[这次在Oregon开会竟然遇到了本文的第一作者Yann Hautier，不得不说世界真是小呀。呵呵。]

蒙Planta上的资源，昨天阅读了Hautier et al.（2009）Science上的文章。太熟悉这块了，以至于一口气读完。

施肥之后，草地群落的多样性一般都会下降，而对于下降的原因，一直说法不一：土壤酸性提高、枯枝残留物的累计、养分资源的竞争、光资源的竞争。通常来看，土壤养分的竞争一般被认为是对称的（没有定论），即跟个体大小无关或者与个体大小成比例；而光竞争是不对称的。

由于施肥改变了很多局部的物理化学条件，比如土壤养分含量，土壤的酸碱性，盖度增加，盖度增加所导致的地表空气流通，表层土壤含水量的增大。。。。。。弄清楚哪一个是主要因素一直是个难题。通常在生长末期，会后很多植物会出现严重腐烂的现象。

作者涉及了一个精巧的实验，控制冠层下的光（加光），表明不对称性资源光可能是最主要的。很有意思的实验。

关于物种共存的机制，这些年江湖上可谓是腥风血雨，不同门派尽出招数。自Hubbell中性理论的大作问世，中性派人才辈出，Nature、Science成了他们的后花园；近中性派也顺势崛起，领军人物当属北师大的张大勇老师。中性与近中性之争基本上还是门派内部的争论，本质上还是源于一宗。

当群落生态学界大部分人都在中性理论上刻苦钻研时，唯独Clark（Duke）及弟子跟众大侠唱着反调，中性理论？扯！自然界没有中性过程（TREE）！Clark在一定程度上练就了一门绝世武功－－贝叶斯分析，凭此已经在多个领域拼杀多年。也正是由于江湖上精通这绝世武功的人太少了，以至于让人有点感觉两派之间没什么和解的余地。看着Clark舞枪弄棒，绝大部分人都会说：这家伙在干什么？这么玩让人崩溃！而其自己貌似沉浸其中，乐在其中。孤独却让人顿生几分敬意！

Clark提出高维度共存的机制，认为个体间的差异及时间效应对物种共存起重要作用。你是不是想到了某某人的多维生态位理论？厉害！贝叶斯方法能够包含多源数据，估计多个参数。。。能想象一次同时要估计几万个参数吗？我是想象不了，从此也知为什么我说Clark孤独了，能理解他的人太少了，哈哈。

刚开始接触贝叶斯分析时的时候，通常都会觉得这玩意遥不可及，很玄很虚，MCMC上10000步，然后给你个结果。再加上贝叶斯的优势在于解决复杂的问题（不同来源的不确定性、随机性等），会让人感觉学习这玩意到底会有什么用处，自己以后会碰上这么复杂的问题吗？下面给出一些细小的事例，看看生态上哪些方面可以用得上：

1. 如果预测变量和反应变量都是用相同的方法测量的，在频度统计中，通常是假定反应变量有测量误差，而预测变量没有测量误差。实际上这是说不通的，两个变量都是用相同的方法得到的，为什么在模型中会给出不同的待遇？换句话说，我们同样需要考虑预测变量的不确定性。比如，茎叶比的研究中。传统的统计模型，是很难包含预测变量的不确定性的。而等级方法很容易实现这一点；

2.在大部分的实验中，我们都是假定实验的个体是等同的，对协变量的反应是一致的（相同的系数）。同样，这也是说不通的。尽管，在实验涉及的初期，实验者总是选取比如说大小相似、高度相似等等的个体，然而个体之间的异质性本质上存在的（深层次是由于遗传上的差异）。你不能要求所有的个体对某个因子的反应完全相同。在频度分析中，同样很难考虑这种个体的异质性问题。而等级方法很容易实现这一点；

QQ群号：35044310。

主要内容涉及贝叶斯分析在生态学及环境学科方面的理论与应用。涉及到的主要软件为R和BUGS系列。

关于贝叶斯对于生态学的意义，可以参考Ecological Applications最新（四月份）的Forum（感谢jiaojiaojing推荐）。

最近在做一个project。之前没有注意这个问题，因为都是随便看看，没有自己动手。这次自己动手写R代码和WinBUGS代码，问题就出来了。因为最初是从WinBUGS接触贝叶斯分析的，所以对WinBUGS语言规范更熟悉，所谓的“先入为主”吧。在WinBUGS中，如果你没有explicitly给出待估计参数的初始值，WinBUGS本身会从先验分布中自动抽取的（虽然效果不一定好，但这确实可行，可以使程序跑起来）。而在R里，参数的初始值是必须的，如果你没有给出来，程序一直报错。刚开始怎么也不明白，后面才醒悟过来。from the scratch。

由于在贝叶斯分析中，通常不止一个参数，参数之间都是“条件依赖”的。求某个参数的值，都是基于你已经知道其他所有相关参数的前提之下的。回到第一步模拟，你总得给个初始条件，才能把模拟进行下去！也就是马尔可夫连的前端，可以认为是第一个点。一切都得有个起点！没有起点，何来“以后”！

最近在学time-series model，偶的天，这玩意真是复杂！频度方法怎么看都没懂，一会儿移动平均，一会自回归，还有方差－协方差矩阵。。。。掠过。

转到贝叶斯方法，感觉好多了。贝叶斯关于时间序列的模型，是基于过程模型(process equation)和观察模型(observation equation)之上的。在每个水平上，都可以引入不确定性：process error, observation error；还可以很轻松的解决比如缺失值、非等间隔取样等问题。相对于频度统计而言，贝叶斯方法有一个相对统一的解决问题的框架：数据的似然、先验、后验。感觉贝叶斯方法非常灵活（异常灵活？），基本上可以包含进入你任何想要包含的东西，可能也正是这种灵活性，遭到许多人的诟病。最明显的一点就是关于先验概率：主观性。我们的结论到底是应该只依赖于实验（一切源于数据，即似然函数），还是可以依赖于实验与已有知识的结合？争论不休！但不管怎么说，贝叶斯方法的强大之处在于解决复杂问题（包含自然界中众多的不确定性），如果你喜欢“一切基于事实（实验数据）”，那你可以假定先验为“flat”的。