Книги зі статистичної екології?

Я знаю, що це питання було задано раніше: Довідник з екологічних досліджень, але це не те, що я шукаю.

Що я шукаю, якщо хтось може порекомендувати гарну книгу (або канонічну довідку) про статистичну екологію? Я дуже добре розумію статистику, щоб книга могла бути справді на будь-якому рівні. Я б використовував книгу, щоб навчити себе більше щодо застосування статистики в екології, ніж будь-що інше, тому навіть вступна книга з хорошими / цікавими прикладами була б вдячна. Крім того, моє дослідження, як правило, спрямоване на байєсівську статистику, тому книга, що містить байєсівську статистику, ще краща!

Деякі хороші книги, які я особисто рекомендував би:

• Hilborn & Mangel (1997) Екологічний детектив: протистояння моделей із даними . Прінстонський університетський прес.

  Це більше про статистику з екологічними прикладами, але в цьому немає нічого поганого. Це дало б гарний аромат того, як можна використовувати статистику в екології. Відзначте дату; він не буде охоплювати деякі новітні розробки чи програми.

• М. Генрі Х. Стівенс (2009) Підручник екології з R . Спрингер.

  Можливо, занадто базовий і не особливо в чомусь просторовому, але він охоплює різні теми, до яких ми навчатимемо екологів, і ілюструє екологічну теорію та моделі з кодом R

• BM Bolker (2008) Екологічні моделі і даних в R . Прінстонський університетський прес.

  Я люблю цю книгу. Він охоплює теми, які ви будете знайомі з урахуванням статистики, але застосованої в екологічному контексті. Наголос на примірці моделей та оптимізації їх за основними принципами з використанням коду R.

• Джеймс С. Кларк (2007) Моделі екологічних даних: вступ . Прінстонський університетський прес.

  Не відкладайте "вступ" у назві; це все, крім вступу. Широке охоплення, безліч теорій, акцент на примірних моделях вручну, використовуючи байєсівські підходи (керівник посібника з лабораторії R обговорює написання власних пробовідбірників Гіббса!)

Не книга, але я додам це, коли ви конкретно згадуєте про свій інтерес до Гауссових процесів. Ознайомтеся з інтегрованим наближеним наближенням Лапласа (INLA), який має веб-сайт . Це пакет R і має безліч прикладів, з якими можна грати. Якщо ви подивитесь на їх поширені запитання, ви знайдете кілька робіт, що описують підхід, зокрема:

Х. Рю, С. Мартино та Н. Шопен. Орієнтовний байєсівський висновок для прихованих гауссових моделей з використанням інтегрованих вкладених наближень Лапласа (з обговоренням) Журнал Королівського статистичного товариства, серія B, 71 (2): 319 {392, 2009. (PDF доступний тут ).

Деякі хороші книги з екології, що базуються в статистиці Байєса:

Kery, M. 2010. Вступ до WinBUGS для екологів: байєсівський підхід до регресії, ANOVA, змішані моделі та пов'язані з ними аналізи . Академічна преса.

Кері, М. та М. Шауб. 2011. Байєсівський аналіз населення за допомогою WinBUGS: Ієрархічна перспектива . Академічна преса.

Ройл, Дж. Дж. І Р. М. Доразьо. 2008. Ієрархічне моделювання та умовиводи в екології: аналіз даних про населення, метапопуляції та спільноти . Академічна преса

Я також знаходжу Zuur та ін. (2009) дуже корисно.

Зуур, А.Н., Ієно, Н. Уокер, А. А. Савелій, Г. М. Сміт. Змішані ефекти Модель і розширення в області екології з R . Спрингер.

Джек Вайс (нехай він спокійно відпочиває ) був відмінним кваліфікованим статистиком, який також справді добре розумів екологічні / екологічні принципи. Він виступав як неоціненний консультант з питань статистики для вчених з питань екології / навколишнього середовища в США та навіть у всьому світі.

