Statistisches Praktikum im SS 2020
Statistische Analyse der Fütteraktivität von Bienen
Prof. Dr. Gaby Schneider, unter Mitarbeit von Solveig Plomer und Marina Sturm |
|
Prof. Dr. Gaby Schneider, unter Mitarbeit von Solveig Plomer und Marina Sturm |
|
Seminar im SS 2020. Do. 8:30 Uhr, SR 903, RM 10
Vorbesprechung: Mi, 5. Februar 2020, 13:30 Uhr, Raum 711 (groß).
Die Teilnahme an der Vorbesprechung ist Voraussetzung für die Teilnahme am Statistischen Praktikum!
Abschlusspräsentation: 9. Juli 2020
Dazu betrachten wir im ersten Vortrag die drei Variablen Entwicklungsdauer, Fütterdauer und Anzahl der Fütterbesuche, die für jede beobachtete Zelle individuell gewonnen wurden. Diese wurden in ein- und mehrfaktoriellen Varianzanalysen und einer Kovarianzanalyse [2] zwischen verschiedenen Neonikotinoiden und ihren Konzentrationen sowie Replikationen des Versuchs verglichen. Hierbei zeigten sich unter anderem signifikante Änderungen der Entwicklungsdauer der Larven (siehe Figur). |
[1] Siefert, P., Hota, R., Ramesh, V., Grünewald, B. (2020) Chronic within-hive video recordings detect altered nursing behaviour and retarded larval development of neonicotinoid treated honey bees. Sci. Rep. 10, 8727
[2] Pruscha, H. (1996) Angewandte Methoden der Mathematischen Statistik, B.G. Teubner, Stuttgart
Zur Schätzung dieses Knotenpunktes verwenden wir einerseits einen simplen Ansatz der Minimierung der Residuenquadratsumme (RQS) und untersuchen andererseits das speziell dafür entwickelte R-package segmented. Schließlich wurden die Parameterschätzer in den verschiedenen experimentellen Gruppen mittels Varianzanalyse verglichen. Hierbei zeigten sich Unterschiede im geschätzten Zeitpunkt des Knotenpunktes insbesondere zwischen verschiedenen Versuchsreplikationen. |
[3] V. Muggeo (2003) Estimating regression models with unknown break-points. Statist. Med. 22:3055-3071
[4] V. Muggeo (2008) Segmented: An R Package to Fit Regression Models With Broken-Line Relationships. R News. 8. 20-25.
Mit fortschreitender Larvenentwicklung wird zunehmend häufiger gefüttert, und entsprechend
steigt die Intensität mit der Zeit immer stärker an. Dabei steigt die Fütterrate der
Gruppe mit hoher Schadstoffkonzentration zu Beginn langsamer und zum Ende hin stärker an als in der Kontrollgruppe.
Zur Modellbewertung ziehen wir Simulationen und das Time Rescaling Theorem heran. |
[5]: R. Barbieri, M. C. Quirk, L. M. Frank, M. A. Wilson, E. N. Brown (2001) Construction and analysis of non-Poisson stimulus-response models of neural spiking activity. Journal of Neuroscience Methods 105, 25-37
[6]: E.N. Brown, R. Barbieri, V. Ventura, R.E. Kass, L.M. Frank (2001) The Time-Rescaling Theorem and Its Application to Neural
Spike Train Data Analysis. Neural Computation 14, 325-346
Der Prozess der Fütterzeitpunkte der Bienen
ähnelt explodierenden HPs, bei denen die Intensität durch neue Events tendenziell
schneller steigt als sie wieder abfällt. Durch Simulationsstudien wurde die Güte der
Maximum-Likelihood-Schätzung für HPs dieser Art untersucht. Ein spezielles
Problem dabei ist die hohe Variabilität der Hawkes Prozesse, insbesondere
der Zeitpunkte der Explosion. Dagegen weisen die beobachteten Fütterprozesse nur geringe
Variabilität auf. Wir verzichten hier auf statistische Interpretationen der
Parameterschätzer und ihrer Gruppenunterschiede. |
[7] Laub, Taimre, Pollett (2015) Hawkes Processes, arXiv:1507.02822
[8] Rasmussen (2018) Lecture Notes: Temporal Point Processes and the Conditional Intensity Function, arXiv:1806.00221
Zur Untersuchung dieser Frage verwenden wir eine multivariate Varianzanalyse (MANOVA, [9]). Falls Unterschiede auftreten, möchten wir identifizieren, welche Komponenten des korrelierten Variablensatzes am meisten zur Gruppentrennung beitragen. Zu diesem Zweck verwenden wir eine Diskriminanzanalyse [10]. Auf Grundlage dieser lassen sich die einzelnen Komponenten des Variablensatzes auf ihre Trennkraft hin beurteilen, und man erhält diejenigen Variablen mit dem größten Anteil an der Gruppentrennung. Im vorliegenden Datensatz waren dies vor allem Variablen, die mit der Anzahl und Verteilung der Besuche einer Larvenzelle zusammenhingen, wie etwa die relative Zeit bis 75% Prozent der Besuche stattgefunden hatten. |
[9] K.V. Mardia, J.T. Kent and J.M. Bibby (1979) Multivariate Analysis. New York: Academic Press.
