Des livres sur l'écologie statistique?

Je sais que cette question a été posée auparavant: Ouvrage de référence pour les études écologiques mais ce n'est pas ce que je recherche.

Ce que je recherche, c'est si quelqu'un pourrait recommander un bon livre (ou une référence canonique) sur l'écologie statistique? J'ai une très bonne compréhension des statistiques pour que le livre puisse vraiment être à n'importe quel niveau. J'utiliserais le livre pour m'apprendre davantage sur l'application des statistiques en écologie qu'autre chose, donc même un livre d'introduction avec des exemples bons / intéressants serait très apprécié. De plus, mes recherches ont tendance à être axées sur les statistiques bayésiennes, donc un livre incorporant des statistiques bayésiennes est encore mieux!

Voici quelques bons livres que je recommanderais personnellement:

• Hilborn & Mangel (1997) The Ecological Detective: confronter les modèles aux données . Princeton University Press.

  Celui-ci concerne davantage les statistiques avec des exemples écologiques, mais il n'y a rien de mal à cela. Cela donnerait une bonne idée de la façon dont les statistiques pourraient être utilisées en écologie. Notez la date; il ne couvrira pas certains des développements ou applications les plus récents.

• M. Henry H. Stevens (2009) Notions élémentaires de l' écologie avec R . Springer.

  Peut-être trop basique et pas particulièrement sur quelque chose de spatial, mais il couvre les différents sujets que nous enseignerions aux écologistes et illustre la théorie écologique et les modèles avec le code R.

• BM Bolker (2008) Les modèles écologiques et des données en R . Princeton University Press.

  J'adore ce livre. Il couvre des sujets que vous connaissez bien en fonction de vos antécédents statistiques, mais appliqués dans un contexte écologique. Accent sur l'ajustement des modèles et leur optimisation à partir des principes de base à l'aide du code R.

• James S. Clark (2007) Modèles de données écologiques: une introduction . Princeton University Press.

  Ne vous laissez pas rebuter par "l'introduction" dans le titre; c'est tout sauf une introduction. Large couverture, beaucoup de théorie, accent sur l'ajustement manuel des modèles en utilisant des approches bayésiennes (le compagnon du manuel du laboratoire R discute de l'écriture de vos propres échantillonneurs Gibbs par exemple!)

Pas un livre, mais j'ajouterai ceci car vous mentionnez spécifiquement votre intérêt pour les processus gaussiens. Jetez un oeil à Integrated Nested Laplace Approximation (INLA), qui a un site Web . C'est un package R et a beaucoup d'exemples avec lesquels jouer. Si vous regardez leur FAQ, vous trouverez plusieurs articles qui décrivent l'approche, en particulier:

H. Rue, S. Martino et N. Chopin. Inférence bayésienne approximative pour les modèles gaussiens latents utilisant des approximations de Laplace imbriquées intégrées (avec discussion). Journal de la Royal Statistical Society, série B, 71 (2): 319 {392, 2009. (PDF disponible ici ).

Quelques bons livres d'écologie basés sur les statistiques bayésiennes sont:

Kery, M. 2010. Introduction à WinBUGS pour les écologistes: approche bayésienne de la régression, ANOVA, modèles mixtes et analyses connexes . Presse académique.

Kery, M. et M. Schaub. 2011. Analyse de la population bayésienne à l'aide de WinBUGS: une perspective hiérarchique . Presse académique.

Royle, JA et RM Dorazio. 2008. Modélisation hiérarchique et inférence en écologie: l'analyse des données des populations, des métapopulations et des communautés . Presse académique

Je trouve également Zuur et al. (2009) très utile.

Zuur, A., EN Ieno, N. Walker, AA Saveliey et GM Smith. Effets mixtes modèles et extensions en écologie avec R . Springer.

Jack Weiss (qu'il repose en paix ) était un excellent statisticien de formation qui avait également une bonne compréhension des principes écologiques / environnementaux. Il a été un consultant statistique inestimable pour les scientifiques écologiques / environnementaux aux États-Unis et même dans le monde.

Bien qu'il n'ait aucun livre à ma connaissance, ses notes de cours sont toujours disponibles en ligne :

1. Méthodes statistiques en écologie [ou une version 2012 ]

   Description du cours:Il s'agit d'un cours de modélisation statistique pour les écologistes et leurs proches. Nous nous concentrons sur les méthodes statistiques élémentaires, principalement la régression, et décrivons comment elles peuvent être étendues pour les rendre plus appropriées pour l'analyse des données écologiques. Ces extensions incluent l'utilisation de modèles de probabilité plus réalistes (au-delà de la distribution normale) et la prise en compte des situations dans lesquelles les observations ne sont pas statistiquement indépendantes. Pour chaque modèle que nous considérons, nous verrons comment l'estimer en utilisant à la fois des méthodes fréquentistes (si possible) et bayésiennes. Nous mettons l'accent ici sur la profondeur plutôt que sur l'étendue. (L'autre cours d'études supérieures que j'enseigne, ECOL 562, est un cours d'enquête qui couvre un large éventail de méthodes statistiques utiles en sciences de l'environnement. Ce cours se concentre sur 40% du matériel de ce cours mais le couvre plus en profondeur.)

