Methods in Ecology and Evolution
SCIE-ISI SCOPUS (SonsInc.)
2041-210X
2041-2096
Mỹ
Cơ quản chủ quản: WILEY , John Wiley & Sons Inc.
Lĩnh vực:
Ecological ModelingEcology, Evolution, Behavior and Systematics
Các bài báo tiêu biểu
Một phương pháp tổng quát và đơn giản để tính toán R2 từ các mô hình hỗn hợp tuyến tính tổng quát Dịch bởi AI Tóm tắt
Việc sử dụng cả mô hình hỗn hợp tuyến tính và mô hình hỗn hợp tuyến tính tổng quát (LMM s và GLMM s) đã trở nên phổ biến không chỉ trong khoa học xã hội và y khoa mà còn trong khoa học sinh học, đặc biệt trong lĩnh vực sinh thái học và tiến hóa. Các tiêu chí thông tin, chẳng hạn như Tiêu chí Thông tin Akaike (AIC ), thường được trình bày như các công cụ so sánh mô hình cho các mô hình hỗn hợp. Tuy nhiên, việc trình bày ‘phương sai giải thích’ (R 2 ) như một thống kê tóm tắt có liên quan của các mô hình hỗn hợp là điều hiếm gặp, mặc dù R 2 thường được báo cáo cho các mô hình tuyến tính (LM s) và cả các mô hình tuyến tính tổng quát (GLM s). R 2 có đặc tính cực kỳ hữu ích là cung cấp giá trị tuyệt đối cho độ khớp của một mô hình, điều mà các tiêu chí thông tin không thể cung cấp. Như một thống kê tóm tắt mô tả lượng phương sai được giải thích, R 2 cũng có thể là một đại lượng có ý nghĩa sinh học. Một lý do cho việc thiếu appreciation đối với R 2 trong các mô hình hỗn hợp nằm ở thực tế rằng R 2 có thể được định nghĩa theo nhiều cách khác nhau. Hơn nữa, hầu hết các định nghĩa của R 2 cho các mô hình hỗn hợp có các vấn đề lý thuyết (ví dụ: giá trị R 2 giảm hoặc âm trong các mô hình lớn hơn) và/hoặc việc sử dụng chúng gặp khó khăn với các vấn đề thực tiễn (ví dụ: việc thực hiện). Tại đây, chúng tôi đề xuất tầm quan trọng của việc báo cáo R2 cho các mô hình hỗn hợp. Chúng tôi đầu tiên cung cấp các định nghĩa phổ biến của R 2 cho LM s và GLM s và thảo luận về các vấn đề chính liên quan đến việc tính toán R 2 cho các mô hình hỗn hợp. Sau đó, chúng tôi khuyến nghị một phương pháp tổng quát và đơn giản để tính toán hai loại R 2 (marginal và conditional R 2 ) cho cả LMM s và GLMM s, ít bị ảnh hưởng bởi các vấn đề thường gặp. Phương pháp này được minh họa qua các ví dụ và có thể được sử dụng rộng rãi bởi các nhà nghiên cứu trong mọi lĩnh vực nghiên cứu, bất kể gói phần mềm nào được sử dụng để phù hợp với các mô hình hỗn hợp. Phương pháp được đề xuất có khả năng tạo điều kiện cho việc trình bày R 2 cho nhiều hoàn cảnh khác nhau.
