MCMC收敛
首先,我们可以看看有效样本量与总样本量之比每种类型的规模和潜在规模缩减系数(也称为“R hat”)物种。每行对应一个给定的参数。
#绘制mcmc潜在标度折减系数(aka rhat)
第1页= mcmc_帽子(米$mcmc诊断仪$(参考文献)
#绘制有效样本量与总样本量的mcmc比值
第2页= mcmc_neff公司(米$mcmc诊断仪$neff比率)
网格排列(第1页,第2页,ncol公司= 2)
区块mcmc-收敛-I图
我们观察到,有效样本量非常接近当比率接近时,实际样本数的理论值至1。在少数情况下,比率较低,我们可能会考虑运行链更长或更薄,以提高收敛性。这表明连续样本之间几乎没有自相关。这个潜在的规模缩减系数非常接近1,这表明这两条链给出了一致的结果。我们可以仔细看看MCMC链,通过查看给定的模型(例如这里针对以物种Y1为食的物种Y5),Y2、Y3和Y4。为此,我们首先评估Y5物种的本地模型,尤其是它的领域$型号
这给了我们输出函数的标准glm
.然后我们可以利用这个阴谋方法。
区块mcmc-收敛-II图
我们再次看到,链条混合得很好,几乎没有同一链内样本之间的自相关。
参数估计和解释
我们现在分析回归系数的估计值。我们可以用函数初步了解回归系数绘图。此函数绘制回归的后验分布每个物种的系数。
块估算图-I
我们可以直观地看到模型的环境部分与模拟参数相匹配,如物种Y1至Y3对X_1有阳性反应,对X_2,物种Y3至Y6反之亦然。我们还注意到环境系数对基础物种的重要性不如对基础物种重要食肉动物。事实上环境部分越来越接近零和它们的后部当我们离开物种时,分布趋于零重叠Y1到Y6物种。我们可以通过查看回归系数的后验均值和分位数。这个参数水平
设置分位数的概率(默认为0.95)。
系数(m,水平= 0.9)
#>1美元
#>平均值5%95%
#>(截距)1.193315 0.8631366 1.551786
#>I(X_1^2)-2.153769-2.4827322-1.854351
#>我(X_2^2)1.904532 1.5618766 2.281827
#>
#>Y2美元
#>平均值5%95%
#>(截距)0.4378192-0.05096073 0.9425659
#>I(X_1^2)-1.3103497-1.64827655-0.9781233
#>我(X_2^2)1.6693748 1.28262664 2.0953004
#>Y1 1.1014760 0.60271353 1.6253656
#>
#>Y3美元
#>平均值5%95%
#>(截距)0.9246159 0.3048754 1.537713
#>本人(X_1^2)-1.3782372-1.7729318-1.011603
#>我(X_2^2)1.2837309 0.8501504 1.799605
#>Y1 0.8750454 0.2487845 1.523552
#>Y2 1.3356857 0.7836524 1.874160元
#>
#>Y4美元
#>平均值5%95%
#>(截距)-0.149971-0.9501498 0.6711274
#>我(X_1^2)1.132746 0.7019883 1.5938620
#>I(X_2^2)-1.138931-1.5981180-0.6976561
#>Y1 2.550784 1.6477388 3.4849039
#>Y3 2.000125 1.2299528 2.9196692年
#>
#>Y5美元
#>平均值5%95%
#>(截距)0.5422551-0.76409358 2.0854414
#>我(X_1^2)0.9843555 0.02913223 2.0103196
#>我(X_2^2)-1.4438633-2.74833106-0.2571721
#>Y1 3.0216650 0.36971766 6.3588373
#>Y3 4.4991171 2.06335620 7.4694324年
#>Y4 1.9616552 0.64162409 3.4955833
#>
#>Y6美元
#>平均值5%95%
#>(截距)-0.18963593-2.0485881 1.5794885
#>I(X_1^2)0.06055848-0.9455691 0.9899717
#>I(X_2^2)-0.18911690-1.2013288 0.8962215
#>年3 3.62070445 1.1223913 6.5666245
#>Y5 3.69026866 2.1993395 5.4164494年
请注意,回归系数在领域$系数
对象营养型SDMfit的水平=0.95
). 正如我们之前所暗示的,我们看到环境部分回归系数的估计越来越接近于零,可信区间通常与零重叠(这意味着它们在10%的置信水平下不显著)营养水平较高的物种。为了能够正确地量化不同预测因子对物种的影响(即。,他们的相对重要性),我们需要标准化回归系数(参见Grace等人2018)。为此,我们需要设置标准化=真
.
