摘要1.在向生态学家教授统计学时，本文的主要作者注意到了常见的统计问题。如果选择在进行这些课程之前所获得的工作（包括科学论文）的随机样本，则一半可能包含违反所采用的统计技术的基本假设。2.某些侵权行为对结果或生态结论影响不大；还有一些增加了I型或II型错误，可能导致错误的生态结论。通过应用更好的数据探索，可以避免大多数此类违规情况。在应用生态学中，这些问题尤其棘手，因为在应用生态学中，管理和政策决策经常受到威胁。3.在这里，我们提供了用于数据探索的协议；讨论用于检测离群值，方差异质性，共线性，观察的依存性，相互作用的问题，多元分析中的双零，广义线性建模中的零膨胀以及因变量和自变量之间的正确关系类型的当前工具;并提供有关如何解决这些问题的建议。我们还将解决对正常性的误解，并提供有关数据转换的建议。4.数据探索避免了I型和II型错误以及其他问题，从而减少了做出错误生态结论和不良建议的机会。因此，对于基于统计分析的良好质量管理和政策至关重要。介绍在过去的三十年中，应用生态学家可以使用的统计工具有了巨大的扩展。可用技术的简短列表包括线性回归，广义线性（混合）建模，广义加性（混合）建模，回归树和分类树，生存分析，神经网络，多变量分析及其所有方法，例如主成分分析（PCA），规范对应分析（CCA），（非）度量多维标度（NMDS），各种时间序列和空间技术等。尽管其中一些技术已经存在了一段时间，但快速计算机和免费软件的开发如作为R（RDevelopmentCoreTeam2009），从而可以将常规统计技术常规应用于任何类型的数据。本文与这些方法无关。相反，它是至关重要的步骤，应该但不经常在应用之前。所有统计技术都有一个共同的问题，即“垃圾进，垃圾出”。例如，在某些方法中，单个异常值可以确定最终结果和结论。异质性（变异差异）可能会在线性回归和方差模型分析（Fox2008）以及某些多元方法（Huberty1994）中引起严重的麻烦。当基本问题是确定哪些协变量正在驱动系统时，分析中最困难的方面可能是如何处理共线性（协变量之间的相关性），这会增加II型错误（即，在拒绝原假设时无法拒绝它）是不正确的）。在应用于生态群落数据的多元分析中，双零的存在（例如，两个物种在不同地点共同缺失）有助于某些技术（例如PCA）的相似性，而对其他技术则没有相似性。还有其他多变量技术对具有聚集分布和低丰度的物种（例如CCA）敏感。在单变量分析技术（例如用于计数数据的广义线性建模（GLM））中，响应变量的零膨胀可能会导致参数估计值出现偏差（Cameron＆Trivedi1998）。当多元技术使用置换方法获得P值时，例如在CCA和冗余分析（RDA，terBraak和Verdonschot1995）或Mantel检验（Legendre＆Legendre1998）中，观测值之间的时间或空间相关性会增加I型。错误（在原假设为真时拒绝原假设）。应用于时间或空间相关观测的回归类型技术也是如此。毫无疑问，最常用和滥用的技术之一就是线性回归。通常，此技术与线性模式和正态性相关。这两个概念经常被误解。线性回归非常适合拟合非线性关系，例如通过使用交互作用或二次项来实现（Montgomery＆Peck1992）。线性回归中的术语“线性”是指参数在模型中的使用方式，而不是指建模的关系类型。知道我们在响应变量和解释变量之间是否存在线性或非线性模式对于我们如何应用线性回归和相关技术至关重要。在包含交互之前，我们还需要知道数据是否平衡。例如Zuur，Ieno和Smith（2007）使用性别，地点和月份的协变量来建模鱿鱼的性腺躯体指数（性腺重量相对于总体重）。但是，由于采样不均衡，因此并未在每个月的每个位置都对男女进行测量。实际上，数据是如此不平衡，以至于仅分析数据的一个子集并避免包含某些交互更有意义。有了这么多潜在的陷阱，要确保科学家不会发现错误的协变量效应（I型错误），错误地消除具有特定协变量的模型（II型错误）或仅产生由少数有影响力的观察结果确定的结果，就要求在进行任何统计分析之前，应先进行详细的数据探索。本文的目的是为识别潜在问题的数据探索提供协议（图1）。根据我们的经验，数据探索最多可占用50％的分析时间。尽管数据探索是任何分析的重...
