu khoa học tại Việt Nam đặc biệt

là các thí nghiệm trong lâm nghiệp Nhóm nghiên cứu đã không tiến hành đi thu thập mẫu mà tự tiến hành xây dựng mô hình thí nghiệm theo kiểu ô vuông la tinh Thí nghiệm được xây dựng làm mẫu là thí nghiệm so sánh sinh trưởng của cây Muồng hoàng yến theo chế độ bón phân khác nhau

Giới thiệu mô hình

Mô hình thí nghiệm theo kiểu ô vuông la tinh được nhóm nghiên cứu xây dựng theo các bước sau:

Bước 1: Chuẩn bị hạt gieo và ươm cây: Chọn lô hạt giống có cùng một xuất

xứ cây mẹ, tiến hành sơ tuyển và xử lý trước khi gieo cây

Bước 2: Gieo cây ra nền đất và đợi cây nảy mầm: Tiến hành gieo cây trên nền đất và chăm sóc hàng ngày

Bước 3: Xây dựng các ô thí nghiệm: Theo dạng hình bàn cờ với mỗi ô thí nghiệm có diện tích bằng nhau và được ngăn khoảng cách bằng một tấm kính được chôn dưới đất theo đường ranh giới của các ô vuông Tổng cộng có 16 ô thí nghiệm được xếp theo hình bàn cờ với diện tích mỗi ô là 1m2 Trong các ô thí nghiệm đất đã được chuẩn bị và đảm bảo rằng đặc điểm về tính chất lý hóa học không có sự khác biệt

Bước 4: Tuyển chọn cây phục vụ thí nghiệm: Khi cây được gieo ươm đã nảy mầm và có khả năng sinh trưởng phát triển bình thường, căn cứ vào chiều cao và số

lá đã ra nhóm nghiên cứu lựa chọn các cây có mức sinh trưởng tương đương nhau đem cấy vào các ô thí nghiệm (plot) đã được chuẩn bị sẵn để tiến hành nghiên cứu

Bước 5: Cấy cây vào các Plot trên thí nghiệm theo kiểu ô vuông la tinh: Lựa chọn cây có đặc điểm về sinh trưởng giống nhau (Cùng chiều cao, số lá và chất lượng cây giống nhau) và cấy cây vào các Plot Việc cấy cây cần phải đảm bảo cây sống tốt, tránh bị chết sau khi cấy Số lượng cây khi cây trên từng plot giống nhau

về số lượng và số lượng cây trên mỗi plot phải đảm bảo lớn hơn 40 cây/plot

Bước 6: Chăm sóc cây trên mỗi plot của mỗi khối theo những chế độ khác nhau Chế độ chăm sóc ở đây là chế độ tưới phân, tiến hành tưới phân chăm sóc cho các plot Nhóm nghiên cứu tiến hành tưới phân cho các plot khác nhau Cụ thể được thể hiện ở bảng sau:

Bảng 3.1: Sơ đồ bố trí thí nghiệm theo kiểu ô vuông la tinh

Trong đó: - A là plot tưới nước thường

- B là plot tưới phân 1 tuần/lần

- C là plot tưới phân 2 tuần/lần

- D là plot tưới phân 3 tuần/lần Tiến hành chăm sóc và bảo vệ mô hình, định kỳ 1 tháng tiến hành đo đếm chỉ tiêu sinh trưởng của cây một lần

Chương 4 KẾT QUẢ NGHIÊN CỨU 4.1 Xây dựng quy trình sàng lọc và xử lý số liệu trước khi đưa vào phân tích

Dữ liệu sau khi nhập xong thường chưa thể đưa ngay vào xử lý và phân tích

vì có thể có nhiều lỗi do các nguyên nhân:

- Chất lượng của số liệu: do khách quan, số liệu thu thập có nhiều sai sót như

sự nhầm lẫn của người thu thập về đơn vị, do thu thập sai, đối tượng mẫu không nằm trong mục đích nghiên cứu

- Lỗi do nhập dữ liệu: Dữ liệu bị nhập sai, sót số liệu hoặc thừa số liệu

Để tránh khỏi sự sai sót không đáng có trong quá trình phân tích và nhằm thu được kết quả chính xác nhất, sau khi thu thập được số liệu ngoài thực địa cần phải

có một bước sàng lọc số liệu Việc sàng lọc số liệu trước khi đưa vào phân tích là một việc không thể thiếu trong xử lý và phân tích số liệu trong lâm nghiệp

