A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä
gllvm : Fast analysis of multivariate abundance data with generalized linear latent variable models in R (2019)
Niku, J., Hui, F. K., Taskinen, S., & Warton, D. I. (2019). gllvm : Fast analysis of multivariate abundance data with generalized linear latent variable models in R. Methods in Ecology and Evolution, 10(12), 2173-2182. https://doi.org/10.1111/2041-210X.13303
JYU-tekijät tai -toimittajat
Julkaisun tiedot
Julkaisun kaikki tekijät tai toimittajat: Niku, Jenni; Hui, Francis K.C.; Taskinen, Sara; Warton, David I.
Lehti tai sarja: Methods in Ecology and Evolution
eISSN: 2041-210X
Julkaisuvuosi: 2019
Volyymi: 10
Lehden numero: 12
Artikkelin sivunumerot: 2173-2182
Kustantaja: Wiley
Julkaisumaa: Yhdysvallat (USA)
Julkaisun kieli: englanti
DOI: https://doi.org/10.1111/2041-210X.13303
Julkaisun avoin saatavuus: Ei avoin
Julkaisukanavan avoin saatavuus:
Julkaisu on rinnakkaistallennettu (JYX): https://jyx.jyu.fi/handle/123456789/65596
Tiivistelmä
2.The R package gllvm offers relatively fast methods to fit GLLVMs via maximum likelihood, along with tools for model checking, visualization and inference.
3.The main advantage of the package over other implementations is speed e.g. being two orders of magnitude faster, and capable of handling thousands of response variables. These advances come from using variational approximations to simplify the likelihood expression to be maximised, automatic differentiation software for model‐fitting (via the TMB package), and careful choice of initial values for parameters.
4.Examples are used to illustrate the main features and functionality of the package, such as constrained or unconstrained ordination, including functional traits in “fourth corner” models, and (if the number of environmental coefficients is not large) make inferences about environmental associations.
YSO-asiasanat: monimuuttujamenetelmät; mallit (mallintaminen); mallintaminen; tilastolliset mallit; lajit; vuorovaikutus; ekologia
Vapaat asiasanat: high-dimensional data; joint modelling; multivariate analysis; or-26dination; species interactions
Liittyvät organisaatiot
OKM-raportointi: Kyllä
Raportointivuosi: 2019
JUFO-taso: 2