Sách về sinh thái thống kê?

Tôi biết câu hỏi này đã được hỏi trước đây: Sách tham khảo cho nghiên cứu sinh thái nhưng nó không phải là thứ tôi đang tìm kiếm.

Những gì tôi đang tìm kiếm là nếu bất cứ ai có thể giới thiệu một cuốn sách tốt (hoặc một tài liệu tham khảo chính tắc) về sinh thái thống kê? Tôi có một sự hiểu biết rất tốt về thống kê để cuốn sách thực sự có thể ở bất kỳ cấp độ nào. Tôi sẽ sử dụng cuốn sách để dạy bản thân nhiều hơn về ứng dụng thống kê trong sinh thái học hơn bất cứ điều gì khác vì vậy ngay cả một cuốn sách giới thiệu với các ví dụ hay / thú vị cũng sẽ được đánh giá cao. Ngoài ra, nghiên cứu của tôi có xu hướng hướng đến thống kê Bayes vì ​​vậy một cuốn sách kết hợp thống kê Bayes thậm chí còn tốt hơn!

Một số cuốn sách hay mà cá nhân tôi muốn giới thiệu là:

• Hilborn & Mangel (1997) Thám tử sinh thái: đối đầu với các mô hình với dữ liệu . Nhà xuất bản Đại học Princeton.

  Đây là nhiều hơn về thống kê với các ví dụ sinh thái, nhưng không có gì sai về điều đó. Điều này sẽ mang lại một hương vị tốt về cách thống kê có thể được sử dụng trong sinh thái học. Lưu ý ngày; nó sẽ không bao gồm một số phát triển hoặc ứng dụng gần đây.

• M. Henry H. Stevens (2009) Một Primer Sinh thái với R . Mùa xuân.

  Có lẽ quá cơ bản và không đặc biệt về bất cứ điều gì không gian, nhưng nó bao gồm các chủ đề khác nhau mà chúng tôi dạy các nhà sinh thái học và minh họa lý thuyết và mô hình sinh thái với mã R.

• BM Bolker (2008) Mô hình sinh thái và dữ liệu trong R . Nhà xuất bản Đại học Princeton.

  Tôi yêu cuốn sách này. Nó bao gồm các chủ đề bạn sẽ quen thuộc với nền tảng số liệu thống kê của bạn nhưng được áp dụng trong bối cảnh sinh thái. Nhấn mạnh vào các mô hình phù hợp và tối ưu hóa chúng từ các nguyên tắc cơ bản sử dụng mã R.

• James S. Clark (2007) Mô hình cho dữ liệu sinh thái: giới thiệu . Nhà xuất bản Đại học Princeton.

  Đừng bỏ qua phần "giới thiệu" trong tiêu đề; đây là bất cứ điều gì ngoài một giới thiệu. Phạm vi bao phủ rộng, nhiều lý thuyết, nhấn mạnh vào các mô hình phù hợp bằng cách sử dụng các phương pháp tiếp cận Bayes (hướng dẫn sử dụng phòng thí nghiệm R thảo luận về việc viết mẫu lấy mẫu Gibbs của riêng bạn chẳng hạn!)

Không phải là một cuốn sách, nhưng tôi sẽ thêm nó khi bạn đề cập cụ thể đến sự quan tâm của bạn đối với Quy trình Gaussian. Hãy xem tích hợp xấp xỉ Nestlace Laplace (INLA), có một trang web . Nó là một gói R và có rất nhiều ví dụ để chơi. Nếu bạn xem Câu hỏi thường gặp của họ, bạn sẽ tìm thấy một số bài viết mô tả cách tiếp cận, đặc biệt:

H. Rue, S. Martino và N. Chopin. Suy luận Bayes gần đúng cho các mô hình Gaussian tiềm ẩn bằng cách sử dụng các xấp xỉ Laplace lồng nhau tích hợp (có thảo luận). Tạp chí của Hiệp hội Thống kê Hoàng gia, Sê-ri B, 71 (2): 319 {392, 2009. (PDF có sẵn tại đây ).

Một số sách sinh thái tốt dựa trên thống kê Bayes là:

Kery, M. 2010. Giới thiệu về WinBUGS cho các nhà sinh thái học: Phương pháp tiếp cận Bayes với hồi quy, ANOVA, mô hình hỗn hợp và các phân tích liên quan . Báo chí học thuật.

Kery, M. và M. Schaub. 2011. Phân tích dân số Bayes sử dụng WinBUGS: Một viễn cảnh phân cấp . Báo chí học thuật.

