Eco-Stats: Data Analysis in Ecology: From t-tests to Multivariate Abundances (Methods in Statistical Ecology)

این کتاب بوم شناسان را با دنیای شگفت انگیز ابزارهای مدرن برای تجزیه و تحلیل داده ها، به ویژه تجزیه و تحلیل چند متغیره آشنا می کند.

برای زیست شناسانی که دانش قبلی نسبتا کمی از آمار دارند، این کتاب یک رویکرد مدرن و پیشرفته را برای تجزیه و تحلیل داده ها به روشی شهودی و در دسترس معرفی می کند. این کتاب با بررسی برخی از اصول اصلی در آمار آغاز می‌شود و روش‌های رایج را به مدل خطی، چارچوبی کلی برای مدل‌سازی داده‌ها که در آن پاسخ پیوسته است، مرتبط می‌کند. سپس این به داده‌های گسسته با استفاده از مدل‌های خطی تعمیم‌یافته، به طرح‌هایی با سطوح نمونه‌گیری چندگانه از طریق مدل‌های مختلط، و به موقعیت‌هایی که متغیرهای پاسخ متعدد از طریق رویکردهای مبتنی بر مدل برای تحلیل چند متغیره وجود دارد، گسترش می‌یابد. در این مسیر مقدمه ای وجود دارد: اصول مهم در انتخاب مدل. سازگاری مدل برای رسیدگی به متغیرهای غیر خطی و چرخه ای. وابستگی به دلیل همبستگی ساختاری در زمان، مکان یا فیلوژنی؛ و تکنیک های مبتنی بر طراحی برای استنتاج که می تواند برخی از مفروضات مدل سازی را تسهیل کند. این با طیف وسیعی از موضوعات پیشرفته در تجزیه و تحلیل چند متغیره مبتنی بر مدل مرتبط با بوم‌شناس مدرن، از جمله مدل‌های گوشه چهارم، متغیر پنهان و مدل‌های کوپولا، به پایان می‌رسد.

نمونه‌ها کاربردهای مختلفی را شامل می‌شوند. از جمله پایش محیطی، مدل‌سازی توزیع گونه‌ها، بررسی‌های جهانی صفات گیاهی، و آزمایش‌های مزرعه‌ای کوچک بر روی کنترل‌های بیولوژیکی. جعبه‌های ریاضی در سراسر کتاب برخی از ایده‌های اصلی را به‌صورت ریاضی برای خوانندگانی که می‌خواهند عمیق‌تر کاوش کنند، توضیح می‌دهند و کد R در سراسر آن استفاده می‌شود. کد، داده‌ها و راه‌حل‌های تمرینات همراه را می‌توانید در بسته ecostats R در CRAN پیدا کنید.

This book introduces ecologists to the wonderful world of modern tools for data analysis, especially multivariate analysis.

For biologists with relatively little prior knowledge of statistics, it introduces a modern, advanced approach to data analysis in an intuitive and accessible way. The book begins by reviewing some core principles in statistics, and relates common methods to the linear model, a general framework for modeling data where the response is continuous. This is then extended to discrete data using generalized linear models, to designs with multiple sampling levels via mixed models, and to situations where there are multiple response variables via model-based approaches to multivariate analysis. Along the way there is an introduction to: important principles in model selection; adaptations of the model to handle non-linearity and cyclical variables; dependence due to structured correlation in time, space or phylogeny; and design-based techniques for inference that can relax some of the modelling assumptions. It concludes with a range of advanced topics in model-based multivariate analysis relevant to the modern ecologist, including fourth corner, latent variable and copula models.

Examples span a variety of applications including environmental monitoring, species distribution modeling, global-scale surveys of plant traits, and small field experiments on biological controls. Math Boxes throughout the book explain some of the core ideas mathematically for readers who want to delve deeper, and R code is used throughout. Accompanying code, data, and solutions to exercises can be found in the ecostats R package on CRAN.