Inferencia multimodelo en ciencias sociales y ambientales

Autores
Garibaldi, Lucas Alejandro; Aristimuño, Francisco J.; Oddi, Facundo José; Tiribelli, Florencia
Año de publicación
2017
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
Los profesionales de las ciencias sociales y ambientales debemos resolver problemas (contestar preguntas) a partir de la recolección y el análisis de datos. Habitualmente, todos enfrentamos dificultades similares; queremos tomar decisiones sobre una población (e.g., todos los árboles de una región), pero sólo contamos con información de una muestra (algunos árboles de esa región). Una herramienta fundamental en este proceso es plantear modelos de la población sobre la variable de interés (crecimiento los árboles en función de la edad y las condiciones climáticas) para luego utilizar sus predicciones en la toma de decisiones (turnos de corta de acuerdo a las condiciones climáticas). En esta ayuda didáctica discutimos cómo plantear, estimar y seleccionar modelos de una población a partir de los datos de una muestra. Dedicamos especial énfasis a proponer varios modelos (hipótesis) alternativos ante un mismo problema (e.g., distintas funciones del crecimiento arbóreo con la edad), los cuales son planteados antes de recolectar los datos e incluyen un modelo nulo (el crecimiento arbóreo no depende de la edad ni del clima). Los modelos nos indican cómo se deben recolectar los datos para un contraste válido (e.g., mediciones del crecimiento en árboles de edad distinta y en sitios con clima contrastante). Luego, el criterio de información de Akaike (AIC) permite ordenar los modelos según su parsimonia y seleccionar aquellos que mejor se ajusten a los datos (verosimilitud), y con menor número de parámetros (complejidad). A lo largo del texto introducimos las nociones básicas sobre la inferencia multimodelo y discutimos los errores más comunes en su uso. Proveemos ejemplos reales y hacemos disponibles los datos y los códigos de ejecución en el programa R, de acceso gratuito. Además de ser útil para los profesionales, esperamos que esta ayuda didáctica promueva la enseñanza de la inferencia multimodelo en los cursos de grado.
Professionals of the social and environmental sciences must solve problems (answer questions) based on data sampling and analyses. Commonly, all professionals face similar challenges: they need to take decisions on a population (e.g., all the trees of a region), but only have data from a sample (some trees of that region). A key tool in this process is to propose population models for the response variable (tree growth as a function of tree age and climatic conditions) and then use model predictions to take decisions (e.g., when to cut trees according to climatic conditions). In this paper we discuss how to propose, estimate, and select models of a population based on sampling data. We put special emphasis in proposing several alternative models (hypotheses) to solve one problem (e.g., different tree growth functions for age), which must be proposed before data sampling, including a null model (tree growth does not depend on tree age or climatic conditions). Models guide us on how data must be sampled for a valid contrast (growth measurements in trees of different age and under contrasting climates). Then, the Akaike information criterion (AIC) can be employed to sort the most parsimonious models, selecting those with the best goodness of fit (likelihood) and the lowest number of parameters (model complexity). Along the text, we introduce basic notions of multimodel inference and discuss common user mistakes. We provide real examples, and share their data and the analyses code in R, a free and open source software. In addition to be useful to professionals from different sciences, we expect our paper to promote the teaching of multimodel inference in graduate courses.
