Beyond neutrality: disentangling the effects of species sorting and spurious correlations in community analysis
Notice bibliographique
Résumé
The methods of direct gradient analysis and variation partitioning are the most widely used frameworks to evaluate the contributions of species sorting to metacommunity structure. In many cases, however, species are also driven by spatial processes that are independent of environmental heterogeneity (e.g., neutral dynamics). As such, spatial autocorrelation can occur independently in both species (due to limited dispersal) and the environmental data, leading to spurious correlations between species distributions and the spatialized (i.e., spatially autocorrelated) environment. In these cases, the method of variation partitioning may present high Type I error rates (i.e., reject the null hypothesis more often than the pre-established critical level) and inflated estimates regarding the environmental component that is used to estimate the importance of species sorting. In this paper, we (1) demonstrate that metacommunities driven by neutral dynamics (via limited dispersal) alone or in combination with species sorting leads to inflated estimates and Type I error rates when testing for the importance of species sorting; and (2) propose a general and flexible new variation partitioning procedure to adjust for spurious contributions due to spatial autocorrelation from the environmental fraction. We used simulated metacommunity data driven by pure neutral, pure species sorting, and mixed (i.e., neutral + species sorting dynamics) processes to evaluate the performances of our new methodological framework. We also demonstrate the utility of the proposed framework with an empirical plant dataset in which we show that half of the variation initially due to the environment by the standard variation partitioning framework was due to spurious correlations.
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) | 0,000 | 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 ».