Podcast na Moderní regresní metody v ekologických datech

Kapitoly

Úvod do světa modelů

Základ všeho: Lineární model

Když data nejsou "normální": GLM

Pokročilejší metody v praxi

Další statistické nástroje

Co je klíčové pro zkoušku

Závěr a co dál

Přepis

Adam: Představte si bioložku Kláru. Stojí na horské louce, v ruce zápisník a měří desítky věcí: vlhkost půdy, nadmořskou výšku, množství slunce. A hlavně počítá kytky. Ale jak z téhle změti čísel pozná, co doopravdy ovlivňuje jejich růst? Jak dokáže, že víc slunce znamená víc kytek?

Eliška: Přesně tenhle problém řeší regresní modely. Jsou to vlastně matematické nástroje, které nám pomáhají pochopit vztahy mezi různými proměnnými. A tohle je Studyfi Podcast.

Adam: Takže to není jen o složité matice, ale spíš o detektivní práci v datech?

Eliška: Přesně tak! Hlavní problém u zkoušek často není samotný výpočet, ale vědět, kdy jaký model použít a jak správně interpretovat jeho výstup. Celý tenhle obor je vlastně o tom, co dělat, když data nejsou dokonalá.

Adam: Tak pojďme od začátku. Co je ten nejzákladnější stavební kámen? Předpokládám, že lineární model.

Eliška: Správně. Lineární model, nebo zkráceně LM, je úplný základ. Snažíš se jím vysvětlit jednu proměnnou, třeba biomasu rostlin, pomocí jiné, třeba teploty. Hledáš vlastně rovnou čáru, která co nejlépe popisuje ten vztah.

Adam: Taková ta přímka, co si pamatuju z hodin matematiky? Sklon a tak?

Eliška: Jo, to je ono. Musíš chápat, co je intercept, tedy kde přímka protíná osu y, a slope, což je ten sklon. Ale pozor, a tohle je u zkoušky klíčové, model má své předpoklady.

Adam: Jaké předpoklady?

Eliška: Třeba že rezidua, tedy chyby modelu, mají normální rozdělení. Důležité je, že ne data samotná, ale právě ty chyby! Dále se předpokládá konstantní rozptyl a nezávislost pozorování. Zní to složitě, ale bez toho jsou výsledky k ničemu.

Adam: Jenže ekologická data jsou přece často... chaotická, ne? Co když mám počet zvířat v nějaké oblasti? To přece nemůže jít do záporu.

Eliška: Výborná otázka! A proto vznikly zobecněné lineární modely, neboli GLM. Ty jsou jádrem moderní statistiky. Umožňují nám totiž pracovat s daty, která nejsou normálně rozdělená.

Adam: Takže třeba počty jedinců nebo data o přežití, jestli něco přežilo, nebo ne?

Eliška: Přesně! Pro data typu ano/ne, jako přežil/nepřežil, se používá logistická regrese. Pro počítaná data, jako počet druhů, zase Poissonova regrese. GLM používají takzvané „link“ funkce, které ta data jakoby transformují, aby se s nimi dalo pracovat.

Adam: Takže když počítám brouky, sáhnu po Poissonově regresi. Jednoduché!

Eliška: Skoro! Je tu jeden velký chyták jménem overdisperze. To je situace, kdy je v datech větší variabilita, než model čeká. Pak musíš použít třeba kvazi-Poissonův model. Na tohle se u zkoušek ptají pořád.

Adam: Dobře, takže mám spoustu modelů. Jak si z nich vybrat ten nejlepší?

Eliška: Určitě ne tak, že tam dáš všechny proměnné, co máš! K tomu slouží třeba informační kritéria, jako je AIC. Hledáš kompromis mezi tím, jak dobře model sedí na data, a jak je složitý. Jednodušší je často lepší.

Adam: A co ty další zkratky, jako GAM nebo smíšené modely?

Eliška: GAM, neboli zobecněné aditivní modely, použiješ, když vztah není lineární, ale má tvar nějaké křivky. Třeba teplotní optimum organismu – roste to do určité teploty a pak zase klesá.

Adam: A ty smíšené modely?

Eliška: Ty jsou dneska extrémně důležité. Řeší problém pseudoreplikací. Třeba když měříš deset stromů v jednom lese. Měření z jednoho lesa si budou podobnější. Smíšený model s tím umí počítat. V ekologii je to skoro nutnost.

Adam: Takže hlavní myšlenka je, že musím znát svá data a podle toho vybrat správný nástroj. Neexistuje jeden univerzální klíč.

Eliška: Přesně tak! Celé je to o tom stát se dobrým datovým detektivem.

Adam: Takže kromě GLM a GAM, jaké další speciální nástroje bych měl mít v kufříku datového detektiva?

Eliška: Určitě Coxův model pro analýzu přežití. Ten řeší, jak dlouho něco trvá, než se stane nějaká událost. A pak klasifikační a regresní stromy, neboli CART.

Adam: Stromy v ekologické statistice? To zní skoro až moc tematicky.

Eliška: Přesně. Dělí data podle jednoduchých pravidel, třeba „když je teplota > 15 °C“. Jsou intuitivní, ale pozor na takzvaný overfitting.

Adam: Dobře. A co je u zkoušky z toho všeho nejdůležitější? Na co se zaměřit?

Eliška: Tři věci. Zaprvé, vědět, kdy který model použít. Zadruhé, znát jeho předpoklady – to je kritické. A zatřetí, interpretovat koeficienty. Nejen říct „p je menší než 0.05“, ale vysvětlit, co to biologicky znamená.

Adam: Rozumím. Takže ne jen tupě počítat.

Eliška: Přesně! Největší chyba je myslet si, že statistika je jen syntaxe v R. Je to hlavně o správné otázce a správné interpretaci.

Adam: Eliško, moc děkuju. To bylo neuvěřitelně přehledné a užitečné.

Eliška: Rádo se stalo. Kdybys chtěl, můžu ti k tomu připravit třeba tahák modelů nebo praktické příklady. A vám, posluchačům, díky za pozornost.

Adam: Mějte se hezky a u dalšího dílu Studyfi Podcastu na slyšenou!