'

ГОРАЗДО ЛЕГЧЕ ЧТО-ТО ИЗМЕРИТЬ, ЧЕМ ПОНЯТЬ, ЧТО ИМЕННО ВЫ ИЗМЕРЯЕТЕ Дж. Салливен

Понравилась презентация – покажи это...





Слайд 0

ГОРАЗДО ЛЕГЧЕ ЧТО-ТО ИЗМЕРИТЬ, ЧЕМ ПОНЯТЬ, ЧТО ИМЕННО ВЫ ИЗМЕРЯЕТЕ Дж. Салливен ВСЕ, ЧЕГО НЕЛЬЗЯ ВЫРАЗИТЬ В ЦИФРАХ, НЕ НАУКА, А ПРОСТО МНЕНИЕ Роберт Хайнлайн ЗАКОНЫ МАТЕМАТИКИ, ИМЕЮЩИЕ КАКОЕ-ЛИБО ОТНОШЕНИЕ К РЕАЛЬНОМУ МИРУ, НЕНАДЕЖНЫ; А НАДЕЖНЫЕ МАТЕМАТИЧЕСКИЕ ЗАКОНЫ НЕ ИМЕЮТ ОТНОШЕНИЯ К РЕАЛЬНОМУ МИРУ Альберт Эйнштейн РАЗНООБРАЗИЕ И СТРУКТУРА СООБЩЕСТВ: ВВЕДЕНИЕ В МЕТОДЫ АНАЛИЗА


Слайд 1

ВИДОВОЕ БОГАТСТВО: КАК ЕГО ОЦЕНИТЬ? КАКАЯ ГРУППА БОГАЧЕ ВИДАМИ: ИНФУЗОРИИ ИЛИ ПОЗВОНОЧНЫЕ?


Слайд 2

ВИДОВОЕ БОГАТСТВО ЗАВИСИТ ОТ МАСШТАБА ЕГО НУЖНО НОРМИРОВАТЬ. КАК? НА ПЛОЩАДЬ (НА м2 ? НА ГЕКТАР?) НА РАЗМЕР ОСОБИ? НА ЧИСЛО ОСОБЕЙ?


Слайд 3

УРОВНИ РАЗНООБРАЗИЯ по УИТТЕКЕРУ


Слайд 4

НАКОПЛЕНИЕ ВИДОВ («КРИВАЯ СБОРЩИКА») ВИДОВОЕ БОГАТСТВО ЧИСЛО ВИДОВ: на пробу: Ssample на n особей: ES(n)


Слайд 5

ОЦЕНКИ ?-РАЗНООБРАЗИЯ ПО СООТНОШЕНИЮ ?- и ?-РАЗНООБРАЗИЯ: ? = ? – ? (аддитивный метод) ? = 1- ? / ? (мультипликативный метод) НЕДОСТАТОК: ЗАВИСИТ ОТ ОБЪЕМА ВЫБОРКИ НА ОСНОВЕ ИНДЕКСОВ СХОДСТВА: ? = 1 – SIMIL НЕДОСТАТОК: ЗАВИСИТ ОТ ИНДЕКСА ПО СКОРОСТИ РОСТА КРИВОЙ НАКОПЛЕНИЯ ВИДОВ НЕДОСТАТКИ: 1) ЗАВИСИТ ОТ СПОСОБА АППРОКСИ-МАЦИИ КРИВОЙ; 2) НАДО СЧИТАТЬ ВРУЧНУЮ


Слайд 6

СРАВНЕНИЕ КРИВЫХ НАКОПЛЕНИЯ ВИДОВ РАСЧЕТ ПО СТЕПЕННОЙ АППРОКСИМАЦИИ: S = a Nb log S = log a + b log N a = ?; b = ? (угол наклона)


Слайд 7

ОЦЕНКИ «ПОЛНОГО» ЧИСЛА ВИДОВ ПО ВЫБОРКЕ Пусть взято N проб, вид найден в n проб. Встречаемость такого вида (вероятность найти его в пробе): n/N Вероятность НЕ найти его в пробе: 1-n/N Вероятность пропустить такой вид (не найти ни в одной из проб): (1-n/N)N


