Bei der Diskussion von Artenverteilungsmustern entlang räumlicher, zeitlicher oder funktionaler Gradienten findet man häufig ein buckelförmiges Artenreichtumsmuster. Dies ist in vielen Taxa und räumlichen Skalen gut dokumentiert und als Mid-Domain-Effect bekannt ( zB Colwell & Lees 2000 ).
Auch diese Muster entstehen stochastisch (abhängig von der Artbereichshäufigkeitsverteilung). Daher wird die zufällige Verteilung der Mittelpunkte der Artenbereiche als Nullmodelle verwendet, um diese Mid-Domain-Effekte zu testen.
Diese Modelle gehen jedoch von unfragmentierten Artenverbreitungen aus. Bei einem stark fragmentierten Artenspektrum würde das Muster ganz anders aussehen.
Ich möchte also keine Diskussion über die Gültigkeit dieses Konzepts beginnen, sondern eher fragen:
Bei einem Gradienten und bekannten Artenvorkommen auf diesem Gradienten. Hat jemand einen Artikel darüber gelesen (oder hat eine Idee), was ein guter/unvoreingenommener* Schätzer für die Fragmentierung des Artenspektrums wäre?
Vielen Dank
*zB: Eine, die die Fragmentierung für seltene oder häufig vorkommende Arten nicht über- oder unterschätzt
Sehr interessante Frage +1. Ich kenne die Literatur zu diesem Thema nicht sehr gut, aber ich habe nicht viel gefunden, indem ich danach gesucht habe. Ich weiß, dass es eine Reihe von Methoden gibt, wenn Sie genetische Daten haben ( STRUKTUR oder einige der Arbeiten von J. Novembre wahrscheinlich).
Hier sind zwei mögliche Lösungen
Passend zu Verteilungen
Sie könnten 1, 2, 3, ..., n Normalverteilungen (oder Gleichverteilungen) an die beobachteten Daten anpassen. Vergleichen Sie jedes Mal ihre maximale Wahrscheinlichkeit (für die Sie möglicherweise eine MCMC mit 2⋅x Parametern benötigen, wobei ist die Anzahl der Verteilungen, die Sie anpassen) und wählen Sie das "beste" Modell mit einigen Informationskriterien wie AIC oder BIC aus.
Die Anzahl der Fragmente ist nur die Wert, der dem niedrigsten AIC zugeordnet ist.
Logistische Regression
Eine andere (schnellere und einfachere) Lösung wäre, eine logistische Regression an Ihre Daten anzupassen.
Passen Sie iterativ eine logistische Regression des Grades 1,2,3,...n an und verwenden Sie dann erneut einige Informationskriterien, um die „Besten“ auszuwählen.
Um die Anzahl der Fragmente zu finden, können Sie dann entweder die Anzahl der Grade im Modell verwenden oder noch besser einen Schwellenwert für die Wahrscheinlichkeit verwenden, eine Null zu erhalten (was Sie mit den Paketeffekten in R berechnen könnten ) .
Anmerkungen
Es wird wahrscheinlich einen Tag oder so dauern, wenn Sie mit diesen Methoden vertraut sind und über Programmierkenntnisse verfügen.
Vielleicht möchten Sie auch Meinungen von stats.SE einholen .
Dateiunterwasser
LebenindenBäumen