Royle, JA và RM Dorazio. 2008 Mô hình hóa phân cấp và suy luận trong sinh thái học: Phân tích dữ liệu từ các quần thể, siêu dữ liệu và cộng đồng . Báo chí học thuật

Tôi cũng tìm thấy Zuur et al. (2009) rất hữu ích.

Zuur, A., EN Ieno, N. Walker, AA Saveliey và GM Smith. Tác dụng mô hình hỗn hợp và mở rộng trong sinh thái với R . Mùa xuân.

Jack Weiss (có thể ông yên nghỉ ) là một nhà thống kê được đào tạo xuất sắc và cũng thực sự nắm bắt tốt các nguyên tắc sinh thái / môi trường. Ông phục vụ như một nhà tư vấn thống kê vô giá cho các nhà khoa học sinh thái / môi trường trên khắp Hoa Kỳ và thậm chí trên toàn cầu.

Mặc dù anh ấy không có bất kỳ cuốn sách nào tôi biết, ghi chú khóa học của anh ấy vẫn có sẵn trực tuyến :

1. Phương pháp thống kê trong sinh thái học [hoặc phiên bản 2012 ]

   Khóa học:Đây là một khóa học về mô hình thống kê cho các nhà sinh thái học và họ hàng của họ. Chúng tôi tập trung vào các phương pháp thống kê cơ bản, chủ yếu là hồi quy và mô tả cách chúng có thể được mở rộng để làm cho chúng phù hợp hơn để phân tích dữ liệu sinh thái. Các tiện ích mở rộng này bao gồm sử dụng các mô hình xác suất thực tế hơn (ngoài phân phối bình thường) và tính toán cho các tình huống trong đó các quan sát không độc lập thống kê. Đối với mỗi mô hình, chúng tôi xem xét chúng tôi sẽ xem cách ước tính nó bằng cả phương pháp thường xuyên (khi có thể) và phương pháp Bayes. Nhấn mạnh của chúng tôi ở đây là về chiều sâu chứ không phải chiều rộng. (Khóa học sau đại học khác mà tôi dạy, ECOL 562, là một khóa khảo sát bao gồm nhiều phương pháp thống kê hữu ích trong khoa học môi trường. Khóa học này tập trung vào 40% tài liệu từ khóa học đó nhưng bao quát sâu hơn.)

   Làm quen với các phương pháp tham số tiêu chuẩn của phân tích thống kê, chẳng hạn như kiểm tra giả thuyết được giả định. Khóa học nhằm phục vụ như là một sự chuyển tiếp giữa những gì thường được dạy trong một khóa học thống kê đại học và những gì thực sự cần thiết để phân tích thành công dữ liệu trong sinh thái học và khoa học môi trường. Người đăng ký lý tưởng là một sinh viên đại học hoặc bắt đầu tốt nghiệp cấp trên, người đã tham gia một khóa học thống kê giới thiệu và mong muốn thấy ứng dụng hiện đại của thống kê vào khoa học môi trường và sinh thái. Các chủ đề bao gồm:

   - Basic concepts in regression: categorical predictors and interactions
   - Statistical distributions important in ecological modeling: binomial, Poisson, negative binomial, normal, lognormal, gamma
   - Likelihood theory and its applications in regression
   - Bayesian approaches to model fitting
   - Model selection protocols: Information-theoretic alternatives to significance testing
   - Generalized linear models: Poisson regression, negative binomial regression, logistic regression, gamma regression
   - Mixed effects models for analyzing temporally and spatially correlated data
     - Random intercepts and slopes models
     - Multilevel models with 2 and 3 levels
     - Hierarchical Bayesian modeling
     - Nonlinear mixed effects models
     - Mixed effects models with nested and crossed random effects
     - Hybrid mixed effects models with multivariate responses
   

2. Thống kê cho Khoa học môi trường [hoặc một năm 2007 ; Phiên bản 2012 ]

   Khóa học:Giới thiệu về phương pháp thống kê cho sinh thái và khoa học môi trường. Đây là một khóa học chủ đề. Sự nhấn mạnh của chúng tôi ở đây là về chiều rộng hơn là chiều sâu. (Khóa học sau đại học khác mà tôi dạy có cách tiếp cận chuyên sâu về các chủ đề được đề cập trong phần ba đầu tiên của khóa học này.) Làm quen với các phương pháp tham số tiêu chuẩn của phân tích thống kê, chẳng hạn như kiểm tra giả thuyết. Khóa học nhằm phục vụ như là một sự chuyển tiếp giữa những gì thường được dạy trong một khóa học thống kê đại học và những gì thực sự cần thiết để phân tích thành công dữ liệu trong sinh thái học và khoa học môi trường. Người đăng ký lý tưởng là một sinh viên đại học hoặc bắt đầu tốt nghiệp cấp trên, người đã tham gia một khóa học thống kê giới thiệu và mong muốn thấy ứng dụng hiện đại của thống kê vào khoa học môi trường và sinh thái. Các chủ đề bao gồm:

   - Overview of regression
   - Likelihood theory and its applications in regression
   - Generalized linear models
   - Analysis of temporally correlated data
   - Mixed effects models
   - Generalized estimating equations
   - Bayesian methods
   - Generalized additive models
   - Survey sampling methods
   - Machine learning methods
   - Survival analysis
   - Contingency table analysis
   - Analysis of extreme values
   - Structural equation models
   

3. Thống kê Sinh thái & Tiến hóa

   Mô tả khóa học: Đây là một khóa học về mô hình thống kê cho các nhà sinh thái học và họ hàng của họ. Chúng tôi tập trung vào các phương pháp thống kê cơ bản, chủ yếu là hồi quy và mô tả cách chúng có thể được mở rộng để làm cho chúng phù hợp hơn để phân tích dữ liệu sinh thái. Các tiện ích mở rộng này bao gồm sử dụng các mô hình xác suất thực tế hơn (ngoài phân phối bình thường) và tính toán cho các tình huống trong đó các quan sát không độc lập thống kê. Các chủ đề bao gồm:

   - Experiments in ecology
   - Statistical distributions important in ecological modeling: binomial, Poisson, negative binomial, normal, lognormal, gamma, and exponential
   - Likelihood theory and its applications in regression
   - Bayesian approaches to model fitting
   - Model selection protocols: Information-theoretic alternatives to significance testing
   - Generalized linear models: Poisson regression, negative binomial regression, logistic regression, and others
   - Regression models for temporally and spatially correlated data: random coefficient models (multilevel models) and hierarchical Bayesian modeling
   

4. Sinh thái học 145 Phân tích thống kê

   ECOL 145 được dự định là một giới thiệu mạnh mẽ để phân tích dữ liệu sinh thái. Đối tượng mục tiêu của nó bao gồm các sinh viên tốt nghiệp có động lực cao và sinh viên đại học ở các ngành liên quan đến sinh học, những người lý tưởng có dữ liệu của riêng họ để phân tích. Đây là một khóa học thực hành nghiêm túc, không phù hợp cho những người giãn nở hoặc những người muốn chỉ kiểm toán và quan sát. Chúng tôi tập trung vào việc sử dụng hai gói thống kê hiện đại, R và WinBUGS, và sử dụng chúng để giải quyết các tập dữ liệu thực với tất cả các bộ phận của chúng. Bạn càng tiến hành nghiên cứu và phân tích dữ liệu của riêng bạn thì khóa học này càng hữu ích.

   Quan điểm của khóa học là các mô hình xác suất được coi là cơ chế tạo dữ liệu tốt nhất và theo quan điểm này, chúng tôi sử dụng các phương pháp dựa trên khả năng để trực tiếp mô hình hóa dữ liệu sinh thái. Các bộ dữ liệu là từ các tài liệu được xuất bản, từ các dự án tư vấn của riêng tôi, hoặc được cung cấp bởi các sinh viên đang theo học khóa học. Nếu bạn có dữ liệu cần phân tích, bạn có thể gửi nó cho tôi để sử dụng trong các bài tập trong lớp. Các chủ đề bao gồm:

   - Statistical distributions important in ecological modeling: binomial, Poisson, negative binomial, normal, lognormal, gamma, and exponential
   - Likelihood theory and its applications in regression
   - Generalized linear models: Poisson regression, negative binomial regression, logistic regression, and others
   - The perils of significance testing—multiple comparison adjustments and the false discovery rate
   - Model selection protocols: likelihood ratio tests, Wald tests, and information-theoretic alternatives to significance testing
   - Goodness of fit for GLMs: deviance statistics, extensions of R2, Pearson chi-square approaches
   - Regression models for temporally and spatially correlated data: random coefficient models (multilevel models) and the method of generalized estimating equations
   - Bayesian approaches to data analysis
   - Hierarchical Bayesian modeling using WinBUGS and R
   

Tôi chắc chắn có rất nhiều sự trùng lặp giữa các khóa học, nhưng ghi chú của anh ấy (và mã R) có sẵn cho mỗi khóa học này và sẽ chứng minh là rất hữu ích cho hầu hết mọi người truy cập bài đăng này.