Key points are not available for this paper at this time.
الملخص تُقاس الظواهر البيئية غالبًا على شكل بيانات عد. يمكن تحليل هذه البيانات باستخدام نماذج خطية مختلطة عامة (GLMMs) عندما تكون الملاحظات متصلة بطرق تتطلب تأثيرات عشوائية. ومع ذلك، غالبًا ما تحتوي بيانات العد على زيادة في الأصفار، مما يعني وجود أصفار أكثر مما يمكن توقعه من توزيعات الخطأ القياسية المستخدمة في GLMMs، مثلًا، قد تكون عدادات الطفيليات صفرًا تمامًا بالنسبة للعوائل التي تمتلك دفاعات مناعية فعالة ولكنها تتنوع وفقًا لتوزيع ثنائي سالب للعوائل غير المقاومة. نقدم حزمة R جديدة، glmmTMB، التي تزيد من نطاق النماذج التي يمكن ملاءمتها بسهولة لبيانات العد باستخدام طريقة تقدير الاحتمال الأقصى. تم تطوير الواجهة لتكون مألوفة لمستخدمي حزمة lme4 R، وهي أداة شائعة لتلائم GLMMs. لتعظيم السرعة والمرونة، يتم إجراء التقدير باستخدام Template Model Builder (TMB)، الذي يستخدم التمايز التلقائي لتقدير تدرجات النماذج وتقريب لابلاس للتعامل مع التأثيرات العشوائية. نبرز glmmTMB ونقارنها بطرق أخرى متاحة من خلال دراستين بيئيتين. بشكل عام، تعتبر glmmTMB أكثر مرونة من الحزم الأخرى المتاحة لتقدير النماذج المعززة بالصفر عبر تقدير الاحتمال الأقصى، وتكون أسرع من الحزم التي تستخدم أخذ عينات سلسلة ماركوف مونت كارلو من أجل التقدير؛ كما أنها أكثر مرونة لنمذجة الأصفار المعززة من INLA، لكن مقارنات السرعة تختلف باختلاف الهيكل النموذجي وبيانات النموذج. يمكن استخدام حزمةنا لتناسب GLMs وGLMMs مع أو بدون زيادة في الأصفار وكذلك نماذج الحواجز. من خلال السماح لعلماء البيئة بتقدير مجموعة واسعة من النماذج بسرعة باستخدام حزمة واحدة، تسهل glmmTMB العثور على النماذج المناسبة واختبار الفرضيات لوصف العمليات البيئية.
دراسات بروكس وآخرون (Mon,) في هذا السؤال.