Methods in Ecology and Evolution

The multi‐state SDM framework stratifies occurrences according to the temporal or behavioural use of distinct habitat types, referred to as “states.” Multiple SDMs are then run for each state and statistical thresholds of presence are used to combine these separate predictions. To identify suitable sites that account for distance between habitats, two optional modules are proposed where the thresholded output is aggregated and filtered by minimum area size, or through moving windows across maximum reachable distances.

We illustrate the full use of this framework by modelling the dynamic terrestrial breeding habitat preferences of the New Zealand sea lion (NZSL) (Phocarctos hookeri), using Maxent and trialling both modules to identify suitable sites for possible recolonization.

The Maxent predictions showed excellent performance, and the multi‐state SDM framework highlighted 36–77 potential suitable breeding sites in the study area.

This framework can be applied to inform management when defining habitat suitability for species with complex changes in habitat use. It accounts for temporal and behavioural changes in distribution, maintains the individuality of each partitioned SDM, and considers distance between distinct habitat types. It also yields one final, easy‐to‐understand output for stakeholders and managers.

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 (AUC_TEST), sự khác biệt giữa AUC huấn luyện và AUC kiểm tra (AUC_DIFF), 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 (AIC_c).

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 AIC_c. Các chỉ số đánh giá đã thay đổi đáng kể giữa các cài đặt mô hình, và các mô hình được chọn với AIC_c 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.

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 Procrustes 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 Procrustes 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.

ggtree có thể đọc nhiều định dạng tệp cây hơn so với các phần mềm khác, bao gồm các định dạng newick, nexus, NHX, phylip và jplace, và hỗ trợ hình ảnh hóa các đối tượng cây phylo, multiphylo, phylo4, phylo4d, obkdata và phyloseq được định nghĩa trong các gói r khác. Nó cũng có thể trích xuất các dữ liệu cụ thể về cây/nhánh/nút và các dữ liệu khác từ đầu ra phân tích của các phần mềm beast, epa, hyphy, paml, phylodog, pplacer, r8s, raxml và revbayes, và cho phép sử dụng các dữ liệu này để chú thích cây.

Gói này cho phép tô màu và chú thích một cây dựa trên thuộc tính nút số/nhóm, thao tác một cây bằng cách xoay, thu gọn và phóng to các nhánh, làm nổi bật các nhánh hoặc đơn vị phân loại thuần túy do người dùng chọn và khám phá một cây lớn bằng cách phóng to vào một phần đã chọn.

Một cây hai chiều có thể được vẽ bằng cách điều chỉnh chiều rộng cây dựa trên một thuộc tính của các nút. Một cây có thể được chú thích với một ma trận số liên quan (dưới dạng bản đồ nhiệt), bố trí trình tự đa dạng, đồ thị con hoặc hình ảnh bóng.

Gói ggtree được phát hành dưới giấy phép artistic-2.0. Mã nguồn và tài liệu của nó có sẵn miễn phí qua bioconductor (http://www.bioconductor.org/packages/ggtree).

Tuy nhiên, việc trình bày ‘phương sai giải thích’ (R²) như một thống kê tóm tắt có liên quan của các mô hình hỗn hợp là điều hiếm gặp, mặc dù R² thường được báo cáo cho các mô hình tuyến tính (LMs) và cả các mô hình tuyến tính tổng quát (GLMs). R² 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, R² cũng có thể là một đại lượng có ý nghĩa sinh học.

Một lý do cho việc thiếu appreciation đối với R² trong các mô hình hỗn hợp nằm ở thực tế rằng R² có thể được định nghĩa theo nhiều cách khác nhau. Hơn nữa, hầu hết các định nghĩa của R² cho các mô hình hỗn hợp có các vấn đề lý thuyết (ví dụ: giá trị R² 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 R² cho LMs và GLMs và thảo luận về các vấn đề chính liên quan đến việc tính toán R² 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 R² (marginal và conditional R²) cho cả LMMs và GLMMs, 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 R² cho nhiều hoàn cảnh khác nhau.

Here we address the consequences of violations in distributional assumptions and the impact of missing random effect components on model estimates. In particular, we evaluate the effects of skewed, bimodal and heteroscedastic random effect and residual variances, of missing random effect terms and of correlated fixed effect predictors. We focus on bias and prediction error on estimates of fixed and random effects.

Model estimates were usually robust to violations of assumptions, with the exception of slight upward biases in estimates of random effect variance if the generating distribution was bimodal but was modelled by Gaussian error distributions. Further, estimates for (random effect) components that violated distributional assumptions became less precise but remained unbiased. However, this particular problem did not affect other parameters of the model. The same pattern was found for strongly correlated fixed effects, which led to imprecise, but unbiased estimates, with uncertainty estimates reflecting imprecision.

Unmodelled sources of random effect variance had predictable effects on variance component estimates. The pattern is best viewed as a cascade of hierarchical grouping factors. Variances trickle down the hierarchy such that missing higher‐level random effect variances pool at lower levels and missing lower‐level and crossed random effect variances manifest as residual variance.

Overall, our results show remarkable robustness of mixed‐effects models that should allow researchers to use mixed‐effects models even if the distributional assumptions are objectively violated. However, this does not free researchers from careful evaluation of the model. Estimates that are based on data that show clear violations of key assumptions should be treated with caution because individual datasets might give highly imprecise estimates, even if they will be unbiased on average across datasets.