Fuente
Ecol. austral (En línea) 2017;03(027):348-363
Materia
AJUSTE
AKAIKE
INFERENCIA
MODELO
PARSIMONIA
PREDICCION
VALOR P
VEROSIMILITUD
GOODNESS OF FIT
AKAIKE
HYPOTHESIS
INFERENCE
MODEL
PARSIMONY
PREDICTION
P VALUE
LIKELIHOOD
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
Repositorio
Biblioteca Digital (UBA-FCEN)
Institución
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
OAI Identificador
ecologiaaustral:ecologiaaustral_v027_n03_p348

id BDUBAFCEN_2932a4fe91ab221f5acfe517d7b58e1a
oai_identifier_str ecologiaaustral:ecologiaaustral_v027_n03_p348
network_acronym_str BDUBAFCEN
repository_id_str 1896
network_name_str Biblioteca Digital (UBA-FCEN)
spelling Inferencia multimodelo en ciencias sociales y ambientalesMultimodel inference in social and environmental sciencesGaribaldi, Lucas AlejandroAristimuño, Francisco J.Oddi, Facundo JoséTiribelli, FlorenciaAJUSTEAKAIKEINFERENCIAMODELOPARSIMONIAPREDICCIONVALOR PVEROSIMILITUDGOODNESS OF FITAKAIKEHYPOTHESISINFERENCEMODELPARSIMONYPREDICTIONP VALUELIKELIHOODLos profesionales de las ciencias sociales y ambientales debemos resolver problemas (contestar preguntas) a partir de la recolección y el análisis de datos. Habitualmente, todos enfrentamos dificultades similares; queremos tomar decisiones sobre una población (e.g., todos los árboles de una región), pero sólo contamos con información de una muestra (algunos árboles de esa región). Una herramienta fundamental en este proceso es plantear modelos de la población sobre la variable de interés (crecimiento los árboles en función de la edad y las condiciones climáticas) para luego utilizar sus predicciones en la toma de decisiones (turnos de corta de acuerdo a las condiciones climáticas). En esta ayuda didáctica discutimos cómo plantear, estimar y seleccionar modelos de una población a partir de los datos de una muestra. Dedicamos especial énfasis a proponer varios modelos (hipótesis) alternativos ante un mismo problema (e.g., distintas funciones del crecimiento arbóreo con la edad), los cuales son planteados antes de recolectar los datos e incluyen un modelo nulo (el crecimiento arbóreo no depende de la edad ni del clima). Los modelos nos indican cómo se deben recolectar los datos para un contraste válido (e.g., mediciones del crecimiento en árboles de edad distinta y en sitios con clima contrastante). Luego, el criterio de información de Akaike (AIC) permite ordenar los modelos según su parsimonia y seleccionar aquellos que mejor se ajusten a los datos (verosimilitud), y con menor número de parámetros (complejidad). A lo largo del texto introducimos las nociones básicas sobre la inferencia multimodelo y discutimos los errores más comunes en su uso. Proveemos ejemplos reales y hacemos disponibles los datos y los códigos de ejecución en el programa R, de acceso gratuito. Además de ser útil para los profesionales, esperamos que esta ayuda didáctica promueva la enseñanza de la inferencia multimodelo en los cursos de grado.Professionals of the social and environmental sciences must solve problems (answer questions) based on data sampling and analyses. Commonly, all professionals face similar challenges: they need to take decisions on a population (e.g., all the trees of a region), but only have data from a sample (some trees of that region). A key tool in this process is to propose population models for the response variable (tree growth as a function of tree age and climatic conditions) and then use model predictions to take decisions (e.g., when to cut trees according to climatic conditions). In this paper we discuss how to propose, estimate, and select models of a population based on sampling data. We put special emphasis in proposing several alternative models (hypotheses) to solve one problem (e.g., different tree growth functions for age), which must be proposed before data sampling, including a null model (tree growth does not depend on tree age or climatic conditions). Models guide us on how data must be sampled for a valid contrast (growth measurements in trees of different age and under contrasting climates). Then, the Akaike information criterion (AIC) can be employed to sort the most parsimonious models, selecting those with the best goodness of fit (likelihood) and the lowest number of parameters (model complexity). Along the text, we introduce basic notions of multimodel inference and discuss common user mistakes. We provide real examples, and share their data and the analyses code in R, a free and open source software. In addition to be useful to professionals from different sciences, we expect our paper to promote the teaching of multimodel inference in graduate courses.Asociación Argentina de Ecología2017-12info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfhttps://hdl.handle.net/20.500.12110/ecologiaaustral_v027_n03_p348Ecol. austral (En línea) 2017;03(027):348-363reponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCENspainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar2025-09-29T13:43:11Zecologiaaustral:ecologiaaustral_v027_n03_p348Institucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962025-09-29 13:43:12.735Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse
dc.title.none.fl_str_mv Inferencia multimodelo en ciencias sociales y ambientales
Multimodel inference in social and environmental sciences
title Inferencia multimodelo en ciencias sociales y ambientales
spellingShingle Inferencia multimodelo en ciencias sociales y ambientales
Garibaldi, Lucas Alejandro
AJUSTE
AKAIKE
INFERENCIA
MODELO
PARSIMONIA
PREDICCION
VALOR P
VEROSIMILITUD
GOODNESS OF FIT
AKAIKE
HYPOTHESIS
INFERENCE
MODEL
PARSIMONY
PREDICTION
P VALUE
LIKELIHOOD
title_short Inferencia multimodelo en ciencias sociales y ambientales
title_full Inferencia multimodelo en ciencias sociales y ambientales
title_fullStr Inferencia multimodelo en ciencias sociales y ambientales
title_full_unstemmed Inferencia multimodelo en ciencias sociales y ambientales
title_sort Inferencia multimodelo en ciencias sociales y ambientales
dc.creator.none.fl_str_mv Garibaldi, Lucas Alejandro
Aristimuño, Francisco J.
