In:
Methods in Ecology and Evolution, Wiley, Vol. 14, No. 10 ( 2023-10), p. 2557-2574
Abstract:
Die Beurteilung der biologischen Relevanz von Varianzkomponenten, die mit MCMC‐basierten gemischten Modellen geschätzt werden, ist nicht trivial. Varianzschätzungen sind notwendigerweise größer als Null, und ihre A‐Posteriori‐Wahrscheinlichkeitsverteilungen sind oft asymmetrisch. Verschiedene Maße der zentralen Tendenz für diese Verteilungen können daher stark variieren, und die Kredibilitätsintervalle können nicht Null enthalten, was es schwierig macht, die Größe und die statistische Absicherung für die Varianz zwischen Gruppen zu bewerten. Die statistische Absicherung wird häufig durch eine visuelle Inspektion der gesamten A‐Posteriori‐Wahrscheinlichkeitsverteilung vorgenommen, so dass die Interpretation von subjektiven Entscheidungen abhängt. Wir verwenden Simulationen, um die Schwierigkeiten bei der Beschreibung der A‐Posteriori‐Wahrscheinlichkeitsverteilungen von Varianzschätzungen aus MCMC‐basierten Modellen zu demonstrieren. Anschließend beschreiben wir verschiedene Methoden zur Erzeugung einer erwarteten Nullverteilung (d.h. einer Verteilung der Effektgrößen, die sich ergeben würde, wenn es keine Varianz zwischen den Gruppen gäbe), die als Hilfe bei der Interpretation der Varianzschätzungen verwendet werden kann. Durch den Vergleich häufig verwendeter Maße der zusammenfassenden Statistik von A‐Posteriori‐Wahrscheinlichkeitsverteilungen der Varianzkomponenten zeigen wir, dass der A‐Posteriori‐Median in der Regel die geringste Verzerrung aufweist. Darüber hinaus zeigen wir, wie Nullverteilungen verwendet werden können, um einen p‐Wert abzuleiten, der zusätzliche Informationen zu den üblicherweise dargestellten Maßen der zentralen Tendenz und Unsicherheit liefert. Schließlich zeigen wir, wie diese p‐Werte die Durchführung von Trennschärfeanalysen innerhalb eines MCMC‐Ansatzes erleichtern. Die Verwendung von Nullverteilungen für Varianzkomponenten kann das Studiendesign und die Interpretation der Ergebnisse von MCMC‐basierten Modellen unterstützen. Wir hoffen, dass dieses Manuskript Empiriker:innen, die gemischte Modelle verwenden, dazu anregt, sorgfältiger über ihre Ergebnisse, die deskriptiven Statistik‐Maße, die sie präsentieren, und die Schlussfolgerungen, die sie daraus ziehen können, nachzudenken.
Type of Medium:
Online Resource
ISSN:
2041-210X
,
2041-210X
DOI:
10.1111/2041-210X.14200
Language:
English
Publisher:
Wiley
Publication Date:
2023
detail.hit.zdb_id:
2528492-7
Bookmarklink