Обобщенные линейные смешанные модели (GLMM) в исследованиях экологии сообществ с использованием статистической среды R
Ключевые слова:
экология сообществ, регрессионный анализ, GLMM, статистическая среда RАннотация
Анализ данных в экологии сообществ часто имеет определенные трудности, так как стандартные параметрические методы неприменимы вследствие, того, что экологические данные редко соответствуют закону нормального распределения, отсутствуют линейные соотношения между переменными, может быть коллинеарность между объясняющими переменными и избыточная дисперсия в наборах данных. В предложенной статье рассматривается подход, основанный на применении обобщенных регрессионных моделей со смешанными эффектами (GLMM), который позволяет анализировать данные синэкологических исследований с учетом указанных сложностей, а также включать в анализ не только количественные, но и качественные предикторы. С использованием собственных результатов исследований ассамблей жужелиц в нескольких типах лесов продемонстрированы этапы выполнения GLMM в статистической среде R. Предложен несложный программный код для GLMM, доступный для использования начинающим исследователям. Детально рассмотрен протокол разведочного анализа данных, обосновано использование соответствующих пакетов, включая lme4, performance, car и др.
Библиографические ссылки
- Shitikov VK, Mastitskiy SE. Klassifikatsiya, regressiya i drugiye algoritmy Data Mining s ispol’zovaniyem R [Classification, Regression and Other Data Mining Algorithms Using R]. [Place unknown]: Elektronnaya kniga; 2017. 351 р. Russian.
- Legendre P, Legendre L. Numerical Ecology. 3rd edition. Amsterdam: Elsevier Science. BV; 2012. 990 p.
- Kabacov RI. R in Action. Data analysis and graphics with R. Shelter Island, New York: Manning Publications Co.; 2012. 580 р.
- Borcard D, Gillet F, Legendre P. Numerical Ecology with R. Wien: Springer Nature; 2011. 319 p.
- McCune B, Grace JB. Analysis of ecological communities. Gleneden Beach: MjMSoftware Design; 2002. 304 p.
- Mastitskiy SE, Shitikov VK. Statisticheskiy analiz i vizualizatsiya dannykh s pomoshch’yu R [Statistical analysis and data visualization using R]. Moscow: DMK Press; 2015. 496 p. Russian.
- Hastie T, Tibshirani R, Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd edition. New York: Springer; 2009. 745 p.
- Zuur AF, Ieno EN, Walker N, Saveliev, AA, Smith GM. Mixed Effects Models and Extensions in Ecology With R. New York: Springer; 2009. 574 р.
- Zuur AF, Ieno EN, Smith GM. Analyzing Ecological Data. New York: Springer; 2007. 672 р.
- Faraway JJ. Extending the linear model with R: generalized linear, mixed effects and nonparametric regression models. Volume 124. Chapman & Hall/CRC Taylor & Francis Group; 2017. 331 р.
- Chetverikov AA, Lineynyye modeli so smeshannymi effektami v kognitivnykh issledovaniyakh [Linear models with mixed effects in cognitive research]. Rossiyskiy zhurnal kognitivnoy nauki. 2015;2(1):41–51. Russian.
- R Development Core Team (2024) R: A language and environment for statistical computing. R Foundation for Statistical Computing. [Internet, cited 2024 December 12]. Vienna: Austria. Available from: https://www.R-project.org.
- Bates D, Maechler M, Bolker B, Walker S. Fitting linear mixed-effects models using lme4. Journal of Statistical Software. 2015;67:1–48.
- Zuur AF, Ieno EN, Elphick CS. A protocol for data exploration to avoid common statistical problems. Methods of Ecology and Evolution. 2010;1:3–14.