Хоча у нього немає жодної книги, про яку я знаю, його курсові записки все ще доступні в Інтернеті :

1. Статистичні методи в екології [або версія 2012 року ]

   Опис курсу:Це курс статистичного моделювання для екологів та їх родичів. Ми зосереджуємось на елементарних статистичних методах, насамперед регресії, та описуємо, як їх можна розширити, щоб зробити їх більш доцільними для аналізу екологічних даних. Ці розширення включають використання більш реалістичних моделей ймовірностей (за межами звичайного розподілу) та облік ситуацій, коли спостереження не є статистично незалежними. Для кожної розглянутої нами моделі ми побачимо, як оцінити її, використовуючи як часті (коли це можливо), так і байєсовські методи. Наш акцент тут робиться на глибині, а не на ширині. (Інший аспірантурний курс, який я викладаю, ECOL 562 - це курс опитування, який охоплює широкий спектр статистичних методів, корисних у науці про навколишнє середовище. Цей курс зосереджується на 40% матеріалу цього курсу, але висвітлює його в більшій глибині.)

   Передбачається ознайомлення зі стандартними параметричними підходами статистичного аналізу, такими як тестування гіпотез. Курс призначений для переходу між тим, що зазвичай викладається на бакалаврському курсі статистики, і тим, що насправді потрібно для успішного аналізу даних з екології та екологічних наук. Ідеальний абітурієнт - це студент вищого рівня або аспірант, який вже пройшов вступний курс статистики та бажає побачити сучасне застосування статистики в екологічній науці та екології. Теми включають:

   - 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. Статистика екологічних наук [або 2007 ; Версія 2012 ]

   Опис курсу:Вступ до статистичних методів екології та екологічних наук. Це тематичний курс. Наш акцент тут робиться на ширину, а не глибину. (Інший випускний курс, який я викладаю, поглиблено підходить до тем, що висвітлюються в першій третині цього курсу.) Передбачається ознайомлення зі стандартними параметричними підходами статистичного аналізу, такими як тестування гіпотез. Курс призначений для переходу між тим, що зазвичай викладається на бакалаврському курсі статистики, і тим, що насправді потрібно для успішного аналізу даних з екології та екологічних наук. Ідеальний абітурієнт - студент вищого рівня або аспірант, який вже пройшов вступний курс статистики та бажає побачити сучасне застосування статистики в науці про навколишнє середовище та екології. Теми включають:

   - 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. Статистика екології та еволюції

   Опис курсу: Це курс статистичного моделювання екологів та їхніх споріднених. Ми зосереджуємось на елементарних статистичних методах, насамперед регресії, та описуємо, як їх можна розширити, щоб зробити їх більш доцільними для аналізу екологічних даних. Ці розширення включають використання більш реалістичних моделей ймовірностей (за межами звичайного розподілу) та облік ситуацій, коли спостереження не є статистично незалежними. Теми включають:

   - 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. Екологія 145 - статистичний аналіз

   ECOL 145 призначений для інтенсивного вступу до аналізу екологічних даних. Його цільова аудиторія складається з високомотивованих аспірантів та випускників вищого рівня з біологічно пов’язаних дисциплін, які в ідеалі мають власні дані для аналізу. Це серйозний практичний курс, який не підходить для дилетантів або тих, хто хоче просто перевірити та спостерігати. Ми зосереджуємось на використанні двох сучасних статистичних пакетів, R та WinBUGS, і використовуємо їх для вирішення реальних наборів даних з усіма їхніми уявленнями. Чим ближче ви до власного дослідження та аналізу власних даних, тим кориснішим виявиться цей курс.

   Перспектива курсу полягає в тому, що ймовірнісні моделі найкраще розглядати як механізми генерування даних, і відповідно до цієї точки зору ми використовуємо методи, засновані на вірогідності, безпосередньо моделювати екологічні дані. Набори даних складаються з опублікованої літератури, з моїх власних консультаційних проектів або надаються студентами, які навчаються на курсі. Якщо у вас є дані, які потрібно проаналізувати, ви можете надіслати їх мені для використання в заняттях. Теми включають:

   - 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
   

Я впевнений, що між курсами існує суперечливість, але його замітки (та код R) доступні для кожного з цих курсів і повинні виявитись дуже корисними для більшості людей, які відвідують цю посаду.