Слайд 8

ТАКСОНОМИЧЕСКОЕ РАЗНООБРАЗИЕ


Слайд 9

АНАЛИЗ СХОДСТВА


Слайд 10

ТРЕБОВАНИЯ К МЕРАМ СХОДСТВА МАСШТАБ: 0 ? S ? 1 МАСШТАБ: 0 ? S ? 1 СИММЕТРИЯ: SAB = SBA ВЕРХНИЙ ПРЕДЕЛ: SAA = 1 НИЖНИЙ ПРЕДЕЛ: SAB = 0, ЕСЛИ A ? B = 0


Слайд 11

СХОДСТВО ДЛЯ КАЧЕСТВЕННЫХ ДАННЫХ (ЕСТЬ/НЕТ) 4-ХПОЛЬНАЯ ТАБЛИЦА RI = a + c RII = a + b RI+II = a + b + c


Слайд 12

ИНДЕКСЫ СХОДСТВА ДЛЯ КАЧЕСТВЕННЫХ ДАННЫХ


Слайд 13

ИНДЕКСЫ СХОДСТВА ДЛЯ КАЧЕСТВЕННЫХ ДАННЫХ НЕЧУВСТВИТЕЛЕН К РАЗЛИЧИЯМ В ДЛИНЕ СПИСКОВ (a+b >> a+c)


Слайд 14

ИНДЕКСЫ СХОДСТВА ДЛЯ КОЛИЧЕСТВЕННЫХ ДАННЫХ


Слайд 15

МЕТОДЫ МНОГОМЕРНОЙ СТАТИСТИКИ (много объектов со многими признаками)


Слайд 16

ИЕРАРХИЧЕСКАЯ КЛАССИФИКАЦИЯ: КЛАСТЕР-АНАЛИЗ (CLUSTER-ANALYSIS)


Слайд 17

СПОСОБЫ ОБЪЕДИНЕНИЯ ГРУПП ОБЪЕКТОВ


Слайд 18

МЕТОД БЛИЖАЙШЕГО СОСЕДА


Слайд 19

МЕТОД ДАЛЬНЕГО СОСЕДА


Слайд 20

МЕТОДЫ ОРДИНАЦИИ ЗАДАЧИ: ОТРАЗИТЬ ВЗАИМНОЕ ПОЛОЖЕНИЕ ОБЪЕКТОВ УМЕНЬШИТЬ РАЗМЕРНОСТЬ ПРОСТРАНСТВА ПРИЗНАКОВ ВЫЯВИТЬ «СКРЫТУЮ СТРУКТУРУ» ДАННЫХ ИСХОДНАЯ ИДЕЯ: ЛЮБОЙ ОБЪЕКТ С n ПРИЗНАКАМИ МОЖНО ПРЕДСТАВИТЬ КАК ТОЧКУ В n-МЕРНОМ ПРОСТРАНСТВЕ


Слайд 21

МОДЕЛЬ СВЯЗИ ПРИЗНАКОВ МЕЖДУ СОБОЙ И СО «СКРЫТЫМИ ФАКТОРАМИ» СПОСОБ ПОСТРОЕНИЯ ОСЕЙ ОРДИНАЦИИ ОПРЕДЕЛЕНИЕ ПОЛОЖЕНИЯ ОБЪЕКТОВ В НОВЫХ ОСЯХ


Слайд 22

МЕТОД ГЛАВНЫХ КОМПОНЕНТ (PRINCIPAL COMPONENT ANALYSIS, PCA)


Слайд 23

МЕТОД ГЛАВНЫХ КОМПОНЕНТ (PRINCIPAL COMPONENT ANALYSIS)


Слайд 24

Данные без структуры Данные со скрытой структурой МЕТОД ГЛАВНЫХ КОМПОНЕНТ (PRINCIPAL COMPONENT ANALYSIS)


Слайд 25

МЕТОД ГЛАВНЫХ КОМПОНЕНТ (PRINCIPAL COMPONENT ANALYSIS) ВТОРАЯ ОСЬ - НАПРАВЛЕНИЕ НАИБОЛЬШЕГО РАЗБРОСА ТОЧЕК, ПЕРПЕНДИКУЛЯР-НОЕ ПЕРВОЙ


