时间序列干扰分析解析非重复大尺度实验资料.docVIP

第9章: 时间序列干扰分析：非重复大尺度实验 Paul W. Rasmussen Dannis M. Heisey Erik V. Nordheim Thomas M. Frost 9．1 非重复的研究 一些重要的生态学问题，尤其是那些在大尺度或独特尺度下的生态学问题，重复和随机几乎不可能 (Schindler 1987; Frost 等 1988; Carpenter 等 1995)。例如，假如我们想知道湖水酸化是如何影响龟甲轮虫属种群, 那么我们主要的工作就是将单独的小湖泊进行酸化，因此，这样的操作也许只能在一个湖中进行。即使是有酸化前的基础数据，这样的实验也不可能重复地进行，因此不能够采用传统统计方法来进行分析，例如方差分析（第4章）。 一种可替代的方法就是采用一些生物学或物理学模型，这些有趣的系统模型允许进行重复。例如，我们可以在湖中建一些小而相同的围栏并将它们中的一些进行酸化。尽管这（在实施适当的情况下）能够使我们对这些小实验单元的差异进行有效的统计分析，但是，这种模型能否在湖泊生态系统中进行有效的生态学普遍应用仍有置疑（Schindler 1987）。对于大尺度现象，小尺度模型的实验应用于大尺度研究仍然不能令人信服（尽管他们可能提供有价值的补充信息）。 我们将在本章检验一些非重复研究类型是如何利用以时间序列数据发展起来的技术进行分析。时间序列是取自相同的实验单元在不同时间进行的重复测量或采集子样本。时间序列分析技术包括能确定一个序列平均水平上非随机变化是否已经在以前特定时间内发生的方法。这种分析的结果能够帮助确定那些特定时间之前发生的其他变化或操作是否可能导致了观察系列中的变化。 我们描述的这些方法利用了许多可用于大尺度研究中的长期数据（还见于Jassby和Powell 1990; Stow等 1980）。以前的一些作者已经提供了许多的评价这些研究的技术，包括从图示的方法（Bormann和Likens 1979）到更加复杂的统计分析 (Matson和Carpenter 1990)。这些技术都强调了时间序列数据，并通常需要对处理和参照系统中处理前后量测数据序列进行比较（例如，Stewart-Oaten et al.1986; Carpenter et al. 1989）。尽管有很多其他的时间序列方法也可以使用，但我们将着重讨论时间序列方法在ARIMA模型技术的应用。 我们首先考虑时间系列数据如何影响传统统计分析方法的应用和解释（第9.2节）。第9.3节中举出一些非重复时间序列设计的例子。第9.4节介绍一些时间系列分析的重要概念和思想。第9.5节描述干扰分析，这是一个时间序列分析的扩展，对检验人工处理或自然干扰的时间序列的影响是有用的。第9.6节举例说明干扰分析在整个湖水酸化实验中的应用。（如果你不是一个水生生态学家，那么你可以在你的脑子中用你喜欢的生物体和生态系统分别来代替“龟甲轮虫”或“湖泊”，在我们的实例中，原理和潜在的应用都是通用的。）我们将在第9.7节讨论一些有普遍性的议题。 9．2 重复和实验中的误差 我们首先简要地回顾一下湖水酸化的例子。对于检验湖水酸化对龟甲轮虫密度影响的传统实验设计如下所示： 确认我们想要将进行推论应用的所有湖泊。 从这个湖泊总体中随机选择四个湖。 从这四个湖中随机选择两个进行酸化。 将其它两个湖作为参照，或控制湖泊。 假设已有对四个湖泊的处理前后龟甲轮虫密度的估计；对每一个湖泊，我们能够计算处理前后之间的变化（差异）从而可以进一步分析。然后再考虑到典型湖泊变异性后，继续用传统的分析方法来检验酸化湖泊中的变化是否始终与参照湖泊中的变化不同。　这种典型湖泊变异性，或试验误差，仅仅能够利用每一组内已有重复湖泊进行估计。（要想评估试验误差，每一组最少两个湖泊，尽管每组仅有两个湖泊的设计通常得到相当粗略的实验误差估计［Carpenter　1989］）。传统方法的一个重要的特征是我们能够详细给出当酸化不存在的情况下却错误地认定有酸化影响的概率（Ⅰ类错误的概率 译者注）。 尽管将更多的湖泊进行酸化是很困难的，但从单独酸化处理的湖泊得到处理前后的长期数据确是可行的。使用这样的序列，根据典型湖泊的可变性判断，我们能够检验与是否在处理时数据序列发生了一些不寻常变化相关问题，这可与全部时间内数据序列发生正常变化进行比较做出判断。在这里检验的假设要比传统的假设要弱。这种假设检验仅仅能够回答在处理时是否发生变化这类的问题；而不能解决这种变化是由于处理还是由于一些其他偶然的事件引起这样的问题（Frost等 1988; Carpenter等 1998）。无重复情况下由于处理而导致变化的案例基本上是类似于统计学问题的生态学问