系数(米,水平= 0.9,使标准化=T)
#>1美元
#>估计5%95%
#>(截距)1.1933152 1.1933152 1.1933152
#>I(X_1^2)-0.6032735-0.6954163-0.5194061
#>I(X_2^2)0.5524401 0.4530474 0.6618806
#>
#>Y2美元
#>估计5%95%
#>(截距)0.4378192 0.43781923 0.4378182
#>I(X_1^2)-0.3967764-0.49910135-0.2961777
#>I(X_2^2)0.5234732 0.40219885 0.6570325
#>Y1 0.1815471 0.09934023 0.2678954
#>
#>Y3美元
#>估计5%95%
#>(截距)0.9246159 0.92461585 0.9246156
#>I(X_1^2)-0.4018688-0.51695451-0.2949649
#>I(X_2^2)0.3876289 0.25670715 0.5433997
#>Y1 0.1388822 0.03948565 0.2418093
#>Y2 0.2027708 0.11896649 0.2845168
#>
#>Y4美元
#>估计5%95%
#>(截距)-0.1499710-0.1499710-0.11499710
#>I(X_1^2)0.4526599 0.2805236 0.6369279
#>I(X_2^2)-0.4713231-0.6613485-0.2887107
#>Y1 0.5548413 0.3584128 0.7580292
#>Y3 0.3802667 0.2338405 0.5550919
#>
#>Y5美元
#>估计5%95%
#>(截距)0.5422551 0.542255094 0.54225509
#>我(X_1^2)0.2863784 0.008475438 0.58486205
#>I(X_2^2)-0.4350071-0.828017071-0.07748081
#>Y1 0.4785091 0.058548274 1.00698178
#>Y3 0.6227408 0.285597372 1.03387396元
#>Y4 0.1816850 0.059426083 0.32375471
#>
#>Y6美元
#>估计5%95%
#>(截距)-0.18965393-0.1896539-0.1896539
#>I(X_1^2)0.02223722-0.3472152 0.3635200
#>我(X_2^2)-0.07191471-0.4568244 0.3408025
#>Y3 0.63254324 0.1960837 1.1472005年
#>Y5 0.17891028 0.1066276 0.2625983
这一结果证实了先前的分析。我们可以分析函数不同变量组的相对重要性计算变量重要性
。此功能可以作为输入论元中变量组的定义组
(默认情况下,使用组=空
,每个解释变量是另一组)。的可变重要性变量组被计算为标准化回归同一组变量的系数之和。
下面我们使用此函数计算非生物与生物协变量。
VarImpo公司= 计算变量重要性(米,
组= 列表(“非生物” = c(c)(“X_1”,“X_2”),
“生物” = c(c)(“Y1”,“Y2”,“Y3”,“Y4”,“Y5”,“Y6”)))
VarImpo公司= 应用(VarImpo,2,功能(x) x个/(x)[1]+x个[2]))
选项卡=重塑2::熔化(VarImpo)
选项卡$变量2= 因素(选项卡$变量2,水平= 列名(Y) )
ggplot图(选项卡,原子发射光谱(x个=变量2,年=值,填充=变量1))+ 地理工具栏(统计=“身份”)+
主题_经典()
块varImpo的绘图
我们清楚地看到,我们的模型正确地检索了模拟模式,生物变量对于非生物的数量随着营养水平的增加而增加。
最后,我们可以可视化每个营养相互作用的效果具有该功能绘图G_inferred
,绘制元网络G公司
以及变量重要性(即标准化回归系数)。参数水平
设置系数的置信水平被视为重要或不重要。
块plotG的绘图
我们看到模型正确地检索到猎物有一个位置对捕食者的影响,这种影响对营养位置较高的食肉动物。
本地模型分析
为了检查包并进行实践,我们在这里演示如何轻松操作本地模型,即每个glm(可以看到作为单一物种SDM),营养SDM的最小片段。这些局部模型属于“SDMfit”类,其中有多个方法存在。下面我们将介绍如何使用这些方法中的一些来处理物种Y6.年。
传感和诊断模块=米$模型$Y6年
#用于拟合模型的公式
传感和诊断模块$全部表格
#>[1]“y~I(X_1^2)+I(X_2^2)+Y3+Y5”
#推断模型
情节(传感和诊断模块)
区块SDMfit图
#回归系数
系数(SDM,水平= 0.9,使标准化=T)
#>估计5%95%
#>(截距)-0.18963593-0.1896359-0.1896359
#>I(X_1^2)0.02223722-0.3472152 0.3635200
#>我(X_2^2)-0.07191471-0.4568244 0.3408025
#>年0.63254324年0.1960837年1.1472005
#>Y5 0.17891028 0.1066276 0.2625983
我们还可以预测在假设存在猎物,则X_1=0.5,X_2=0.5的位置存在。
preds公司= 预测(SDM,新数据= 数据帧(X_1型= 0.5,X_2型= 0.5,Y3年= 1,Y5年= 1))
#存在概率的后验平均值
意思是(preds$预测(prob)
#> [1] 0.9983807
我们发现该物种很有可能出现在这里猎物出现时的环境条件。