Tập 4 Số 2 - Trang 133-142 - 2013
#mô hình hỗn hợp #R2 #phân tích thống kê #sinh học #sinh thái học
phytools: một gói R cho sinh học so sánh phát sinh chủng loài (và những điều khác) Dịch bởi AI Tóm tắt 1. Tại đây, tôi trình bày một gói phần mềm phát sinh chủng loài đa chức năng mới, phytools, dành cho môi trường tính toán thống kê R.2. Trọng tâm của gói này là các phương pháp cho sinh học so sánh phát sinh chủng loài; tuy nhiên, nó cũng bao gồm các công cụ cho việc suy diễn cây, nhập/xuất phát sinh chủng loài, vẽ đồ thị, thao tác và một số nhiệm vụ khác.3. Tôi mô tả và lập bảng các phương pháp chính được triển khai trong phytools, và bên cạnh đó cung cấp một số minh họa về cách sử dụng nó dưới dạng hai ví dụ tiêu biểu.4. Cuối cùng, tôi kết luận bằng cách mô tả ngắn gọn một blog trực tuyến mà tôi sử dụng để tài liệu hóa các phát triển hiện tại và tương lai cho phytools. Tôi cũng lưu ý các tài nguyên web khác dành cho phát sinh chủng loài trong môi trường tính toán R.
Tập 3 Số 2 - Trang 217-223 - 2012
Tập 8 Số 1 - Trang 28-36 - 2017
Các phương pháp đơn giản để cải thiện khả năng giải thích của các hệ số hồi quy Dịch bởi AI Tóm tắt 1. Các mô hình hồi quy tuyến tính là một công cụ thống kê quan trọng trong các nghiên cứu tiến hóa và sinh thái. Thật không may, những mô hình này thường cho ra những ước lượng và kiểm nghiệm giả thuyết không thể giải thích được, đặc biệt là khi các mô hình bao gồm sự tương tác hoặc các hạng tử đa thức. Hơn nữa, các sai số chuẩn cho các nhóm điều trị, mặc dù thường được quan tâm trong việc đưa vào một ấn phẩm, lại không có sẵn trực tiếp trong mô hình hồi quy tuyến tính chuẩn. 2. Việc trung tâm hóa và chuẩn hóa các biến đầu vào là những phương pháp đơn giản để cải thiện khả năng giải thích của các hệ số hồi quy. Hơn nữa, việc sửa lại mô hình với cấu trúc mô hình hơi thay đổi cho phép rút ra các sai số chuẩn thích hợp cho các nhóm điều trị trực tiếp từ mô hình. 3. Việc trung tâm hóa sẽ làm cho các hiệu ứng chính có thể giải thích về mặt sinh học ngay cả khi có liên quan đến các sự tương tác, do đó tránh được sự diễn giải sai có thể xảy ra của các hiệu ứng chính. Điều này cũng áp dụng cho việc ước lượng các hiệu ứng tuyến tính trong sự hiện diện của các đa thức. Các biến đầu vào phân loại cũng có thể được trung tâm hóa và điều này đôi khi hỗ trợ cho việc giải thích. 4. Việc chuẩn hóa (z ‐biến đổi) các biến đầu vào sẽ dẫn đến việc ước lượng độ dốc chuẩn hóa hoặc các hệ số hồi quy phần chuẩn hóa. Các độ dốc chuẩn hóa có thể so sánh được về độ lớn trong các mô hình cũng như giữa các nghiên cứu. Chúng có một số lợi thế hơn các hệ số tương quan phần và thường là kích thước tác động chuẩn hóa thú vị hơn. 5. Việc loại bỏ một cách suy nghĩ các giao điểm hoặc hiệu ứng chính cho phép rút ra các trung bình điều trị hoặc độ dốc điều trị và các sai số chuẩn thích hợp của chúng trực tiếp từ một mô hình hồi quy tuyến tính. Điều này cung cấp một lựa chọn đơn giản thay thế cho việc tính sai số chuẩn phức tạp hơn từ các tương phản và các hiệu ứng chính. 6. Các phương pháp đơn giản được trình bày ở đây tập trung vào ước lượng tham số (ước lượng điểm cũng như khoảng tin cậy) hơn là vào ngưỡng ý nghĩa. Chúng cho phép điều chỉnh các mô hình phức tạp nhưng có nghĩa có thể được trình bày và giải thích một cách ngắn gọn. Các phương pháp được trình bày cũng có thể áp dụng cho các mô hình hồi quy tuyến tính tổng quát (GLM) và các mô hình hồi quy hỗn hợp tuyến tính.
