有关统计生态学的书籍？

我知道之前曾问过这个问题：生态学参考书，但这不是我想要的。

我在寻找的是是否有人可以推荐一本关于统计生态学的好书（或规范的参考书）？我对统计数据有很好的理解，因此该书确实可以适用于任何水平。我会用这本书来教自己更多关于统计学在生态学中的应用，而不是其他任何东西，因此，即使是一本带有良好/有趣示例的入门书，也将不胜感激。另外，我的研究倾向于针对贝叶斯统计，因此结合贝叶斯统计的书甚至更好！

我个人推荐的一些好书是：

• 希尔伯恩（Hilborn＆Mangel）（1997）生态侦探：面对数据的模型。普林斯顿大学出版社。

  这更多的是关于带有生态学例子的统计数据，但是这没有错。这将给出如何统计良好的风味，可以在生态学中使用。注意日期；它不会涵盖某些较新的开发或应用程序。

• M.亨利H.史蒂文斯（2009）生态学组成的引物，其中R。施普林格。

  也许太基础而不是特别是在任何空间上，但它涵盖了我们将教生态学家的各种主题，并用R代码说明了生态理论和模型。

• BM Bolker（2008）R中的生态模型和数据。普林斯顿大学出版社。

  我喜欢这本书。它涵盖了您在统计背景下会熟悉但在生态环境中应用的主题。强调拟合模型并使用R代码从基本原理进行优化。

• James S. Clark（2007）生态数据模型：简介。普林斯顿大学出版社。

  不要被标题中的“介绍”所拖累；这只是介绍。广泛的覆盖范围，大量的理论，强调采用贝叶斯方法手工拟合模型（例如，R实验室手册中的同伴讨论了编写自己的Gibbs采样器！）

不是一本书，但是我将在您特别提到您对高斯过程的兴趣时再加上一本书。看看集成嵌套拉普拉斯近似（INLA），它具有一个网站。这是一个R包，有很多示例可以使用。如果您查看他们的常见问题解答您会发现几篇描述该方法的论文，特别是：

H. Rue，S。Martino和N. Chopin。潜在的高斯模型的近似贝叶斯推断，使用集成的嵌套拉普拉斯近似值（有讨论）。皇家统计学会杂志，B系列，71（2）：319 {392，2009年。（此处提供 PDF ）。

基于贝叶斯统计的一些优秀生态书籍包括：

Kery，M.2010。面向生态学家的WinBUGS简介：贝叶斯回归方法，ANOVA，混合模型和相关分析。学术出版社。

Kery，M.和M. Schaub。2011。 使用WinBUGS进行贝叶斯人口分析：一种分层的观点。学术出版社。

Royle，JA和RM Dorazio。2008。生态学中的层次建模和推理：来自人口，后代和社区的数据分析。学术出版社

我也找到Zuur等。（2009年）非常有用。

Zuur，A.，EN Ieno，N。Walker，AA Saveliey和GM Smith。 R的生态混合效应模型及其扩展。施普林格。

杰克·韦斯（愿他安息）是一个优秀的训练有素的统计学家也确实对生态/环境的原则，把握好。他是美国乃至全球生态/环境科学家的宝贵统计顾问。

尽管他没有我知道的任何书籍，但他的课程笔记仍然可以在线获得：

1. 生态学中的统计方法 [或2012年版]

   课程描述：这是面向生态学家及其亲属的统计建模课程。我们专注于基本统计方法，主要是回归分析，并描述了如何扩展它们以使其更适合于分析生态数据。这些扩展包括使用更实际的概率模型（超出正态分布），并考虑观察值在统计上不是独立的情况。对于每个模型，我们认为我们将看到如何使用常客（尽可能）方法和贝叶斯方法进行估计。我们这里的重点是深度而不是广度。（我教的另一门研究生课程ECOL 562是一门调查课程，涵盖了对环境科学有用的多种统计方法。本课程着重于该课程中40％的材料，但涵盖的范围更广。）

   假定熟悉统计分析的标准参数方法，例如假设检验。本课程旨在在本科统计学课程中通常讲授的内容与成功分析生态学和环境科学中的数据所需的内容之间进行过渡。理想的参与者是已经参加了统计学入门课程并且希望看到统计学在环境科学和生态学中的现代应用的高等本科生或研究生。主题包括：

