咨询：比较土地利用类型与鸟类物种丰度应采用何种统计检验？

嘿，这个问题我帮不少刚入门的生态小伙伴捋过，咱们从最基础的逻辑开始，一步步选合适的方法，绝对好上手！

第一步：先明确你的变量类型 #

方法选择的核心是看两个关键变量的类型：

• 响应变量（你要解释的）：鸟类丰度——这几乎都是计数数据（比如每块样地记录到N只鸟，是整数，还可能有不少零值）
• 解释变量（你用来解释的）：土地利用类型——这是分类变量（比如林地、农田、城市绿地、湿地这类不同类别）

第二步：从简单到复杂选方法 #

1. 非参数检验：克鲁斯卡尔-沃利斯检验（Kruskal-Wallis Test） #

如果你的丰度数据看起来特别“不规整”（比如有很多极端值、零值，怎么转换都达不到正态分布），直接用这个！它不需要任何分布假设，就是看不同土地利用类型组的丰度分布有没有差异。

• 做完检验如果有显著差异，还可以用Dunn检验做事后两两比较，看哪两类土地利用的丰度差异最大。

2. 参数检验：单因素方差分析（One-way ANOVA）（谨慎用！） #

只有当你的丰度数据经过转换后（比如对数转换log(abundance + 1)，避免零值报错）满足「正态分布+方差齐性」时，才适合用这个。

• 同样，显著后用Tukey HSD检验做事后比较。
• ❌ 注意：计数数据天生是泊松/负二项分布，直接用ANOVA很容易犯错误，除非你的数据量极大且分布特别接近正态，否则优先看下面的回归方法。

3. 最适合计数数据的方法：泊松/负二项回归 #

这才是处理鸟类丰度这类计数数据的“标准操作”：

• 泊松回归：假设丰度服从泊松分布（均值=方差），用基础函数就能跑。
• 负二项回归：如果你的数据存在「过度离散」（实际方差远大于均值，这在野外鸟类数据里超级常见），泊松回归就不准了，换成负二项回归解决这个问题。
• 如果你的数据里有大量零值（比如一半以上样地没记录到目标鸟），那还要考虑「零膨胀泊松/负二项回归」，专门处理这种“零太多”的情况。

第三步：入门级代码示例（用R语言，生态领域最常用） #

先画个探索性箱线图（必做！） #

先看看不同土地利用类型的丰度分布，心里有数：

library(ggplot2)
ggplot(your_data, aes(x = land_use_type, y = abundance)) +
  geom_boxplot(fill = "#4292c6") +
  labs(x = "土地利用类型", y = "鸟类丰度") +
  theme_bw()

拟合泊松/负二项回归 #

# 加载必要的包
library(lme4)  # 做广义线性模型
library(MASS)  # 做负二项回归

# 先拟合泊松模型
poisson_model <- glm(abundance ~ land_use_type, data = your_data, family = poisson)
summary(poisson_model)

# 检查是否过度离散：如果结果大于1，说明需要换负二项
dispersion <- sum(residuals(poisson_model, type = "pearson")^2) / df.residual(poisson_model)
cat("过度离散系数：", dispersion, "\n")

# 如果过度离散，拟合负二项模型
if (dispersion > 1) {
  nb_model <- glm.nb(abundance ~ land_use_type, data = your_data)
  summary(nb_model)
}

处理重复采样（如果有） #

如果你是同一块样地多次测量（比如春、夏、秋各测一次），那要加随机效应控制样地的重复影响：

# 零膨胀负二项混合模型示例（如果有零膨胀+重复采样）
library(pscl)
zi_nb_model <- zeroinfl(abundance ~ land_use_type | 1, data = your_data, 
                        dist = "negbin", random = ~1 | plot_id)
summary(zi_nb_model)

几个入门必避的坑 #

• 不要跳过探索性分析：先画图看分布，比直接跑模型靠谱100倍！
• 不要硬套ANOVA：计数数据的“本命”是广义线性模型（GLM），别为了简单强行用参数检验。
• 记得检查过度离散和零膨胀：这俩是鸟类丰度数据的常客，忽略了会导致结果完全不准。

内容的提问来源于stack exchange，提问作者Stephanie