   Une connaissance des approches paramétriques standard de l'analyse statistique telles que les tests d'hypothèse est supposée. Le cours est destiné à servir de transition entre ce qui est généralement enseigné dans un cours de statistique de premier cycle et ce qui est réellement nécessaire pour réussir l'analyse des données en écologie et en sciences de l'environnement. L'inscrit idéal est un étudiant de premier cycle ou de premier cycle qui a déjà suivi un cours d'introduction à la statistique et souhaite voir l'application moderne des statistiques aux sciences de l'environnement et à l'écologie. Les sujets incluent:

   - Basic concepts in regression: categorical predictors and interactions
   - Statistical distributions important in ecological modeling: binomial, Poisson, negative binomial, normal, lognormal, gamma
   - Likelihood theory and its applications in regression
   - Bayesian approaches to model fitting
   - Model selection protocols: Information-theoretic alternatives to significance testing
   - Generalized linear models: Poisson regression, negative binomial regression, logistic regression, gamma regression
   - Mixed effects models for analyzing temporally and spatially correlated data
     - Random intercepts and slopes models
     - Multilevel models with 2 and 3 levels
     - Hierarchical Bayesian modeling
     - Nonlinear mixed effects models
     - Mixed effects models with nested and crossed random effects
     - Hybrid mixed effects models with multivariate responses
   

2. Statistics for Environmental Science [ou 2007 ; Version 2012 ]

   Description du cours:Une introduction aux méthodes statistiques pour l'écologie et les sciences de l'environnement. Ceci est un cours de sujets. Nous mettons l'accent ici sur l'étendue plutôt que sur la profondeur. (L'autre cours d'études supérieures que j'enseigne adopte une approche approfondie des sujets traités dans le premier tiers de ce cours.) Une connaissance des approches paramétriques standard de l'analyse statistique telles que les tests d'hypothèse est supposée. Le cours est destiné à servir de transition entre ce qui est généralement enseigné dans un cours de statistique de premier cycle et ce qui est réellement nécessaire pour réussir l'analyse des données en écologie et en sciences de l'environnement. L'inscrit idéal est un étudiant de premier cycle ou de premier cycle qui a déjà suivi un cours d'introduction à la statistique et souhaite voir l'application moderne des statistiques aux sciences de l'environnement et à l'écologie. Les sujets incluent:

   - Overview of regression
   - Likelihood theory and its applications in regression
   - Generalized linear models
   - Analysis of temporally correlated data
   - Mixed effects models
   - Generalized estimating equations
   - Bayesian methods
   - Generalized additive models
   - Survey sampling methods
   - Machine learning methods
   - Survival analysis
   - Contingency table analysis
   - Analysis of extreme values
   - Structural equation models
   

3. Statistiques pour l'écologie et l'évolution

   Description du cours: Il s'agit d'un cours de modélisation statistique pour les écologistes et leurs proches. Nous nous concentrons sur les méthodes statistiques élémentaires, principalement la régression, et décrivons comment elles peuvent être étendues pour les rendre plus appropriées à l'analyse des données écologiques. Ces extensions incluent l'utilisation de modèles de probabilité plus réalistes (au-delà de la distribution normale) et la prise en compte des situations dans lesquelles les observations ne sont pas statistiquement indépendantes. Les sujets incluent:

   - Experiments in ecology
   - Statistical distributions important in ecological modeling: binomial, Poisson, negative binomial, normal, lognormal, gamma, and exponential
   - Likelihood theory and its applications in regression
   - Bayesian approaches to model fitting
   - Model selection protocols: Information-theoretic alternatives to significance testing
   - Generalized linear models: Poisson regression, negative binomial regression, logistic regression, and others
   - Regression models for temporally and spatially correlated data: random coefficient models (multilevel models) and hierarchical Bayesian modeling
   

4. Écologie 145 - Analyse statistique

   ECOL 145 se veut une introduction intense à l'analyse des données écologiques. Son public cible est constitué d'étudiants diplômés très motivés et d'étudiants de premier cycle de niveau supérieur dans des disciplines liées à la biologie qui, idéalement, ont leurs propres données à analyser. Il s'agit d'un cours sérieux et pratique qui ne convient pas aux dilettantes ou à ceux qui souhaitent simplement auditer et observer. Nous nous concentrons sur l'utilisation de deux progiciels statistiques modernes, R et WinBUGS, et les utilisons pour s'attaquer à de vrais ensembles de données avec toutes leurs faiblesses. Plus vous êtes proche de mener vos propres recherches et d'analyser vos propres données, plus ce cours devrait s'avérer utile.

   La perspective du cours est que les modèles de probabilité sont mieux considérés comme des mécanismes générateurs de données et conformément à ce point de vue, nous utilisons des méthodes basées sur la vraisemblance pour modéliser directement les données écologiques. Les ensembles de données proviennent de la littérature publiée, de mes propres projets de consultation ou sont fournis par des étudiants inscrits au cours. Si vous avez des données dont vous avez besoin pour être analysées, vous pouvez me les soumettre pour les utiliser en classe. Les sujets incluent:

   - Statistical distributions important in ecological modeling: binomial, Poisson, negative binomial, normal, lognormal, gamma, and exponential
   - Likelihood theory and its applications in regression
   - Generalized linear models: Poisson regression, negative binomial regression, logistic regression, and others
   - The perils of significance testing—multiple comparison adjustments and the false discovery rate
   - Model selection protocols: likelihood ratio tests, Wald tests, and information-theoretic alternatives to significance testing
   - Goodness of fit for GLMs: deviance statistics, extensions of R2, Pearson chi-square approaches
   - Regression models for temporally and spatially correlated data: random coefficient models (multilevel models) and the method of generalized estimating equations
   - Bayesian approaches to data analysis
   - Hierarchical Bayesian modeling using WinBUGS and R
   

Je suis sûr qu'il y a une tonne de chevauchement entre les cours, mais ses notes (et code R) sont disponibles pour chacun de ces cours et devraient s'avérer très utiles à la plupart des personnes visitant ce post.