Слайд 26

ПРИМЕР: ОРДИНАЦИЯ СТАНЦИЙ ПО ФАКТОРАМ СРЕДЫ НАГРУЗКА (ВКЛАД В КОМПОНЕНТУ) ПЕРЕМЕННАЯ 1-АЯ (44%) 2-АЯ (19%) РАЗМЕР ЧАСТИЦ 0.936 0.245 РАЗБРОС РАЗМЕРОВ 0.967 0.073 ВРЕМЯ ОСУШЕНИЯ 0.911 -0.212 ВЛАЖНОСТЬ ГРУНТА -0.671 0.066 МОЩН. СОВР. ОСАДКА -0.609 0.364 PH -0.561 0.058 СТЕПЕНЬ СОРТИРОВКИ 0.555 -0.747 % ИЛОВОЙ ФРАКЦИИ -0.522 -0.673 АЭРИРОВАННЫЙ СЛОЙ 0.137 0.723 EH 0.216 0.564


Слайд 27

ПРИМЕР: ОРДИНАЦИЯ СТАНЦИЙ ПО ФАКТОРАМ СРЕДЫ


Слайд 28

АНАЛИЗ СООТВЕТСТВИЙ (CORRESPONDENCE ANALYSIS, CA-DCA)


Слайд 29

ПРИМЕР АНАЛИЗА СООТВЕТСТВИЙ: ОРДИНАЦИЯ СТАНЦИЙ ПО ОБИЛИЮ ВИДОВ


Слайд 30


Слайд 31

РАСПОЛАГАЕТ ОБЪЕКТЫ ТАК, ЧТОБЫ РАССТОЯНИЯ МЕЖДУ НИМИ СООТВЕТСТВОВАЛИ ВЕЛИЧИНАМ НЕСХОДСТВА ЗАДАЧИ: ВИЗУАЛИЗАЦИЯ ДАННЫХ О СХОДСТВЕ УМЕНЬШЕНИЕ РАЗМЕРНОСТИ МНОГОМЕРНОЕ ШКАЛИРОВАНИЕ (MULTIDIMENSIONAL SCALING)


Слайд 32

ПРИМЕР МНОГОМЕРНОГО ШКАЛИРОВАНИЯ: ОРДИНАЦИЯ СТАНЦИЙ ПО ОБИЛИЮ ВИДОВ


Слайд 33

ВЫЯВЛЕНИЕ СВЯЗИ МЕЖДУ СТРУКТУРОЙ СООБЩЕСТВ И ФАКТОРАМИ СРЕДЫ Группы проб выделяются (ординацией или классификацией) – ANOSIM (проверка гипотез) Ординация дает четкие результаты (высок % объясненной дисперсии PCA или DCA), факторов немного – корреляция координат проб на осях с факторами среды Прямой градиентный анализ (канонический анализ соответствий, ССА) Корреляционный анализ (недостатки: нелинейность, выбросы, мультиколлинеарность, множ-ть сравнений) Регрессия на матрицах сходства (RSM)


Слайд 34

КАНОНИЧЕСКИЙ АНАЛИЗ СООТВЕТСТВИЙ (CANONICAL CORRESPONDENCE ANALYSIS, CCA) АНАЛОГ ССА, НО ОСИ ОРДИНАЦИИ КОНСТРУИРУЮТСЯ КАК ЛИНЕЙНЫЕ КОМБИНАЦИИ ФАКТОРОВ СРЕДЫ. ЭТИ ОСИ ПОДБИРАЮТСЯ ТАК, ЧТОБЫ ОПИСЫВАТЬ РАСПРЕДЕЛЕНИЕ ВИДОВ ВДОЛЬ НИХ (ОТКЛИК ВИДОВ – УНИМОДАЛЬНЫЙ)


