EIC（专家信息准则）而非AIC：谨慎生物学家的模型选择指南
摘要：从生物学的角度来看，许多研究课题的目标是从大型、复杂的数据集中提取有意义的洞察力。生态学、进化学和行为学（EEB）的研究人员常常需要处理长期的、观察性的数据集，并通过建立模型来解决关于生物学的基本问题。类似地，流行病学家分析大规模、复杂的观察性数据集，以了解人类健康和疾病的分布和决定因素。这两个不同领域的生物学在分析工作流程上的一个关键区别是数据分析任务的界定和广泛采用的因果推断方法。在这里，我们回顾了最新的因果推断文献，并描述了一个对EEB研究人员具有直接应用的分析工作流程。本评论的前半部分定义了四个不同的分析任务（描述、预测、关联和因果推断），以及相应的数据分析和模型选择方法。后半部分致力于指导读者完成因果推断的步骤，重点介绍EEB的案例。鉴于对因果推断的兴趣越来越浓厚，并存在着关于因果推断任务的常见误解，我们旨在促进学科间的交流，并为所有数据的分析提供一个框架，尽管观察性数据尤为相关。
作者：Zachary M. Laubach, Eleanor J. Murray, Kim L. Hoke, Rebecca J. Safran, Wei Perng
论文ID：2010.07506
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2020-10-16