Model Based Inference in the Life Sciences: A Primer on Evidence

مفهوم انتزاعی \"اطلاعات\" را می توان کمی سازی کرد و این منجر به پیشرفت های مهم زیادی در تجزیه و تحلیل داده ها در علوم تجربی شده است. این متن بر یک فلسفه علمی مبتنی بر "فرضیه های کاری چندگانه" و مدل های آماری برای ارائه آنها تمرکز دارد. سؤال علم بنیادی به شواهد تجربی برای فرضیه‌های این مجموعه - یک قوت رسمی از شواهد - مربوط می‌شود. اطلاعات Kullback-Leibler اطلاعاتی است که هنگام استفاده از یک مدل برای تقریب واقعیت کامل از دست می‌رود. هیروتوگو آکایکه پیوندی بین اطلاعات K-L (سنگ بنای نظریه اطلاعات) و احتمال ورود به سیستم حداکثر شده (سنگ بنای آمار ریاضی) یافت. این ترکیب مبنایی برای پارادایم جدیدی در استنتاج مبتنی بر مدل شده است. متن از استنتاج رسمی از همه فرضیه ها/مدل های مجموعه پیشینی - استنتاج چند مدلی حمایت می کند.

این رویکرد قانع کننده امکان رتبه بندی ساده فرضیه علم و مدل های آنها را فراهم می کند. روش های ساده ای برای محاسبه احتمال مدل i، با توجه به داده ها معرفی شده اند. احتمال مدل i با توجه به داده ها. و نسبت شواهد با توجه به پارامترهای مدل تخمینی و کمیت‌های مرتبط (مانند مجموع باقی‌مانده مربع‌ها، ماتریس‌های لاگ احتمال حداکثری، و ماتریس‌های کوواریانس) این مقادیر نشان‌دهنده قدرت رسمی شواهد هستند و محاسبه و درک آن‌ها آسان است. اشکال اضافی استنتاج چند مدلی عبارتند از میانگین‌گیری مدل، واریانس‌های بدون قید و شرط، و روش‌هایی برای رتبه‌بندی اهمیت نسبی متغیرهای پیش‌بینی‌کننده.

این کتاب درسی برای افرادی نوشته شده است که تازه با رویکردهای نظری اطلاعات به استنتاج آماری، چه دانشجویان فارغ‌التحصیل. ، فوق دکترا یا متخصصان در دانشگاه ها، آژانس ها یا موسسات مختلف. از خوانندگان انتظار می رود که پیشینه ای در زمینه اصول آماری کلی، تحلیل رگرسیون و برخی روش های احتمال وجود داشته باشند. این یک متن ابتدایی نیست زیرا صلاحیت معقولی در مدل‌سازی و تخمین پارامتر می‌پذیرد.

DAVID R. ANDERSON اخیراً از خدمت به عنوان دانشمند ارشد در سازمان زمین‌شناسی ایالات متحده و استاد در گروه ماهی، حیات وحش بازنشسته شد. و زیست شناسی حفاظتی در دانشگاه ایالتی کلرادو. او دارای درجه استادی ممتاز در CSU است و رئیس شرکت اطلاعات کاربردی در فورت کالینز است. او تالیف 18 کتاب علمی و تک نگاری تحقیقاتی و بیش از 100 مقاله در ژورنال دارد. او جوایز مختلفی از جمله جایزه خدمات شایسته وزارت کشور ایالات متحده و جایزه و مدال یادبود آلدو لئوپولد در سال 2004 توسط انجمن حیات وحش دریافت کرده است.

The abstract concept of "information" can be quantified and this has led to many important advances in the analysis of data in the empirical sciences. This text focuses on a science philosophy based on "multiple working hypotheses" and statistical models to represent them. The fundamental science question relates to the empirical evidence for hypotheses in this set—a formal strength of evidence. Kullback-Leibler information is the information lost when a model is used to approximate full reality. Hirotugu Akaike found a link between K-L information (a cornerstone of information theory) and the maximized log-likelihood (a cornerstone of mathematical statistics). This combination has become the basis for a new paradigm in model based inference. The text advocates formal inference from all the hypotheses/models in the a priori set—multimodel inference.

This compelling approach allows a simple ranking of the science hypothesis and their models. Simple methods are introduced for computing the likelihood of model i, given the data; the probability of model i, given the data; and evidence ratios. These quantities represent a formal strength of evidence and are easy to compute and understand, given the estimated model parameters and associated quantities (e.g., residual sum of squares, maximized log-likelihood, and covariance matrices). Additional forms of multimodel inference include model averaging, unconditional variances, and ways to rank the relative importance of predictor variables.

This textbook is written for people new to the information-theoretic approaches to statistical inference, whether graduate students, post-docs, or professionals in various universities, agencies or institutes. Readers are expected to have a background in general statistical principles, regression analysis, and some exposure to likelihood methods. This is not an elementary text as it assumes reasonable competence in modeling and parameter estimation.

DAVID R. ANDERSON retired recently from serving as a senior scientist with the U.S. Geological Survey and professor in the Department of Fish, Wildlife, and Conservation Biology at Colorado State University. He has an emeritus professorship at CSU and is president of the Applied Information Company in Fort Collins. He has authored 18 scientific books and research monographs and over 100 journal publications. He has received a variety of awards, including U.S. Department of Interior’s Meritorious Service Award and The Wildlife Society’s 2004 Aldo Leopold Memorial Award and Medal.