[10] K. Backhaus, B. Erichson, W. Plinke, C. Schuchard-Ficher and R. Weiber (1993) Multivariate Analysemethoden. Springer
Diese enthalten Parameter für die Geschwindigkeit des Wachstums, das asymptotische
Wachstumsverhalten und eine horizontale Verschiebung der Kurve. Unterschiede zwischen den
Modellen sind gering, daher verwenden wir hier die Gompertzkurve als Standardmodell. Die
Wachstumskurven werden mittels Non-Linear least squares angepasst. Durch Bootstrapping
haben wir Konfidenzintervalle generiert, um so die Parameter zwischen den Gruppen
zu vergleichen. Unterschiede zeigten sich bei der Asymptote der Kurve sowie
in einem Parameter, der die Kurve horizontal verschiebt. In beiden war mit steigender
Mikroplastikkonzentration ein Abwärtstrend zu beobachten. |
[11] Christoph Schür, Sebastian Zipp, Tobias Thalau, Martin Wagner (2020): Microplastics but not natural particles induce multigenerational effects in Daphnia magna, Environmental Pollution, Volume 260, 113904
[12] Kathleen M.C. Tjorve, Even Tjorve (2017): The use of Gompertz models in growth analyses, and new Gompertz-model approach: An addition to the Unified-Richards family, PLoS ONE 12(6): e0178691
Ca. 60-minütige Vorträge mit Diskussion
23. April Nikolai Krimphove und Luis Malter
30. April Marius Beer
7. Mai Anne Kaiser und Anna-Lena Weinel
14. Mai Marie Kuhn
28. Mai Edgar Schmidt und Jeremias van der Wardt
4. Juni An Hoang und Fabian Schneider
18.6.-2.7. Kurzpräsentationen 20-30 Min
9. Juli 2020
Das Statistische Praktikum richtet sich an Studierende der Mathematik mit Statistikkenntnissen (Voraussetzung:
bestandene Klausur Statistik 1). In enger Kooperation mit Anwendern werden statistische Denkweisen
und Methoden anhand von Daten und Fragestellungen erprobt, die aus der Praxis kommen.
Das Statistische Praktikum ist ähnlich konzipiert wie ein Seminar. Themenvergabe erfolgt nach bestandener Klausur, die Bearbeitung der Themen umfasst
- die theoretische Auseinandersetzung mit einem statistischen Verfahren,
- die Anwendung des Verfahrens auf einen Datensatz,
- die intensive Auseinandersetzung mit einem komplexen Datensatz (hoher Programmieraufwand, R)
- die Präsentation von statistischer Methode und Analyseergebnissen (Folien),
- die aktive Mitarbeit im Seminar sowie ggf. Neuanalyse von Datensätzen nach Diskussion im Seminar,
- die Zusammenfassung der eigenen Hauptergebnisse in einem Kurztext (2-3 Sätze) und einer Figur.
Zum Abschluss werden die Ergebnisse in einer Abschlusspräsentation vorgestellt
(10 Minuten pro Thema, Methoden und Hauptergebnisse laienverständlich zusammengefasst).
Diese Abschlusspräsentation zum Statistischen Praktikum kann als separate
Veranstaltung mit 2 CPs z.B. in die Module BaM-SK oder MaM-PR-2 eingebracht werden.
Hauptseite Statistisches Praktikum