Marginal and simultaneous confidence intervals for abundance data with applications to safety assessment of non-target species [Elektronische Ressource] / von Frank Schaarschmidt

Frank Schaarschmidt

Informations

• Publié par: gottfried_wilhelm_leibniz_universitat_hannover
• Publié le: 01 janvier 2009
• Nombre de lectures: 6
• Langue: English
• Poids de l'ouvrage: 1 Mo

Extrait

Marginal and simultaneous confidence
intervals for abundance data with
applications to safety assessment of
non-target species
Von der Naturwissenschaftlichen Fakultät
der Gottfried Wilhelm Leibniz Universität Hannover
zur Erlangung des Grades eines
Doktors der Gartenbauwissenschaften
- Dr. rer. hort. -
genehmigte Dissertation
von
Dipl.-Ing. agr. Frank Schaarschmidt
geboren am 27.02.1979, in Jena.
2009Referent: Prof. Dr. L. A. Hothorn
Korreferent: Prof. Dr. H.-P. Piepho
Tag der Promotion:17.12.2008i
Abstract
In the approval of novel agricultural practices, inferential statistics can be used to
decide between the hazardousness or safety of a novel practice. This might be done
based on field trials, which compare a novel treatment to one or several accepted
standard treatments and may involve several environments or repeated measure-
ments. A flexible statistical tool for both, summarizing results and allowing deci-
sions, are marginal and simultaneous confidence intervals. Additionally, it might be
of interest to include prior knowledge on the parameters of interest into the analysis.
While for continous data standard statistical procedures are available, the problem
of comparing two or several treatments with respect to the abundance of non-target
species is rarely considered.
This work investigates the construction of marginal and simultaneous confidence
intervals for ratios and differences of mean abundances in the presence of overdis-
persion based on the Bayesian framework of Markov Chain Monte Carlo, allowing
fortheinclusionofpriorknowledge. However, mainfocusisoninvestigatingwhether
Bayesian intervals constructed can be interpreted as commonly accepted frequentist
(simultaneous) confidence intervals when no prior knowledge is available. In simu-
lation studies the coverage probability is assessed. It is found that for such intervals
tend to be liberal, but achieve coverage probability close to the nominal level when
sample sizes are at least 20 per group or are constructed based on pooled parameters
in hierarchical models with larger total number of observations. The nominal cover-
age is seriously violated, when the samples size is small and the considered species
are rare. The application of the methods is shown for two examples from ecological
field trials concerning genetically modified crops.
Keywords: inference statistics, negative binomial distribution, multiple compar-
isonsii
Zusammenfassung
In der Zulassung von neuer landwirtschaftlicher Verfahren können inferenzstatis-
tische Verfahren genutzt werden über die Bedenklichkeit bzw. Unbedenklichkeit
neuer Verfahren zu entscheiden. Grundlage für die Entscheidung können Feld-
versuche sein, welche eine neue Behandlung mit einer oder mehreren akzeptierten
Standardbehandlungen vergleichen und Beobachtungen aus verschiedenen Umwel-
ten oder wiederholte Messungen enthalten. Marginale und simultane Konfidenz-
intervalle können sowohl zur Zusammenfassung wichtiger statistischer Größen als
zur Entscheidung über relevante Hypothesen verwendet werden. Zusätzlich kann
es von Interesse sein, Vorwissen bezüglich der betrachteten Parameter in die Anal-
yse einzubeziehen. Während für kontinuierliche Variablen statistische Standardver-
fahrenverfügbarsind, wurdedasVergleichedermittlerenAbundanzvonNichtzielor-
ganismen selten betrachtet.
Die vorliegende Arbeit untersucht die Konstruktion marginaler und simultaner Kon-
fidenzintervalle für Quotienten und Differenzen von mittleren Abundanzen bei vor-
liegen von Überdispersion auf der Bayesianischen Methode Markov Chain Monte
Carlo, die die Einbeziehung von Vorwissen erlaubt. Der Fokus der Arbeit liegt je-
doch auf der Frage, ob die resultierenden Intervalle im frequentistischen Sinne inter-
pretiertwerdenkönnen, wennkeinVorwissenzugrundeliegt. ZudiesemZweckwurde
die Überdeckungswahrscheinlichkeit in Simulationsstudien untersucht. Darin stellen
sichdieuntersuchtenMethodenalsliberaldar, erreichenaberungefährdiegeforderte
Überdeckungswahrscheinlichkeit, wenn der Stichprobenumfang mindestens 20 be-
trägt oder die Intervalle für Parameter aus hierarchischen Modellen mit relativ
großer Gesamtfallzahl geschätzt werden. Die vorgegebene Überdeckungswahrschein-
lichkeit wird grob unterschritten, wenn seltene Spezies auf Basis geringer Stich-
probenumfänge untersucht werden. Die Anwendung der diskutierten Methoden wird
