Opis kursu:Jest to kurs modelowania statystycznego dla ekologów i ich krewnych. Koncentrujemy się na elementarnych metodach statystycznych, przede wszystkim regresji, i opisujemy, jak można je rozszerzyć, aby były bardziej odpowiednie do analizy danych ekologicznych. Rozszerzenia te obejmują stosowanie bardziej realistycznych modeli prawdopodobieństwa (poza rozkładem normalnym) i uwzględnianie sytuacji, w których obserwacje nie są statystycznie niezależne. Dla każdego modelu, który rozważymy, zobaczymy, jak oszacować go przy użyciu metod częstych (jeśli to możliwe) i bayesowskich. Kładziemy nacisk na głębię, a nie na szerokość. (Drugi kurs magisterski, którego uczę, ECOL 562, to kurs ankietowy, który obejmuje szeroki zakres metod statystycznych przydatnych w naukach o środowisku. Kurs ten koncentruje się na 40% materiału z tego kursu, ale obejmuje go bardziej szczegółowo.)
Zakładana jest znajomość standardowych podejść parametrycznych do analizy statystycznej, takich jak testowanie hipotez. Kurs ma służyć jako przejście między tym, czego zwykle naucza się na kursie statystyki licencjackiej, a tym, co jest faktycznie potrzebne do pomyślnej analizy danych z ekologii i nauk o środowisku. Idealnym nabytkiem jest student pierwszego stopnia lub początkujący, który ukończył już wstępny kurs statystyczny i chce zobaczyć nowoczesne zastosowanie statystyki w naukach o środowisku i ekologii. Tematy obejmują:
- 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