Oddi, Facundo José
Tiribelli, Florencia
author Garibaldi, Lucas Alejandro
author_facet Garibaldi, Lucas Alejandro
Aristimuño, Francisco J.
Oddi, Facundo José
Tiribelli, Florencia
author_role author
author2 Aristimuño, Francisco J.
Oddi, Facundo José
Tiribelli, Florencia
author2_role author
author
author
dc.subject.none.fl_str_mv AJUSTE
AKAIKE
INFERENCIA
MODELO
PARSIMONIA
PREDICCION
VALOR P
VEROSIMILITUD
GOODNESS OF FIT
AKAIKE
HYPOTHESIS
INFERENCE
MODEL
PARSIMONY
PREDICTION
P VALUE
LIKELIHOOD
topic AJUSTE
AKAIKE
INFERENCIA
MODELO
PARSIMONIA
PREDICCION
VALOR P
VEROSIMILITUD
GOODNESS OF FIT
AKAIKE
HYPOTHESIS
INFERENCE
MODEL
PARSIMONY
PREDICTION
P VALUE
LIKELIHOOD
dc.description.none.fl_txt_mv Los profesionales de las ciencias sociales y ambientales debemos resolver problemas (contestar preguntas) a partir de la recolección y el análisis de datos. Habitualmente, todos enfrentamos dificultades similares; queremos tomar decisiones sobre una población (e.g., todos los árboles de una región), pero sólo contamos con información de una muestra (algunos árboles de esa región). Una herramienta fundamental en este proceso es plantear modelos de la población sobre la variable de interés (crecimiento los árboles en función de la edad y las condiciones climáticas) para luego utilizar sus predicciones en la toma de decisiones (turnos de corta de acuerdo a las condiciones climáticas). En esta ayuda didáctica discutimos cómo plantear, estimar y seleccionar modelos de una población a partir de los datos de una muestra. Dedicamos especial énfasis a proponer varios modelos (hipótesis) alternativos ante un mismo problema (e.g., distintas funciones del crecimiento arbóreo con la edad), los cuales son planteados antes de recolectar los datos e incluyen un modelo nulo (el crecimiento arbóreo no depende de la edad ni del clima). Los modelos nos indican cómo se deben recolectar los datos para un contraste válido (e.g., mediciones del crecimiento en árboles de edad distinta y en sitios con clima contrastante). Luego, el criterio de información de Akaike (AIC) permite ordenar los modelos según su parsimonia y seleccionar aquellos que mejor se ajusten a los datos (verosimilitud), y con menor número de parámetros (complejidad). A lo largo del texto introducimos las nociones básicas sobre la inferencia multimodelo y discutimos los errores más comunes en su uso. Proveemos ejemplos reales y hacemos disponibles los datos y los códigos de ejecución en el programa R, de acceso gratuito. Además de ser útil para los profesionales, esperamos que esta ayuda didáctica promueva la enseñanza de la inferencia multimodelo en los cursos de grado.
