The problem of auto-correlation in parasitology.
The problem of auto-correlation in parasitology.
复制标题
DOI：
10.1371/journal.ppat.1002590
复制
发表时间：
2012
期刊：
影响因子：
6.7
通讯作者：
Colegrave N
中科院分区：
文献类型：
--
作者：
Pollitt LC;Reece SE;Mideo N;Nussey DH;Colegrave N
解释宿主和病原体因素在驱动感染动力学中的作用是寄生虫学的一个主要目标。越来越多的人认识到，基于感染的单一汇总指标（例如，寄生虫病高峰期）不能充分捕捉感染动态，因此，有必要适当使用统计技术来分析动态，以了解感染并最终控制寄生虫。然而，宿主内环境的复杂性意味着跟踪和分析感染内和宿主之间的病原体动态构成了相当大的统计挑战。简单的统计模型作出的假设，很少会在主机和寄生虫参数收集的数据满意。特别是，模型残差（数据中无法解释的方差）不应在时间或空间上相关。在这里，我们将展示如何不考虑这种相关性可能会导致不正确的生物推断的统计分析。然后，我们将展示如何混合效应模型可以作为一个强大的工具来分析这种重复测量的数据，希望这将鼓励更好的寄生虫学统计实践。
Explaining the contribution of host and pathogen factors in driving infection dynamics is a major ambition in parasitology. There is increasing recognition that analyses based on single summary measures of an infection (e.g., peak parasitaemia) do not adequately capture infection dynamics and so, the appropriate use of statistical techniques to analyse dynamics is necessary to understand infections and, ultimately, control parasites. However, the complexities of within-host environments mean that tracking and analysing pathogen dynamics within infections and among hosts poses considerable statistical challenges. Simple statistical models make assumptions that will rarely be satisfied in data collected on host and parasite parameters. In particular, model residuals (unexplained variance in the data) should not be correlated in time or space. Here we demonstrate how failure to account for such correlations can result in incorrect biological inference from statistical analysis. We then show how mixed effects models can be used as a powerful tool to analyse such repeated measures data in the hope that this will encourage better statistical practices in parasitology.
登录
查看更多内容
影响因子：
9.8
作者：
Grant AJ;Restif O;McKinley TJ;Sheppard M;Maskell DJ;Mastroeni P
通讯作者：
Mastroeni P
影响因子：
3.2
作者：
Frank, SA;Barbour, AG
通讯作者：
Barbour, AG
影响因子：
64.8
作者：
Reece, Sarah E.;Drew, Damien R.;Gardner, Andy
通讯作者：
Gardner, Andy
影响因子：
2.4
作者：
Elston, DA;Moss, R;Lambin, X
通讯作者：
Lambin, X
影响因子：
2.9
作者：
Mideo, Nicole;Savill, Nicholas J.;Reece, Sarah E.
通讯作者：
Reece, Sarah E.