anhand zweier Beispiele aus ökologischen Feldversuchen mit genetisch veränderten
Nutzpflanzen dargestellt.
Schlagworte: Statistik, negative Binomialverteilung, Multiple VergleicheContents
1 Introduction 1
1.1 Objectives of safety assessment . . . . . . . . . . . . . . . . . . . . . 1
1.2 Distributional assumptions . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Experimental designs . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Multiple treatment comparisons . . . . . . . . . . . . . . . . . . . . . 9
1.5 Confidence intervals as a concept for inference . . . . . . . . . . . . . 11
1.6 Motivation for Bayesian methods . . . . . . . . . . . . . . . . . . . . 12
1.7 Motivation and scope . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 Bayesian methods and MCMC 17
2.1 Bayesian Theorem in Statistics . . . . . . . . . . . . . . . . . . . . . 17
2.2 Bayesian vs. frequentist inference . . . . . . . . . . . . . . . . . . . . 18
2.3 Choice of prior distributions . . . . . . . . . . . . . . . . . . . . . . . 19
2.4 Safety assessment in the Bayesian context . . . . . . . . . . . . . . . 22
2.5 Multiple comparisons in the Bayesian context . . . . . . . . . . . . . 22
2.6 Introduction to MCMC . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.7 Frequentist performance of MCMC based CI . . . . . . . . . . . . . . 25
3 Concepts for constructing CI 29
3.1 Desirable properties of confidence intervals . . . . . . . . . . . . . . . 29
3.2 Wald-type CI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.3 Profile likelihood CI . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.4 CI based on empirical distributions . . . . . . . . . . . . . . . . . . . 32
iiiiv CONTENTS
4 Concepts for constructing SCI 33
4.1 Desirable properties of SCI . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2 Simple solutions: Bonferroni and Sidak . . . . . . . . . . . . . . . . . 34
4.3 Wald-type SCI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.4 SCI based on empirical joint distribution . . . . . . . . . . . . . . . . 37
4.5 Multiple treatment comparisons . . . . . . . . . . . . . . . . . . . . . 39
4.6 SCI with Gaussian response . . . . . . . . . . . . . . . . . . . . . . . 44
4.6.1 Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.6.2 An example . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.6.3 Simulation study: Summary of results . . . . . . . . . . . . . 51
4.6.4 BUGS code and update parameters . . . . . . . . . . . . . . . . 51
4.6.5 Detailed results . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5 CI for means of negative binomials 55
5.1 Statistical model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.1.1 Model fit and estimation of the dispersion parameter . . . . . 56
5.1.2 Inference for negative binomial parameters . . . . . . . . . . . 56
5.2 Wald-type CI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.3 CI based on MCMC . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.4 Performance for observing only zeros . . . . . . . . . . . . . . . . . . 58
5.5 MCMC derived CI: Simulation study . . . . . . . . . . . . . . . . . . 62
5.5.1 Effect of mean abundance and sample size . . . . . . . . . . . 62
5.5.2 Upper and lower bounds . . . . . . . . . . . . . . . . . . . . . 63
5.5.3 Results for the difference of means . . . . . . . . . . . . . . . 63
5.5.4 Moderate overdispersion . . . . . . . . . . . . . . . . . . . . . 63
5.5.5 Effect of using a gamma prior on . . . . . . . . . . . . . . . 64
5.5.6 Effects of number of updates . . . . . . . . . . . . . . . . . . . 64
5.5.7 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.6 Uniform prior for dispersion . . . . . . . . . . . . . . . . . . . . . . . 65
5.6.1 BUGS code and update parameters . . . . . . . . . . . . . . . . 65
5.6.2 Detailed results for K = 1000 . . . . . . . . . . . . . . . . . . 66CONTENTS v
5.6.3 Detailed results for K = 5000 . . . . . . . . . . . . . . . . . . 68
5.7 Gamma prior for dispersion . . . . . . . . . . . . . . . . . . . . . . . 73
5.7.1 BUGS code and update parameters . . . . . . . . . . . . . . . . 73
5.7.2 Detailed results . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.8 Weakly informative prior for the mean . . . . . . . . . . . . . . . . . 75
5.8.1 BUGS code and update parameters . . . . . . . . . . . . . . . . 75
5.8.2 Detailed results . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6 SCI for means of negative binomials 79
6.1 Wald-type SCI for ratio to control . . . . . . . . . . . . . . . . . . . . 79
6.2 SCI based on MCMC . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.3 MCMC derived SCI: Simulation study . . . . . . . . . . . . . . . . . 81
6.3.1 Summary of results . . .