So sánh các phương pháp để tính đến tự tương quan trong phân tích tương quan dữ liệu cá

Tự tương quan trong tuyển cá và dữ liệu môi trường có thể làm phức tạp sự suy diễn thống kê trong các phân tích tương quan. Để giải quyết vấn đề này, các nhà nghiên cứu thường điều chỉnh các thủ tục kiểm định giả thuyết (ví dụ: điều chỉnh bậc tự do) để tính đến tự tương quan hoặc loại bỏ tự tương quan bằng cách tiền làm trắng hoặc chênh lệch lần đầu trước khi phân tích. Tuy nhiên, hiệu quả của các phương pháp điều chỉnh thủ tục kiểm định giả thuyết vẫn chưa được nghiên cứu đầy đủ một cách định lượng. Do đó, chúng tôi đã so sánh một số phương pháp điều chỉnh thông qua mô phỏng Monte Carlo và phát hiện rằng một phiên bản sửa đổi của các phương pháp này giữ tỷ lệ lỗi loại I gần với . Ngược lại, các phương pháp loại bỏ tự tương quan kiểm soát tốt tỷ lệ lỗi loại I nhưng có thể trong một số trường hợp làm tăng tỷ lệ lỗi loại II (xác suất không phát hiện được một số ảnh hưởng từ môi trường) và do đó giảm sức mạnh thống kê, so với việc điều chỉnh quy trình kiểm tra. Cụ thể, các mô phỏng Monte Carlo của chúng tôi cho thấy rằng tiền làm trắng và đặc biệt là chênh lệch lần đầu làm giảm sức mạnh trong các tình huống phổ biến, khi các quá trình tần số thấp (thay đổi chậm) là những nguồn quan trọng của sự tương quan trong tuyển cá hoặc trong các biến môi trường. Ngược lại, việc loại bỏ tự tương quan có thể gia tăng sức mạnh khi các quá trình tần số thấp chỉ chiếm một phần sự tương quan. Vì vậy, chúng tôi khuyên các nhà nghiên cứu nên xem xét cẩn thận tầm quan trọng của các thang thời gian khác nhau của biến động khi phân tích dữ liệu có tự tương quan.