Notice bibliographique
Résumé
Understanding variability of population abundances is of central concern to theoretical and applied evolutionary ecology, yet quantifying the conceptually simple idea has been substantially problematic. Standard statistical measures of variability are particularly biassed by rare events, zero counts and other ‘non‐Gaussian’ behaviour, which are often inappropriately weighted or excluded from analysis. I conjecture that these problems are primarily a function of calculating variation as deviation from an average abundance, while the average may not be static, nor actually reflect abundance at any point in the time series. Here I describe a simple metric (population variability PV) that quantifies variability as the average percent difference between all combinations of observed abundances. Zero counts can be included if desired. Similar to standard metrics, variability is measured on a proportional scale, facilitating comparative applications. Standard metrics are based on Gaussian distributions, are over‐sensitive to rare events and heavy tailed behaviour, and can inappropriately indicate ‘more time‐more variation’ effects (reddened spectrum). Here I demonstrate that, while PV behaves similarly for ‘normal’ time series, it is independent of deviation from mean abundance for heavy tailed distributions, its robustness to non‐Gaussian behaviour resolves artificial reddened spectrum issues, and variability calculated using PV from short time series is substantially more accurate at estimating known long term variability than standard metrics. PV therefore provides common ground for evaluating the variability of populations undergoing different dynamics, and with different statistical distributions of abundance, and can be easily generalized to a variety of contexts and disciplines.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».