Disciplina Discipline BIE5781
Modelagem Estatística para Ecologia e Recursos Naturais
Estatistical Modelling for Ecology and Environmental Sciences

Área de Concentração: 41134

Concentration area: 41134

Criação: 03/07/2020

Creation: 03/07/2020

Ativação: 03/07/2020

Activation: 03/07/2020

Nr. de Créditos: 6

Credits: 6

Carga Horária:

Workload:

Docentes Responsáveis:

Professors:

João Luis Ferreira Batista

Paulo Inácio de Knegt López de Prado

Objetivos:

1. Apresentar a abordagem de descrição de dados por meio de modelos estatísticos simples, e sua utilidade para interpretar resultados de pesquisas empíricas na áreas de de ecologia e de recursos naturais. 2. Apresentar o paradigma da verossimilhança para construção e avaliação de modelos estatísticos, e a maneira de usá-lo nas análises mais usuais em Ecologia e pesquisa e manejo de Recursos Naturais. 3. Demonstrar as vantagens dessa abordagem, especialmente devido às particularidades do método científico aplicado à Ecologia e à pesquisa e manejo de Recursos Naturais

Objectives:

1. To present the rationale of data description thorugh simple statistical models, as well as how this approach can help the interpretation of results of empirical research in the areas of ecology and natural resources. 2. To present how the likelihood paradigm can guide the construction and evaluation of statistical models, and the how to use such approach in Ecology and research and management of Natural Resources. 3. To understand the advantages of this approach, especially concerning the particularities of the scientific method applied to Ecology and to the research and management of Natural Resources

Justificativa:

Nas ciências naturais os cientistas recorrem à estatística para avaliar em que extensão seus resultados são evidência favor de uma hipótese, em detrimento de outras. Uma maneira de para se fazer isso é modelar as variáveis de interesse (repostas) como distribuições de probabilidade, cujos parâmetros são funções das variáveis preditoras. Se usamos a Lei da Verossimilhança para fazer a estimativa desses parâmetros e a comparação dos modelos concorrentes, temos um critério objetivo para a interpretação de resultados como evidências a favor de uma dada hipótese, em comparação com outras. Trata-se de uma alternativa aos métodos estatísticos mais usados nas ciências naturais atualmente, que adotam os critérios de significância de Fisher e/ou de tomada de decisão de Neyman-Pearson, e não o de valor de evidência. Há uma crescente percepção dos ecólogos e cientistas das áreas ambientais de que o modelamento estatístico e a Lei da Verossimilhança são paradigmas mais adequados para a interpretação do tipo de dados que produzem. Isso justifica a necessidade de uma disciplina que apresente os princípios teóricos desta abordagem, e exemplifique suas aplicações

Rationale:

Researchers in natural sciences often expect that statistics allows to assess the extent to which their results are evidence in favor of one hypothesis, to the detriment of others. One way to do this is to model the variables of interest (responses) as probability distributions, whose parameters are functions of the predictor variables. By using the Likelihood Law to estimate these parameters and to compare competing models we have an objective criterion for interpreting results as evidence in favor of a given hypothesis, in comparison with others. This approach offers an alternative Fisher’s significance and / or Neyman-Pearson decision-making criteria, widely used in the natural sciences today. There is a growing perception that statistical modeling and the Law of Likelihood are more suitable paradigms for interpreting data from research in ecology ans environmental sciences. This thus need an introductory course on the theoretical principles of this approach and its applications

Conteúdo:

1. Modelos e evidências empíricas: concepção do método científico baseado na construção de modelos conceituais e quantitativos, o papel da coleta de dados e dos métodos de análise de dados, o teste de hipóteses científicas através da comparação de modelos, exemplos de pesquisas em ecologia e recursos raturais baseadas em modelos estatísticos . 2. O paradigma da verossimilhança na pesquisa científica: princípio e a lei da verossimilhança, a função de verossimilhança, a verossimilhança como medida de evidência científica, estimação de parâmetros por máxima verossimilhança, o teste de hipóteses em Ecologia através da comparação de modelos, a abordagem da Teoria da Informação e a distância de Kulbac-Leibler, o critério de informação de Akaike (AIC) e comparação de modelos. Comparações com outras abordagens de inferência estatística. 3. Modelos de distribuição univariadas: a introdução de incertezas amostrais em modelos ecológicos, distribuições de probabilidade mais usadas em ciências naturais, ajuste por máxima verossimilhança, verificação do ajuste e comparação de modelos alternativos. 4. Modelos para variáveis Gaussianas: uma visão geral de modelos estatísticos baseados na distribuição Normal: modelos lineares clássicos, uma revisão crítica da análise de variância e modelos de regressão; introdução a modelos não lineares, aplicações em ecologia e manejo de Recursos Naturais. 5. Panorama de outros modelos estatísticos na ecologia: modelos ccológicos baseados em outras distribuições estatísticas, uma introdução aos modelos lineares e não lineares com variáveis não Gaussianas. Breve apresentação de outros modelos estatísticos em ecologia: modelos hierárquicos e de efeito misto, modelos de ocupação, abundância e diversidade de espécies, modelos de padrão espacial e modelos estocásticos

Content:

1. Empirical models and evidence: views of the scientific method concerning the construction of conceptual and quantitative models, the role of data collection and data analysis methods, testing of scientific hypotheses by comparing models. Examples of research in ecology and natural resources based on statistical models. 2. The likelihood paradigm in the scientific research: principle and the law of likelihood, the likelihood function, likelihood as a measure of scientific evidence, estimation of parameters by maximum likelihood, hypotheses testing in Ecology through comparison of competing models, the approach of Information theory and the Kulbac-Leibler distance, the Akaike information criterion (AIC) and model selection. Comparisons with other statistical inference approaches. 3 . Models of univariate distributions: sources of sample uncertainties in ecological models, most used probability distributions in natural sciences, model fit by maximum likelihood, model evaluation and comparison to alternative models. 4. Gaussian variables: an overview of statistical models based on the Normal distribution: classic linear models, a critical review of the analysis of variance and regression models; introduction to non-linear models, applications in ecology and management of Natural Resources. 5. Overview of other statistical models in ecology and environmental sciences: models based on other statistical distributions, an introduction to linear and non-linear models with non-Gaussian variables. Brief presentation of other statistical models in ecology: hierarchical and mixed effect models, models of occupation, abundance and diversity of species, models of spatial pattern and stochastic models

Forma de Avaliação:

Serão avaliadas a participação em seminários e discussões em aula, exercícios práticos em computador, e por trabalho final de análise de dados

Type of Assessment:

Effective engajement in seminars and class discussions, practical computer exercises, and a final assignement on data analysis

Observação:

Disciplina condensada. Por favor veja pré-requisitos e recomendações no sítio da disciplina : http://cmq.esalq.usp.br/BIE5781/

Notes/Remarks:

Condensed course. Please see prerequisites and recommendations on the course website: http://cmq.esalq.usp.br/BIE5781/

Bibliografia:

Básica Burnham, K. P., & Anderson, D. R. (2002). Model Selection and Multimodel Inference: A Practical-Theoretic Approach, 2nd ed. New York, Springer-Verlag. Bolker, B. (2008). Ecological Models and Data in R. Princeton, Princeton University Press. Edwards, A. W. F. (1972). Likelihood – An Account of the Statistical Concept of Likelihood and its Application to Scientific Inference. New York, Cambridge University Press. Hilborn, R. & Mangel, M. (1997). The Ecological Detective – Confronting Models with Data. Princeton, Princeton University Press. Royall, R. M. (2000). Statistical Evidence: A Likelihood Paradigm. London, Chapman and Hall. Complementar Batista, J.L.F. (2009). Verossimilhança e Máxima Verossimilhança (apostila). Anderson, D. R. (2008). Model based inference in the life sciences: a primer on evidence. New York, Springer. Edwards, A. W. F. (1974). History of Likelihood. Int. Stat. Rev. 42: 9-15. Hobbs, N.T. & Hilborn, R. (2006). Alternatives to statistical hypothesis testing in ecology: A guide to self-teaching. Ecological Applications: 16(1): 5-19. Johnson, J. B. & Omland, K. S. (2004). Model selection in ecology and evolution. Trends in Ecology and Evolution 19:101-108. Lindsey J. K. (2004) Introduction to applied statistics - a modelling approach. 2nd Ed, Oxford, Oxford University Press. Otto, S. P. & Day, T. (2007). A biologist's guide to mathematical modelling in ecology and evolution. Princenton, Princenton University Press. Royle, J. A. & Dorazio, R. (2008). Hierarchical Modeling And Inference In Ecology: The Analysis Of Data From Populations, Metapopulations And Communities. Oxford, Academic Press. Sober, E. (2008). Evidence and Evolution: the logic behind the science. Cambridge, Cambridge University Press. Taper, M. L. & Lele, S. R. (2004). The Nature of Scientific Evidence – Statistical, Philosophical and Empirical Considerations. Chicago, Chicago University Press

Bibliography:

Essential Burnham, K. P., & Anderson, D. R. (2002). Model Selection and Multimodel Inference: A Practical-Theoretic Approach, 2nd ed. New York, Springer-Verlag. Bolker, B. (2008). Ecological Models and Data in R. Princeton, Princeton University Press. Edwards, A. W. F. (1972). Likelihood – An Account of the Statistical Concept of Likelihood and its Application to Scientific Inference. New York, Cambridge University Press. Hilborn, R. & Mangel, M. (1997). The Ecological Detective – Confronting Models with Data. Princeton, Princeton University Press. Royall, R. M. (2000). Statistical Evidence: A Likelihood Paradigm. London, Chapman and Hall. Supplementary Batista, J.L.F. (2009). Verossimilhança e Máxima Verossimilhança (apostila). Anderson, D. R. (2008). Model based inference in the life sciences: a primer on evidence. New York, Springer. Edwards, A. W. F. (1974). History of Likelihood. Int. Stat. Rev. 42: 9-15. Hobbs, N.T. & Hilborn, R. (2006). Alternatives to statistical hypothesis testing in ecology: A guide to self-teaching. Ecological Applications: 16(1): 5-19. Johnson, J. B. & Omland, K. S. (2004). Model selection in ecology and evolution. Trends in Ecology and Evolution 19:101-108. Lindsey J. K. (2004) Introduction to applied statistics - a modelling approach. 2nd Ed, Oxford, Oxford University Press. Otto, S. P. & Day, T. (2007). A biologist's guide to mathematical modelling in ecology and evolution. Princenton, Princenton University Press. Royle, J. A. & Dorazio, R. (2008). Hierarchical Modeling And Inference In Ecology: The Analysis Of Data From Populations, Metapopulations And Communities. Oxford, Academic Press. Sober, E. (2008). Evidence and Evolution: the logic behind the science. Cambridge, Cambridge University Press. Taper, M. L. & Lele, S. R. (2004). The Nature of Scientific Evidence – Statistical, Philosophical and Empirical Considerations. Chicago, Chicago University Press

Tipo de oferecimento da disciplina:

Presencial

Class type:

Presencial