编辑推荐

适读人群:生态学研究人员
《面向生态学数据的贝叶斯统计:层次模型、算法和R编程》涵盖方法引论与实验分析应用两部分,针对多个时空尺度,介绍了适合于生态学数据的统计推断方法和层次模型,涉及经典频率论和贝叶斯统计的模型、算法和具体编程。

内容简介

  《面向生态学数据的贝叶斯统计:层次模型、算法和R编程》适用于生态学和环境科学专业的研究生和科研人员,可作为实验和观测数据分析的教材或参考书。具有一定概率论和贝叶斯统计基础及统计软件R应用编程技术的人员,对于理解和应用《面向生态学数据的贝叶斯统计:层次模型、算法和R编程》所涉及的相关方法是必要的。
  作为统计学的两大分支,频率论和贝叶斯统计创立的时间相差无几,但贝叶斯统计直到近10年才被逐步引进到生态学数据分析。《面向生态学数据的贝叶斯统计:层次模型、算法和R编程》涵盖方法引论与实验分析应用两部分,针对多个时空尺度,介绍了适合于生态学数据的统计推断方法和层次模型,涉及经典频率论和贝叶斯统计的模型、算法和具体编程。首先阐述厂生态学数据的层次结构和时空变异性,以及频率论和贝叶斯统计。然后介绍贝叶斯推断的基础概念、分析框架和算法原理;并进一步针对生态学层次模型、时间序列及时空复合格局数据依次展开分析模拟。在应用操作部分,配合方法部分的各章内容介绍基于R的算法与编程实践。最后《面向生态学数据的贝叶斯统计:层次模型、算法和R编程》还附录了与生态学数据密切相关的频率论与贝叶斯统计的基础知识。

作者简介

克拉克,美国人,国际知名生态学,译者沈泽昊,北京大学,生态学家。

目录

中译本序
译者序
原书前言
上篇面向生态学数据的模型:引论
第Ⅰ部分引言
第1章关联中的模型
1.1自然界和模型中的复杂性与隐蔽性
1.2建立联系:数据、推断和决策
1.3模型二元素:已知和未知
1.4利用模型学习:假设与量化
1.5估计与向前拟合
1.6统计实用主义
第2章模型要素:应用子种群增长
2.1模型和数据实例
2.2模型状态和时间
2.3未知的随机性
2.4过程模型的更多背景
第Ⅱ部分推断的要素
第3章点估计:最大似然法和矩法
3.1引言
3.2似然
3.3二项分布
3.4结合二项分布和指数分布
3.5正态分布的最大似然估计
3.6种群增长
3.7应用:结实性
3.8生存分析的最大似然法
3.9设计矩阵
3.10最大似然估计的数值方法
3.11矩配对
3.12常见的抽样分布与扩散
3.13假设和下一步
第4章贝叶斯方法的要素
4.1贝叶斯方法
4.2正态分布
4.3主观概率与先验的作用
第5章置信包络和预测区间
5.1经典的区间估计
5.2贝叶斯可信区间
5.3多参数的似然剖面
5.4几个参数的置信区间:线性回归
5.5用哪一个置信包络呢?
5.6预测区间
5.7不确定性和变异性
5.8何时采用贝叶斯统计?
第6章模型的评价与选择
6.1利用统计来评价模型
6.2假设检验的作用
6.3嵌套模型
6.4经典模型选择的附加讨论
6.5贝叶斯模型评价
6.6关于贝叶斯模型评价的其他思考
第III部分大型模型
第7章贝叶斯计算方法:模拟工具简介
7.1通过模拟得到后验
7.2一些基本模拟技术
7.3马尔可夫链蒙特卡罗模拟
7.4应用:回归的贝叶斯分析
7.5利用MCMC
7.6贝叶斯模型选择的计算
7.7响应变量的先验
7.8基础知识介绍完毕
第8章层次结构解析
8.1背景的层次模型
8.2混合线性模型和广义线性模型
8.3应用:对CO2的生长响应
8.4基于条件的思考
8.5有关树木的两个应用
……
第Ⅳ部分高级模型
附录A泰勒级数
附录B微分和差分方程的注释
附录C基础矩阵代数
附录D概率模型
附录E基本生活史
附录F常见分布
附录G常用的似然-先进共轭组合
下篇基于R的环境科学统计计算
参考文献
术语表

精彩书摘

  第1章关联中的模型
  1.1自然界和模型中的复杂性与隐蔽性
  《面向生态学数据的贝叶斯统计:层次模型、算法和R编程》是关于数据与模型的,以此来帮助人们预测并加深对模型的理解。这两个目标是互补的,二者均涉及推断,其中模型分析可以采用预测性分布的形式给出。对于环境科学家来讲,自然界和被人类管理的系统都是高维度的,即很多彼此关联的因素同时在起作用(Levin1998;Clark2005;ClarkandGelfand2006a)。自然界在很大程度上是不可测、不可观察的,或二者兼具,并在很大程度上难以操纵。面对模糊、复杂和无法控制的过程,环境科学家早就意识到简化的必要性(Schaffer1981;Caswell1988)。理论家和实验派都试图从自然中提取出重要的关系,使之能够在可控的条件下得到研究。生态学家们构建只包含少数变量和参数的模型,他们还设计出只有少数几种处理的实验。
  但是,理论和实验的如此简化导致将那些分析生态学模型的人与收集数据并从中推断的人隔离开来。这一分隔使得用数据来检验理论和以适宜的方式来模拟数据变得困难起来(如Oreskeseta1.1994)。《面向生态学数据的贝叶斯统计:层次模型、算法和R编程》的目标就是介绍有助于缓解这种隔离的数据分析方法,从基于传统过程和统计模型的概念开始,直至允许深层整合的现代技术。本章将从一些背景知识开始。
  1.1.1为什么生态模型是低维度的?
  试图从一个过程中提炼出重要的特征是所有科学领域的重要组成部分。从概念(理论)角度来说,这种提炼经由只包含几个变量和参数的过程模型来实现。高维过程模型是难以得到解析解的,如果不简化这些模型,我们就无法得到变量间的明晰关系。此外,复杂的过程模型难以在其发展形成的条件之外使用。如果我们能够提炼关键要素,以此发展一个简单的模型来分析,或许能让我们理解其过程的行为与机理.
  这种简化需要以数学方式来表达系统,而生态学数据通常不能满足其要求的假设。一般来讲,理论学家们表达的过程可能是普适的,但难以适用于某个具体地方。从理论与现实世界之间的复杂性差异来看,数学模型经常被认为与现实毫不相关是不足为奇的(如Simberloff1980)。在我十多年的数学模型教学经验中,生态学教科书里描述的基本模型能直接应用于生态数据的情况屈指可数。关于模型,关联性可能是以可解性为代价的。
  ……

其他推荐