   - Basic concepts in regression: categorical predictors and interactions
   - Statistical distributions important in ecological modeling: binomial, Poisson, negative binomial, normal, lognormal, gamma
   - Likelihood theory and its applications in regression
   - Bayesian approaches to model fitting
   - Model selection protocols: Information-theoretic alternatives to significance testing
   - Generalized linear models: Poisson regression, negative binomial regression, logistic regression, gamma regression
   - Mixed effects models for analyzing temporally and spatially correlated data
     - Random intercepts and slopes models
     - Multilevel models with 2 and 3 levels
     - Hierarchical Bayesian modeling
     - Nonlinear mixed effects models
     - Mixed effects models with nested and crossed random effects
     - Hybrid mixed effects models with multivariate responses
   

2. 环境科学统计 [或2007年 ; 2012版]

   课程描述：生态和环境科学统计方法简介。这是一门主题课程。我们在这里的重点是广度而不是深度。（我教的另一门研究生课程对本课程的前三分之一涵盖的主题进行了深入的研究。）假定您熟悉统计分析的标准参数方法，例如假设检验。本课程旨在在本科统计学课程中通常讲授的内容与成功分析生态学和环境科学中的数据所需的实际内容之间进行转换。理想的参与者是已经参加了统计学入门课程并且希望看到统计学在环境科学和生态学中的现代应用的高等本科生或研究生。主题包括：

   - Overview of regression
   - Likelihood theory and its applications in regression
   - Generalized linear models
   - Analysis of temporally correlated data
   - Mixed effects models
   - Generalized estimating equations
   - Bayesian methods
   - Generalized additive models
   - Survey sampling methods
   - Machine learning methods
   - Survival analysis
   - Contingency table analysis
   - Analysis of extreme values
   - Structural equation models
   

3. 生态与进化统计

   课程简介：这是生态学家及其亲属的统计建模课程。我们专注于基本统计方法，主要是回归分析，并描述了如何扩展它们以使其更适合于分析生态数据。这些扩展包括使用更现实的概率模型（超出正态分布），并考虑观察值在统计上不是独立的情况。主题包括：

   - Experiments in ecology
   - Statistical distributions important in ecological modeling: binomial, Poisson, negative binomial, normal, lognormal, gamma, and exponential
   - Likelihood theory and its applications in regression
   - Bayesian approaches to model fitting
   - Model selection protocols: Information-theoretic alternatives to significance testing
   - Generalized linear models: Poisson regression, negative binomial regression, logistic regression, and others
   - Regression models for temporally and spatially correlated data: random coefficient models (multilevel models) and hierarchical Bayesian modeling
   

4. 生态学145—统计分析

   ECOL 145旨在作为对生态数据分析的深入介绍。它的目标受众包括生物学相关学科的积极进取的研究生和高年级本科生，他们理想地具有自己的数据进行分析。这是一门严重的动手实践课程，不适合Dilettantes或仅希望审核和观察的人员。我们专注于R和WinBUGS这两个现代统计软件包的使用，并使用它们来处理所有脆弱性的真实数据集。您越接近进行自己的研究和分析自己的数据，本课程将变得越有用。

   该课程的观点是最好将概率模型视为数据生成机制，并且为了遵循这种观点，我们使用基于可能性的方法直接对生态数据进行建模。数据集来自已出版的文献，我自己的咨询项目，或由注册课程的学生提供。如果您有需要分析的数据，欢迎将其提交给我供课堂练习中使用。主题包括：

   - Statistical distributions important in ecological modeling: binomial, Poisson, negative binomial, normal, lognormal, gamma, and exponential
   - Likelihood theory and its applications in regression
   - Generalized linear models: Poisson regression, negative binomial regression, logistic regression, and others
   - The perils of significance testing—multiple comparison adjustments and the false discovery rate
   - Model selection protocols: likelihood ratio tests, Wald tests, and information-theoretic alternatives to significance testing
   - Goodness of fit for GLMs: deviance statistics, extensions of R2, Pearson chi-square approaches
   - Regression models for temporally and spatially correlated data: random coefficient models (multilevel models) and the method of generalized estimating equations
   - Bayesian approaches to data analysis
   - Hierarchical Bayesian modeling using WinBUGS and R
   

我确定课程之间有很多重叠之处，但是他的注释（和R代码）可用于每门课程，并且对大多数访问此职位的人来说都非常有用。