Bücher zur statistischen Ökologie?

Ich weiß, dass diese Frage schon einmal gestellt wurde: Nachschlagewerk für ökologische Studien, aber es ist nicht das, wonach ich suche.

Was ich suche ist, ob jemand ein gutes Buch (oder eine kanonische Referenz) über statistische Ökologie empfehlen könnte? Ich habe ein sehr gutes Verständnis für Statistik, so dass das Buch wirklich auf jeder Ebene sein kann. Ich würde das Buch verwenden, um mir mehr über die Anwendung von Statistik in der Ökologie beizubringen als alles andere, daher wäre selbst ein Einführungsbuch mit guten / interessanten Beispielen sehr dankbar. Außerdem ist meine Forschung in der Regel auf Bayes'sche Statistiken ausgerichtet, sodass ein Buch mit Bayes'schen Statistiken noch besser ist!

Einige gute Bücher, die ich persönlich empfehlen würde, sind:

• Hilborn & Mangel (1997) The Ecological Detective: Modelle mit Daten konfrontieren . Princeton University Press.

  Hier geht es mehr um Statistiken mit ökologischen Beispielen, aber daran ist nichts auszusetzen. Dies würde einen guten Eindruck davon vermitteln, wie Statistiken in der Ökologie verwendet werden könnten . Notieren Sie das Datum; Einige der neueren Entwicklungen oder Anwendungen werden nicht behandelt.

• M. Henry H. Stevens (2009) A Primer für Ökologie mit R . Springer.

  Vielleicht zu grundlegend und nicht besonders räumlich, aber es behandelt die verschiedenen Themen, die wir Ökologen beibringen würden, und veranschaulicht die ökologische Theorie und Modelle mit R-Code.

• BM Bolker (2008) ökologische Modelle und Daten in R . Princeton University Press.

  Ich liebe dieses Buch. Es behandelt Themen, mit denen Sie aufgrund Ihres Statistikhintergrunds vertraut sind, die jedoch in einem ökologischen Kontext angewendet werden. Schwerpunkt auf der Anpassung von Modellen und deren Optimierung anhand von Grundprinzipien mithilfe von R-Code.

• James S. Clark (2007) Modelle für ökologische Daten: eine Einführung . Princeton University Press.

  Lassen Sie sich nicht von der "Einführung" im Titel abschrecken. Dies ist alles andere als eine Einführung. Breite Abdeckung, viel Theorie, Schwerpunkt auf der Anpassung von Modellen von Hand unter Verwendung von Bayes'schen Ansätzen (im Handbuch des R-Labors wird beispielsweise das Schreiben eigener Gibbs-Sampler besprochen!).

Kein Buch, aber ich werde dies hinzufügen, da Sie ausdrücklich Ihr Interesse an Gaußschen Prozessen erwähnen. Schauen Sie sich Integrated Nested Laplace Approximation (INLA) mit einer Website an . Es ist ein R-Paket und hat viele Beispiele zum Spielen. Wenn Sie sich die FAQ ansehen, finden Sie mehrere Artikel, die den Ansatz beschreiben, insbesondere:

H. Rue, S. Martino und N. Chopin. Ungefähre Bayes'sche Inferenz für latente Gauß'sche Modelle unter Verwendung integrierter verschachtelter Laplace-Näherungen (mit Diskussion). Zeitschrift der Royal Statistical Society, Reihe B, 71 (2): 319 {392, 2009. (PDF hier verfügbar ).

Einige gute Ökologiebücher, die auf Bayes'schen Statistiken basieren, sind:

Kery, M. 2010. Einführung in WinBUGS für Ökologen: Bayesianischer Ansatz zur Regression, ANOVA, gemischte Modelle und verwandte Analysen . Akademische Presse.

Kery, M. und M. Schaub. 2011. Bayesianische Bevölkerungsanalyse mit WinBUGS: Eine hierarchische Perspektive . Akademische Presse.

Royle, JA und RM Dorazio. 2008. Hierarchische Modellierung und Inferenz in der Ökologie: Die Analyse von Daten aus Populationen, Metapopulationen und Gemeinschaften . Akademische Presse

Ich finde auch Zuur et al. (2009) sehr nützlich.

Zuur, A., EN Ieno, N. Walker, AA Saveliey und GM Smith. Mixed Effects Modelle und Erweiterungen in der Ökologie mit R . Springer.

Jack Weiss (möge er in Frieden ruhen ) war ein hervorragend ausgebildeter Statistiker, der auch wirklich ein gutes Verständnis für ökologische / ökologische Prinzipien hatte. Er war ein unschätzbarer Statistikberater für Umwelt- und Umweltwissenschaftler in den USA und sogar weltweit.