Tập 1 Số 2 - Trang 103-113 - 2010
Tập 7 Số 11 - Trang 1325-1330 - 2016
#BORIS #mã nguồn mở #quan sát hành vi #mã hóa video #phần mềm đa nền tảng #phân tích ngân sách thời gian
betapart: gói R dùng để nghiên cứu đa dạng sinh học beta Dịch bởi AI Tóm tắt 1. Đa dạng sinh học beta, tức là sự biến đổi trong thành phần loài giữa các địa điểm, có thể là kết quả của việc thay thế loài giữa các địa điểm (lưu chuyển) và sự mất mát loài giữa các địa điểm (tổn thương lồng ghép).2. Chúng tôi trình bày betapart , một gói R để tính toán độ khác biệt tổng thể dưới dạng chỉ số Sørensen hoặc Jaccard, cũng như các thành phần lưu chuyển và tổn thương lồng ghép tương ứng của chúng.3. betapart cho phép đánh giá các mẫu không gian của đa dạng sinh học beta sử dụng các biện pháp khác biệt giữa nhiều địa điểm, tính đến sự không đồng nhất trong thành phần giữa vài địa điểm hoặc các biện pháp cặp đôi cung cấp ma trận khoảng cách tính đến cấu trúc đa biến của sự khác biệt.4. betapart cũng cho phép tính toán các mẫu khác biệt theo thời gian trong thành phần quần xã, cùng với các thành phần lưu chuyển và tổn thương lồng ghép của nó.5. Nhiều phân tích ví dụ được trình bày, sử dụng dữ liệu có trong gói, để minh họa sự phù hợp của việc phân tách các thành phần lưu chuyển và tổn thương lồng ghép của đa dạng sinh học beta nhằm suy diễn những cơ chế khác nhau đứng sau các mẫu đa dạng sinh học.
Tập 3 Số 5 - Trang 808-812 - 2012
geomorph: một gói r cho việc thu thập và phân tích dữ liệu hình dạng hình học morfometric Dịch bởi AI Tóm tắt Nhiều nghiên cứu sinh thái và tiến hóa tìm cách giải thích các mô hình biến thể hình dạng và sự đồng biến của chúng với các biến khác. Phân tích hình học mô phỏng (geometric morphometrics) thường được sử dụng cho mục đích này, trong đó một tập hợp các biến hình dạng được thu thập từ tọa độ landmark theo một sự chồng chéo P rocrustes. Chúng tôi giới thiệu geomorph: một gói phần mềm để thực hiện phân tích hình thái hình học morphometric trong môi trường tính toán thống kê r . Geomorph cung cấp các quy trình cho tất cả các giai đoạn phân tích hình học morphometric dựa trên landmark ở hai và ba chiều. Đây là một gói mã nguồn mở để đọc, thao tác và số hóa dữ liệu landmark, tạo ra các biến hình dạng thông qua phân tích P rocrustes cho các điểm, đường cong và bề mặt, thực hiện phân tích thống kê về biến thể hình dạng và sự đồng biến, đồng thời cung cấp hình ảnh đồ họa về hình dạng và các mô hình biến thể hình dạng. Một đóng góp quan trọng của geomorph là khả năng thực hiện sự chồng chéo P rocrustes trên các điểm landmark, cũng như các semilandmarks từ đường cong và bề mặt. Một loạt các phương pháp thống kê liên quan đến việc kiểm tra các giả thuyết sinh thái và tiến hóa về biến thể hình dạng được cung cấp. Những phương pháp này bao gồm các phương pháp đa biến tiêu chuẩn như phân tích thành phần chính, và các cách tiếp cận cho hồi quy đa biến và so sánh nhóm. Các phương pháp cho các phân tích chuyên biệt hơn, chẳng hạn như đánh giá hình dạng allometry, so sánh các quỹ đạo hình dạng, xem xét sự tích hợp hình thái, và đánh giá tín hiệu phylogenetic, cũng được bao gồm. Nhiều chức năng được cung cấp để trực quan hóa các kết quả một cách đồ họa, bao gồm các quy trình để xem xét sự biến thiên trong không gian hình dạng, trực quan hóa các quỹ đạo allometric, so sánh các hình dạng cụ thể với nhau và cho việc vẽ các thay đổi phylogenetic trong morphospace. Cuối cùng, geomorph tham gia vào việc cung cấp các phân tích hình thái hình học morphometric nâng cao thông qua nền tảng tính toán thống kê r .
