Książki o ekologii statystycznej?

Wiem, że to pytanie zostało zadane wcześniej: Podręcznik do badań ekologicznych, ale nie tego szukam.

To, czego szukam, to czy ktoś mógłby polecić dobrą książkę (lub odniesienie kanoniczne) na temat ekologii statystycznej? Bardzo dobrze rozumiem statystyki, więc książka mogłaby naprawdę być na każdym poziomie. Korzystałbym z tej książki, aby nauczyć się więcej o stosowaniu statystyki w ekologii niż o czymkolwiek innym, więc doceniłabym nawet książkę wprowadzającą z dobrymi / interesującymi przykładami. Poza tym moje badania koncentrują się na statystykach bayesowskich, więc książka zawierająca statystyki bayesowskie jest jeszcze lepsza!

Niektóre dobre książki, które osobiście poleciłbym to:

• Hilborn & Mangel (1997) The Ecological Detective: konfrontowanie modeli z danymi . Princeton University Press.

  Ten dotyczy bardziej statystyk z przykładami ekologicznymi, ale nie ma w tym nic złego. Dałoby to dobry smak jak statystyki mogłyby być stosowane w ekologii. Zanotuj datę; nie obejmie niektórych nowszych wersji ani aplikacji.

• M. Henry H. Stevens (2009) Primer Ekologii R . Skoczek.

  Być może zbyt podstawowy i niezbyt konkretny w żadnej przestrzeni, ale obejmuje różne tematy, których nauczalibyśmy ekologów i ilustruje teorię i modele ekologiczne kodem R.

• BM Bolker (2008) modele ekologiczne i danych w R . Princeton University Press.

  Kocham tę książkę. Obejmuje tematy, które znasz, biorąc pod uwagę twoje statystyki, ale stosowane w kontekście ekologicznym. Nacisk na dopasowanie modeli i optymalizację ich w oparciu o podstawowe zasady przy użyciu kodu R.

• James S. Clark (2007) Modele danych ekologicznych: wprowadzenie . Princeton University Press.

  Nie zniechęcaj się „wstępem” w tytule; to nic innego jak wstęp. Szeroki zasięg, dużo teorii, nacisk na dopasowanie modeli ręcznie przy użyciu podejść bayesowskich (na przykład w podręczniku R lab omówiono pisanie własnych samplerów Gibbs!)

Nie jest to książka, ale dodam to, ponieważ wyraźnie wspominasz o swoim zainteresowaniu procesami gaussowskimi. Spójrz na Integrated Nested Laplace Approximation (INLA), która ma stronę internetową . Jest to pakiet R i zawiera wiele przykładów do zabawy. Jeśli spojrzysz na często zadawane pytania , znajdziesz kilka artykułów opisujących to podejście, w szczególności:

H. Rue, S. Martino i N. Chopin. Przybliżone wnioskowanie bayesowskie dla ukrytych modeli Gaussa z wykorzystaniem zintegrowanych przybliżeń zagnieżdżonych Laplace'a (z dyskusją). Journal of Royal Statistics Society, Series B, 71 (2): 319 {392, 2009. (PDF dostępny tutaj ).

Niektóre dobre książki ekologiczne oparte na statystykach bayesowskich to:

Kery, M. 2010. Wprowadzenie do WinBUGS dla ekologów: Bayesowskie podejście do regresji, ANOVA, modele mieszane i powiązane analizy . Prasa akademicka.

Kery, M. i M. Schaub. 2011. Analiza populacji bayesowskiej przy użyciu WinBUGS: perspektywa hierarchiczna . Prasa akademicka.

Royle, JA i RM Dorazio. 2008. Modelowanie hierarchiczne i wnioskowanie w ekologii: analiza danych z populacji, metapopulacji i społeczności . Prasa akademicka

Znajduję również Zuur i in. (2009) bardzo przydatne.

Zuur, A., EN Ieno, N. Walker, AA Saveliey i GM Smith. Efekty mieszane modele i rozszerzenia w Ekologii R . Skoczek.

Jack Weiss (niech spoczywa w pokoju ) był doskonale wyszkolonym statystykiem, który również bardzo dobrze znał zasady ekologiczne / środowiskowe. Był nieocenionym konsultantem statystycznym dla naukowców zajmujących się ekologią / środowiskiem w całych Stanach Zjednoczonych, a nawet na całym świecie.

Chociaż nie ma on żadnych znanych mi książek, jego notatki z kursów są nadal dostępne online :

1. Metody statystyczne w ekologii [lub wersja z 2012 r. ]

   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
   

2. Statystyka dla nauk o środowisku [lub 2007 ; Wersja 2012 ]

   Opis kursu:Wprowadzenie do metod statystycznych w zakresie ekologii i nauk o środowisku. To jest kurs tematyczny. Kładziemy nacisk na szerokość, a nie głębokość. (Drugi kurs magisterski, który prowadzę, dogłębnie podchodzi do tematów omówionych w pierwszej trzeciej części tego kursu.) Zakłada się, że znamy standardowe podejście parametryczne analizy statystycznej, takie 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 skutecznej analizy danych z ekologii i nauk o środowisku. Idealnym zapisanym jest student pierwszego stopnia lub początkujący, który już ukończył wstępny kurs statystyczny i chce zobaczyć nowoczesne zastosowanie statystyki w naukach o środowisku i ekologii. Tematy obejmują:

   - 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. Statystyka ekologii i ewolucji

   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. Tematy obejmują:

   - 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. Ekologia 145 — Analiza statystyczna

   ECOL 145 ma być intensywnym wprowadzeniem do analizy danych ekologicznych. Grupa docelowa składa się z wysoce zmotywowanych doktorantów i studentów wyższych klas kierunków biologicznych, którzy idealnie dysponują własnymi danymi do analizy. Jest to poważny, praktyczny kurs nieodpowiedni dla dyletantów lub tych, którzy chcą jedynie kontrolować i obserwować. Koncentrujemy się na wykorzystaniu dwóch nowoczesnych pakietów statystycznych, R i WinBUGS, i używamy ich do rozwiązywania prawdziwych zestawów danych ze wszystkimi ich wątkami. Im bliżej jesteś do przeprowadzenia własnych badań i analizy własnych danych, tym bardziej przydatny powinien być ten kurs.

   Perspektywa kursu jest taka, że ​​modele prawdopodobieństwa najlepiej traktować jako mechanizmy generujące dane i zgodnie z tym punktem widzenia używamy metod opartych na prawdopodobieństwie do bezpośredniego modelowania danych ekologicznych. Zbiory danych pochodzą z opublikowanej literatury, z moich własnych projektów konsultingowych lub są dostarczane przez studentów zapisanych na kurs. Jeśli masz dane, które musisz poddać analizie, możesz je przesłać mi do wykorzystania w ćwiczeniach klasowych. Tematy obejmują:

   - 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
   

Jestem pewien, że wiele kursów nakłada się na siebie, ale jego notatki (i kod R) są dostępne dla każdego z tych kursów i powinny okazać się bardzo przydatne dla większości osób odwiedzających ten post.