Professionals of the social and environmental sciences must solve problems (answer questions) based on data sampling and analyses. Commonly, all professionals face similar challenges: they need to take decisions on a population (e.g., all the trees of a region), but only have data from a sample (some trees of that region). A key tool in this process is to propose population models for the response variable (tree growth as a function of tree age and climatic conditions) and then use model predictions to take decisions (e.g., when to cut trees according to climatic conditions). In this paper we discuss how to propose, estimate, and select models of a population based on sampling data. We put special emphasis in proposing several alternative models (hypotheses) to solve one problem (e.g., different tree growth functions for age), which must be proposed before data sampling, including a null model (tree growth does not depend on tree age or climatic conditions). Models guide us on how data must be sampled for a valid contrast (growth measurements in trees of different age and under contrasting climates). Then, the Akaike information criterion (AIC) can be employed to sort the most parsimonious models, selecting those with the best goodness of fit (likelihood) and the lowest number of parameters (model complexity). Along the text, we introduce basic notions of multimodel inference and discuss common user mistakes. We provide real examples, and share their data and the analyses code in R, a free and open source software. In addition to be useful to professionals from different sciences, we expect our paper to promote the teaching of multimodel inference in graduate courses.
description Los profesionales de las ciencias sociales y ambientales debemos resolver problemas (contestar preguntas) a partir de la recolección y el análisis de datos. Habitualmente, todos enfrentamos dificultades similares; queremos tomar decisiones sobre una población (e.g., todos los árboles de una región), pero sólo contamos con información de una muestra (algunos árboles de esa región). Una herramienta fundamental en este proceso es plantear modelos de la población sobre la variable de interés (crecimiento los árboles en función de la edad y las condiciones climáticas) para luego utilizar sus predicciones en la toma de decisiones (turnos de corta de acuerdo a las condiciones climáticas). En esta ayuda didáctica discutimos cómo plantear, estimar y seleccionar modelos de una población a partir de los datos de una muestra. Dedicamos especial énfasis a proponer varios modelos (hipótesis) alternativos ante un mismo problema (e.g., distintas funciones del crecimiento arbóreo con la edad), los cuales son planteados antes de recolectar los datos e incluyen un modelo nulo (el crecimiento arbóreo no depende de la edad ni del clima). Los modelos nos indican cómo se deben recolectar los datos para un contraste válido (e.g., mediciones del crecimiento en árboles de edad distinta y en sitios con clima contrastante). Luego, el criterio de información de Akaike (AIC) permite ordenar los modelos según su parsimonia y seleccionar aquellos que mejor se ajusten a los datos (verosimilitud), y con menor número de parámetros (complejidad). A lo largo del texto introducimos las nociones básicas sobre la inferencia multimodelo y discutimos los errores más comunes en su uso. Proveemos ejemplos reales y hacemos disponibles los datos y los códigos de ejecución en el programa R, de acceso gratuito. Además de ser útil para los profesionales, esperamos que esta ayuda didáctica promueva la enseñanza de la inferencia multimodelo en los cursos de grado.
publishDate 2017
dc.date.none.fl_str_mv 2017-12
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.12110/ecologiaaustral_v027_n03_p348
url https://hdl.handle.net/20.500.12110/ecologiaaustral_v027_n03_p348
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Asociación Argentina de Ecología
publisher.none.fl_str_mv Asociación Argentina de Ecología
dc.source.none.fl_str_mv Ecol. austral (En línea) 2017;03(027):348-363
reponame:Biblioteca Digital (UBA-FCEN)
instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron:UBA-FCEN
reponame_str Biblioteca Digital (UBA-FCEN)
collection Biblioteca Digital (UBA-FCEN)
instname_str Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron_str UBA-FCEN
institution UBA-FCEN
repository.name.fl_str_mv Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
repository.mail.fl_str_mv ana@bl.fcen.uba.ar
_version_ 1844618741969584128
score 13.070432