Tập 4 Số 4 - Trang 393-399 - 2013
ENMeval: Một gói R để thực hiện các đánh giá độc lập theo không gian và ước lượng độ phức tạp mô hình tối ưu cho các mô hình sinh cảnh sinh thái Maxent Dịch bởi AI Tóm tắt
Các nghiên cứu gần đây đã chỉ ra rằng cần phải nâng cao độ chính xác trong việc xây dựng và đánh giá các mô hình sinh cảnh sinh thái (ENM) dựa trên dữ liệu có mặt chỉ. Hai mục tiêu chính là cân bằng tính phù hợp của mô hình với độ phức tạp của mô hình (ví dụ: bằng cách ‘điều chỉnh’ các cài đặt mô hình) và đánh giá các mô hình với dữ liệu độc lập theo không gian. Những vấn đề này đặc biệt quan trọng đối với các tập dữ liệu bị ảnh hưởng bởi thiên lệch trong việc lấy mẫu, và cho các nghiên cứu yêu cầu chuyển giao các mô hình qua không gian hoặc thời gian (ví dụ: phản ứng với biến đổi khí hậu hoặc sự lan truyền của các loài xâm hại). Việc thực hiện hiệu quả các quy trình để đạt được những mục tiêu này, tuy nhiên, yêu cầu phải tự động hóa. Chúng tôi đã phát triển gói ENMeval, một gói R mà: (i) tạo ra các tập dữ liệu cho phép kiểm tra chéo k‐fold bằng một trong nhiều phương pháp phân chia dữ liệu có mặt (bao gồm các tùy chọn cho các phân chia độc lập theo không gian), (ii) xây dựng một loạt các mô hình ứng cử viên sử dụng Maxent với nhiều cài đặt do người dùng định nghĩa và (iii) cung cấp nhiều chỉ số đánh giá để hỗ trợ trong việc chọn cài đặt mô hình tối ưu. Sáu phương pháp để phân chia dữ liệu bao gồm jackknife n−1, k‐fold ngẫu nhiên (=bins), các fold do người dùng chỉ định và ba phương pháp phân chia theo cấu trúc địa lý có mặt. ENMeval định lượng sáu chỉ số đánh giá: diện tích dưới đường cong của đồ thị đặc điểm hoạt động của bộ thu cho các địa điểm thử nghiệm (AUCTEST), sự khác biệt giữa AUC huấn luyện và AUC kiểm tra (AUCDIFF), hai tỷ lệ thiếu sót cơ sở ngưỡng khác nhau cho các địa điểm thử nghiệm và tiêu chí thông tin Akaike điều chỉnh cho kích thước mẫu nhỏ (AICc). Chúng tôi đã chứng minh ENMeval bằng cách điều chỉnh các cài đặt mô hình cho tám loài cây thuộc chi Coccoloba ở Puerto Rico dựa trên AICc. Các chỉ số đánh giá đã thay đổi đáng kể giữa các cài đặt mô hình, và các mô hình được chọn với AICc khác với các mô hình mặc định. Tóm lại, ENMeval tạo điều kiện thuận lợi cho việc sản xuất các ENM tốt hơn và nên thúc đẩy nghiên cứu phương pháp trong tương lai về nhiều vấn đề nổi bật hiện có.
Tập 5 Số 11 - Trang 1198-1205 - 2014