||
刚开始接触贝叶斯分析时的时候,通常都会觉得这玩意遥不可及,很玄很虚,MCMC上10000步,然后给你个结果。再加上贝叶斯的优势在于解决复杂的问题(不同来源的不确定性、随机性等),会让人感觉学习这玩意到底会有什么用处,自己以后会碰上这么复杂的问题吗?下面给出一些细小的事例,看看生态上哪些方面可以用得上:
1. 如果预测变量和反应变量都是用相同的方法测量的,在频度统计中,通常是假定反应变量有测量误差,而预测变量没有测量误差。实际上这是说不通的,两个变量都是用相同的方法得到的,为什么在模型中会给出不同的待遇?换句话说,我们同样需要考虑预测变量的不确定性。比如,茎叶比的研究中。传统的统计模型,是很难包含预测变量的不确定性的。而等级方法很容易实现这一点;
2.在大部分的实验中,我们都是假定实验的个体是等同的,对协变量的反应是一致的(相同的系数)。同样,这也是说不通的。尽管,在实验涉及的初期,实验者总是选取比如说大小相似、高度相似等等的个体,然而个体之间的异质性本质上存在的(深层次是由于遗传上的差异)。你不能要求所有的个体对某个因子的反应完全相同。在频度分析中,同样很难考虑这种个体的异质性问题。而等级方法很容易实现这一点;
3. 时间序列模型,空间模型。这类模型需要考虑不同时刻个体的差异,不同空间点上的差异。
注意的是,等级统计模型,既可以是贝叶斯的,也可以是频度的。只是贝叶斯走得更远一些,频度统计在等级模型这一块,差不多才刚刚起步(这里指的是特复杂的模型,不包括比如重复测量、广义线性模型、混合模型等等)。
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-9-1 11:22
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社