Слайд 35

ПРОБЛЕМА: ВЕЛИЧИНЫ СХОДСТВА В МАТРИЦЕ ВЗАИМОСВЯЗАНЫ (ЕСЛИ A похоже на B и B похоже на C, то A не может сильно отличаться от C) МАТРИЦЫ СХОДСТВА – ПРОВЕРКА ГИПОТЕЗ


Слайд 36

ГИПОТЕЗА О СООТВЕТСТВИИ МЕЖДУ ДВУМЯ МАТРИЦАМИ СХОДСТВА (ПЕРЕСТАНОВОЧНЫЙ ТЕСТ МАНТЕЛЯ, MANTEL’ PERMUTATION TEST) МЕРА СООТВЕТСТВИЯ - КОРРЕЛЯЦИЯ МЕЖДУ ПАРАМИ (Sij , Pij)


Слайд 37

ПРИМЕР: СООТВЕТСТВУЕТ ЛИ СХОДСТВО СТАНЦИЙ ПО БЕНТОСУ CХОДСТВУ ПО АБИОТЕ? Rank correlation method: Spearman Sample statistic (Rho): 0.257 Significance level of sample statistic: 0.7 % Number of permutations: 999 Number of permuted statistics greater than or equal to Rho: 6


Слайд 38

ОРДИНАЦИЯ СТАНЦИЙ ПО ОБИЛИЮ ВИДОВ (МНОГОМЕРНОЕ ШКАЛИРОВАНИЕ)


Слайд 39

НЕСЛУЧАЙНОСТЬ ГРУППИРОВКИ ОБЪЕКТОВ (Analysis Of Similarities, ANOSIM) ДЕЙСТВИТЕЛЬНО ЛИ СТАНЦИИ ОДНОГО ГОРИЗОНТА БОЛЕЕ ПОХОЖИ, ЧЕМ СТАНЦИИ РАЗНЫХ ГОРИЗОНТОВ? 1) РАНЖИРУЕМ ВСЕ ВЕЛИЧИНЫ СХОДСТВА (ПО УБЫВАНИЮ) 2) СЧИТАЕМ СРЕДНИЕ РАНГИ: - ДЛЯ ВСЕХ ПАР ВНУТРИ ГРУПП (Sвн) - ДЛЯ ВСЕХ ПАР ИЗ РАЗНЫХ ГРУПП (Sмеж)


Слайд 40

R меняется от -1 до +1 R = +1, если ВСЕ пробы из одной группы более схожи, чем ЛЮБАЯ пара проб из разных групп R = 0, если нет различий между сходством проб внутри групп и между группами ОЦЕНКА ДОСТОВЕРНОСТИ: СЧИТАЕМ Rслуч ДЛЯ СЛУЧАЙНЫХ ПЕРЕТАСОВОК ПРОБ ПО ГРУППАМ СРАВНИВАЕМ РЕАЛЬНОЕ R СО МНОЖЕСТВОМ Rслуч


Слайд 41

Global Test Sample statistic (Global R): 0.558 Уровень значимости R: 0.1% Число случайных вариантов: 999 Число случайных вариантов, давших значение R, большее или равное наблюдаемому: 0 Global R


Слайд 42

Pairwise Tests R Significance Actual Number >= Groups Statistic Level % Permutations Observed A, B 0.828 0.4 999 3 A, C 0.514 0.3 999 2 B, C 0.341 0.5 999 4


Слайд 43

Процедура SIMPER (Similarity percentages - species contributions) ВЫДЕЛЕНИЕ ХАРАКТЕРНЫХ И ДИФФЕРЕНЦИРУЮЩИХ ВИДОВ ДЛЯ ГРУПП СТАНЦИЙ ХАРАКТЕРНЫЕ ВИДЫ: ОПРЕДЕЛЯЮТ СХОДСТВО ПРОБ ВНУТРИ ГРУППЫ ДИФФЕРЕНЦИРУЮЩИЕ ВИДЫ: ОПРЕДЕЛЯЮТ РАЗЛИЧИЯ МЕЖДУ СТАНЦИЯМИ


Слайд 44

ХАРАКТЕРНЫЕ ВИДЫ


Слайд 45

ДИФФЕРЕНЦИРУЮЩИЕ ВИДЫ


×

HTML:





Ссылка: