deletions | additions       diff --git a/subsubsection_M_todos_textit_rea__.tex b/subsubsection_M_todos_textit_rea__.tex  index 3631a20..737d4b0 100644  --- a/subsubsection_M_todos_textit_rea__.tex  +++ b/subsubsection_M_todos_textit_rea__.tex 
...
O modelo de ocupação para comunidades (multi-species occupancy model) foi elaborado de forma a representar três processos distintos, mas relacionados: presença ou ausência das espécies na metacomunidade, presença ou ausência das espécies na localidade amostrada e detecção ou não das espécies em cada período amostral (Dorazio and Royle 2005). Estes três processos são considerados de forma hierárquica no modelo, de modo que a detecção das espécies depende da ocupação das localidades por estas espécies, que por sua vez depende das espécies estarem presente no pool regional de espécies considerado como a metacomunidade (Dorazio et al. 2006). Como as ocasiões temporais de amostragem podem ser modeladas por covariáveis de detecção e também a ocupação de cada espécie também pode ser relacionada a covariáveis de ocupação, os modelos podem se tornar bastante complexos e com muitos parâmetros a serem estimados. Nestes casos, tem sido indicado o uso da abordagem bayesiana, onde os parâmetros destes modelos são mais facilmente estimados usando o algoritmo computacional Markov Chain Monte Carlo method (ou método MCMC). Entretanto, como no presente momento nós estamos construindo os modelos e buscando entender melhor esta abordagem, nós optamos por estimar o número de espécies por sítio a partir de um modelo básico, que não inclui nenhuma covariável. Desta forma, para estimar e avaliar a relação entre as variáveis dependentes e independentes, nós utilizamos a abordagem de verossimilhança, a qual é mais conhecida, relativamente mais simples e facilmente implementável em softwares estatísticos como o R (R Core Team 2014).   As variáveis dependentes (riqueza observada e estimada) foram relacionadas com as independentes (dois primeiros eixos da PCA da vegetação) por meio de um modelo linear generalizado (GLM) com distribuição dos erros Poisson, a qual é indicada para modelar variáveis dependentes que são contagens, como no nosso caso. Os modelos construídos para representar a relação entre as variáveis incluem relações lineares entre as variáveis dependentes e cada uma das variáveis independentes, além de um modelo onde a variável dependente possa ser relacionada com a soma dos efeitos das duas variáveis independentes. Além da relação linear entre riqueza de espécies e a estrutura da vegetação, é esperado também que a riqueza possa estar relacionada com a estrutura vegetacional por uma relação quadrática. Neste caso, a hipótese ecológica representada seria a de uma maior riqueza de espécies em estruturas de vegetação intermediárias e as áreas com estruturas menores e maiores com riquezas mais baixas. Assim, nós também construímos modelos em que cada uma das variáveis independentes se relacionam de forma quadrática com as variáveis dependentes, além de um modelo onde ambas as variáveis independentes possam se relacionar de forma quadrática com a variável dependente.  Para a seleção dos modelos que melhor representem a variação da riqueza observada e estimada em nossas amostras, nós utilizamos uma adaptação do critério de informação de Akaike (AIC), indicada para lidar com pequenas amostras (AICc). Este critério permite escolhermos o modelo que mais se aproxima do modelo “original” que possa ter gerado os dados, mesmo sendo este modelo desconhecido. Esta escolha é baseada na diferença dos AICc's entre os modelos concorrentes (deltaAICc), sendo o melhor modelo aquele que apresenta menor valor de AICc (deltaAICc=0). Outros modelos que apresentem deltaAICc igual ou menor que dois em comparação com o melhor, são considerados igualmente plausíveis e não devem ser descartados como possível explicação para os dados.\subsubsection{Resultados}  A análise da relação entre riqueza observada e as duas variáveis de estrutura da vegetação mostrou que a soma do efeito de ambas as variáveis explicam melhor a variação dos dados de riqueza observada. Este resultado foi obtido a partir da seleção dos modelos construídos para representar as relações entre a riqueza observada e as variáveis de estrutura da vegetação (Tabela \ref{table:tabela1}).  \begin{table}   \begin{tabular}{ l c c c }  \hline  Modelo & AICc & $\Delta \text{AIC}$ & df \\   \hline  N. obs. \~ PC1 + PC2 & 254.0 & 0 & 4 \\   N. obs. \~ PC1 + PC1^2 & 257.3 & 3.3 & 4 \\   N. obs. \~ PC2 + PC2^2 & 257.4 & 3.4 & 4\\   N. obs. \~ PC1 + PC1^2 + PC2 + PC2^2 & 259.7 & 5.7 & 6\\   N. obs. \~ PC2 & 316.0 & 62.0 & 2\\   N. obs. \~ PC1 & 318.5 & 64.5 & 2\\   N. obs. \~ Constante & 330.4 & 76.4 & 1   \hline  \end{tabular}   \label{table:tabela1}  \end{table}  Além disto, o melhor modelo previu uma relação linear entre a variável dependente e as variáveis independentes, sendo negativa a relação entre riqueza observada e a primeira variável de estrutura vegetacional (primeiro eixo da PCA) e positiva a relação entre riqueza observada e a segunda variável (segundo eixo da PCA) (Figura 2).