ECOL 145 está destinado a ser una introducción intensa al análisis de datos ecológicos. Su público objetivo consiste en estudiantes de posgrado altamente motivados y estudiantes universitarios de nivel superior en disciplinas relacionadas biológicamente que idealmente tienen sus propios datos para analizar. Este es un curso serio, práctico, no apto para diletantes o aquellos que desean simplemente auditar y observar. Nos centramos en el uso de dos paquetes estadísticos modernos, R y WinBUGS, y los usamos para abordar conjuntos de datos reales con todas sus debilidades. Cuanto más cerca esté de llevar a cabo su propia investigación y analizar sus propios datos, más útil será este curso.
La perspectiva del curso es que los modelos de probabilidad se consideran mejor como mecanismos de generación de datos y, de acuerdo con este punto de vista, utilizamos métodos basados en la probabilidad para modelar directamente datos ecológicos. Los conjuntos de datos son de la literatura publicada, de mis propios proyectos de consultoría, o son proporcionados por estudiantes que están inscritos en el curso. Si tiene datos que necesita analizar, puede enviarlos para que los use en los ejercicios de clase. Los temas incluyen:
- 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