Obwohl er keine mir bekannten Bücher hat, sind seine Kursnotizen immer noch online verfügbar :

1. Statistische Methoden in der Ökologie [oder eine Version von 2012 ]

   Kursbeschreibung:Dies ist ein Kurs in statistischer Modellierung für Ökologen und ihre Angehörigen. Wir konzentrieren uns auf elementare statistische Methoden, vor allem die Regression, und beschreiben, wie sie erweitert werden können, um sie für die Analyse ökologischer Daten besser geeignet zu machen. Diese Erweiterungen umfassen die Verwendung realistischerer Wahrscheinlichkeitsmodelle (über die Normalverteilung hinaus) und die Berücksichtigung von Situationen, in denen Beobachtungen statistisch nicht unabhängig sind. Für jedes Modell, das wir betrachten, werden wir sehen, wie es sowohl mit frequentistischen (wenn möglich) als auch mit Bayes'schen Methoden geschätzt werden kann. Unser Schwerpunkt liegt hier eher auf der Tiefe als auf der Breite. (Der andere Abschlusskurs, den ich unterrichte, ECOL 562, ist ein Umfragekurs, der eine breite Palette statistischer Methoden abdeckt, die in den Umweltwissenschaften nützlich sind. Dieser Kurs konzentriert sich auf 40% des Materials aus diesem Kurs, behandelt ihn jedoch ausführlicher.)

   Es wird davon ausgegangen, dass Sie mit den parametrischen Standardansätzen der statistischen Analyse wie dem Testen von Hypothesen vertraut sind. Der Kurs soll als Übergang zwischen dem dienen, was normalerweise in einem Statistikkurs für Studenten gelehrt wird, und dem, was tatsächlich für eine erfolgreiche Analyse von Daten in den Ökologie- und Umweltwissenschaften erforderlich ist. Der ideale Teilnehmer ist ein Student oder Anfänger, der bereits einen Statistik-Einführungskurs absolviert hat und die moderne Anwendung der Statistik auf Umweltwissenschaften und Ökologie sehen möchte. Themen sind:

   - 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. Statistik für Umweltwissenschaften [oder ein 2007 ; Version 2012 ]

   Kursbeschreibung:Eine Einführung in statistische Methoden für Ökologie und Umweltwissenschaften. Dies ist ein Themenkurs. Unser Schwerpunkt liegt hier eher auf der Breite als auf der Tiefe. (Der andere Graduiertenkurs, den ich unterrichte, befasst sich eingehend mit den im ersten Drittel dieses Kurses behandelten Themen.) Es wird davon ausgegangen, dass Sie mit den standardmäßigen parametrischen Ansätzen der statistischen Analyse wie dem Testen von Hypothesen vertraut sind. Der Kurs soll als Übergang zwischen dem dienen, was normalerweise in einem Statistikkurs für Studenten gelehrt wird, und dem, was tatsächlich für eine erfolgreiche Analyse von Daten in den Ökologie- und Umweltwissenschaften erforderlich ist. Der ideale Teilnehmer ist ein Student oder ein Anfänger, der bereits einen Statistik-Einführungskurs absolviert hat und die moderne Anwendung der Statistik auf Umweltwissenschaften und Ökologie sehen möchte. Themen sind:

   - 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. Statistik für Ökologie & Evolution

   Kursbeschreibung: Dies ist ein Kurs zur statistischen Modellierung für Ökologen und ihre Angehörigen. Wir konzentrieren uns auf elementare statistische Methoden, vor allem die Regression, und beschreiben, wie sie erweitert werden können, um sie für die Analyse ökologischer Daten besser geeignet zu machen. Diese Erweiterungen umfassen die Verwendung realistischerer Wahrscheinlichkeitsmodelle (über die Normalverteilung hinaus) und die Berücksichtigung von Situationen, in denen Beobachtungen statistisch nicht unabhängig sind. Themen sind:

   - 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. Ökologie 145 - Statistische Analyse

   ECOL 145 soll eine intensive Einführung in die Analyse ökologischer Daten sein. Die Zielgruppe besteht aus hochmotivierten Doktoranden und Hochschulabsolventen in biologisch verwandten Disziplinen, die im Idealfall eigene Daten zur Analyse haben. Dies ist ein seriöser, praktischer Kurs, der nicht für Dilettanten oder diejenigen geeignet ist, die lediglich prüfen und beobachten möchten. Wir konzentrieren uns auf die Verwendung von zwei modernen Statistikpaketen, R und WinBUGS, und verwenden sie, um reale Datensätze mit all ihren Schwächen anzugehen. Je näher Sie Ihrer eigenen Forschung und Analyse Ihrer eigenen Daten kommen, desto nützlicher sollte sich dieser Kurs herausstellen.

   Die Perspektive des Kurses ist, dass Wahrscheinlichkeitsmodelle am besten als datengenerierende Mechanismen betrachtet werden. In Übereinstimmung mit diesem Standpunkt verwenden wir wahrscheinlichkeitsbasierte Methoden, um ökologische Daten direkt zu modellieren. Die Datensätze stammen aus der veröffentlichten Literatur, aus meinen eigenen Beratungsprojekten oder werden von Studenten bereitgestellt, die für den Kurs eingeschrieben sind. Wenn Sie Daten haben, die analysiert werden müssen, können Sie sie mir gerne zur Verwendung in Klassenübungen vorlegen. Themen sind:

   - 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
   

Ich bin mir sicher, dass es eine Menge Überschneidungen zwischen den Kursen gibt, aber seine Notizen (und sein R-Code) sind für jeden dieser Kurse verfügbar und sollten sich für die meisten Besucher dieses Beitrags als sehr nützlich erweisen.