4.1.1 Lựa chọn quy trình sàng lọc số liệu

Trong quá trình nghiên cứu về SPSS và R ta thấy rằng phần mềm R không có bảng cơ sở dữ liệu, việc phân tích chủ yếu sử dụng các lệnh do người sử dụng nhập vào chính vì vậy, việc sàng lọc số liệu trước khi đưa vào phân tích số liệu có thể coi

là không có Tuy nhiên việc xây dựng một quy trình lệnh để đưa ra các số liệu nghi ngờ là hoàn toàn có thể thực hiện được (cần chú ý rằng phầm mềm R chỉ ra số liệu nghi ngờ chứ không có khả năng loại bỏ như trong SPSS) Chính vì lý do này, trong nội dung này luận văn chỉ trình bày các phương pháp sàng lọc số liệu trong SPSS

4.1.1.1 Các phương pháp sàng lọc số liệu trong SPSS

Có nhiều phương pháp sàng lọc số liệu trong phần mềm SPSS Có thể tổng hợp các phương pháp này như sau:

+ Phương pháp dùng bảng tần số: Sử dụng bảng tần số (Frequencies) trong

SPSS để thiết lập cho các biến muốn sàng lọc số liệu Dựa vào bảng tần số ta tìm

được các số liệu nghi ngờ, sau đó sử dụng lệnh Find tìm và sửa lỗi ngay trên bảng

số liệu trên bảng số liệu của SPSS

Ưu nhược điểm: Phương pháp này có ưu điểm là đơn giản, dễ thực hiện

Nhưng phương pháp này tương đối thủ công, phát hiện được ít lỗi, khó áp dụng khi

số lượng dữ liệu lớn và nhiều thông tin phức tạp

+ Phương pháp dùng bản phối hợp hai hay nhiều biến: Tiến hành lập bảng

kết hợp biến rồi dựa vào các quan hệ giữa các biến với nhau để phát hiện ra lỗi Sau

đó sử dụng lệnh Select case để loại bỏ số liệu nghi ngờ

Ưu nhược điểm: Phương pháp này có ưu điểm là phát hiện được nhiều lỗi hơn, có thể sử dụng được trong việc nghiên cứu với số lượng dữ liệu lớn Nhược điểm của phương pháp là khá phức tạp, đòi hỏi phải có kinh nghiệm mới có thể sử dụng được

+ Phương pháp tìm lỗi đơn giản: Dựa vào lệnh Sort Case để tìm những lỗi

đơn giản ngay trên cửa sổ dữ liệu Phương pháp này khá đơn giản và dễ thực hiện nhưng giống như phương pháp dùng bảng tần số phương pháp này chỉ phù hợp với dạng số liệu nhỏ ít dữ liệu

+ Phương pháp tìm lỗi bằng lệnh thống kê mô tả với thủ tục Explore: Về bản

chất thủ tục Explore được thực hiện để: 1) tính toán các đại lượng thống kê mô tả

cho tất cả các trường hợp; 2) Nhận diện các giá trị khác biệt; 3) Tính toán các giá trị thập phân của phân phối biến; 4) Tạo biểu đồ Lợi dụng chức năng nhận diện

các giá trị khác biệt của thủ tục Explore ta có thể xác định được các trị số, số liệu nghi ngờ trong bộ số liệu đem xử lý

Nhận xét: Có thể thấy rằng có rất nhiều phương pháp sàng lọc số liệu trên

phần mềm SPSS, điều quan trọng cho người sử dụng đó là sử dụng như thế nào và trong điều kiện nào để có thể thu thập được số liệu một cách tốt nhất Các phương pháp nêu trên chủ yếu được sử dụng trong việc tìm lỗi đơn giản và phát hiện ra những lỗi do nhập sai số liệu Vì vậy để sàng lọc số liệu cần phải kết hợp các phương pháp này lại với nhau để tìm ra những số liệu có sự sai khác và số liệu nghi ngờ có thực sự cần thiết phải loại bỏ trong quá trình tính toán

4.1.1.2 Các căn cứ để xây dựng quy trình sàng lọc số liệu

Bất cứ ai làm khoa học thực nghiệm cũng từng trải qua các dữ liệu mà thoạt đầu mới nhìn qua thì có vẻ lạ lùng, nhiều người đã vội đưa ra đánh giá đó là số liệu