4. Discussion4.1. Why using paramet

4. Discussion
4.1. Why using parametric forecasting?
This study aimed at highlighting two key advantages of parametric
approaches to forecasting. First, Bayesian model checking procedures
are powerful tools to asses the misfit of a model calibrated on real
data. These tools enable to identify cases in which our modeled
understanding of an ecological system is too crude to make reliable
predictions. In such cases, modifications of the model should be
sought, before any reliable predictions can be made. By re-examining
the toy example of the theta-logistic model proposed by Perretti et al.
(2013c), it was shown that a simple model checking procedure was
sufficient, provided that observation noise was not too large, to
distinguish cases in which model misfit was large and parametric
forecasting poor from cases in which model misfit was not evidenced
and parametric forecasting was reasonably good (Figs. 2 and 4). For
real case studies, it is difficult to advise the use of a particular
threshold below which a model should be considered to fail at fitting
the data. Such procedures enable to detect model misfit, when a
posterior predictive p-Value is clearly lower than the distribution of
posterior predictive p-Values obtained on data generated with the
parametric model (e.g., Fig. 2A and B, for θ values equal to or larger
than 1.5). In such cases, they will indicate particular patterns in the
data that the model may not reproduce accurately, and therefore
guide model improvements. Model checking procedures also confirm
a good model fit to data, when the posterior predictive p-Value is
within the central range of the reference distribution. In less clear-cut
cases, model checking still provides ecologists with a quantification of
the model fit quality

ผลลัพธ์ (ไทย) 1:

4. สนทนา4.1. ทำไมใช้คาดการณ์พาราเมตริกได้หรือไม่การศึกษานี้มุ่งเน้นประโยชน์ที่สำคัญสองของพาราเมตริกวิธีการคาดการณ์ แบบจำลองทฤษฎีแรก การตรวจสอบขั้นตอนมีเครื่องมือที่มีประสิทธิภาพในการประเมินความเหมาะของแบบจำลองที่ปรับเทียบบนจริงหรือไม่ข้อมูล เครื่องมือเหล่านี้ช่วยให้สามารถระบุกรณีที่เราสร้างแบบจำลองเข้าใจระบบนิเวศน์จะดิบเกินไปจะทำให้ความน่าเชื่อถือคาดคะเน ควรจะปรับเปลี่ยนรูปแบบในกรณีดังกล่าวค้นหา ก่อนที่จะสามารถทำการคาดคะเนความน่าเชื่อถือ ด้วยการตรวจสอบอีกครั้งตัวอย่างของเล่นของแบบจำลอง logistic ทีตาที่เสนอโดย Perretti et al(2013c), มันถูกแสดงว่า ไม่แบบอย่างขั้นตอนการตรวจสอบเพียงพอ ได้สังเกตเสียงไม่ใหญ่เกินไป การความแตกต่างในรูปแบบใดความเหมาะไม่ใหญ่ และพาราเมตริกกรณีการคาดการณ์ที่ดีจากกรณีในรูปแบบใดความเหมาะไม่เป็นหลักฐานและคาดการณ์พาราเมตริกถูกมากราคา (Figs. 2 และ 4) สำหรับจริงกรณีศึกษา จึงยากที่จะแนะนำให้ใช้เฉพาะขีดจำกัดด้านล่างซึ่งแบบจำลองควรล้มเหลวที่เหมาะสมข้อมูล เช่นขั้นตอนการเปิดใช้งานเพื่อตรวจสอบความเหมาะรุ่น เมื่อเป็นหลังคาดการณ์ p ค่าจะชัดเจนกว่าการกระจายของคาดการณ์หลังค่า p ที่ได้รับข้อมูลที่สร้างขึ้นด้วยการรูปแบบพาราเมตริก (เช่น Fig. 2A และ B สำหรับค่าθเท่ากับ หรือใหญ่กว่ากว่า 1.5) ในกรณี พวกเขาจะแสดงรูปแบบเฉพาะในการข้อมูลที่อาจไม่มีสร้างแบบแม่นยำ และดังนั้นแนะนำรุ่นปรับปรุง แบบจำลองขั้นตอนการตรวจสอบยืนยันแบบดีที่พอดีกับข้อมูล เมื่อหลังคาดการณ์ p-ค่าภายในช่วงกลางของการกระจายข้อมูลอ้างอิง ใน clear-cut น้อยกรณี การตรวจสอบแบบจำลองก็ให้ ecologists กับการนับของรูปแบบเหมาะสมกับคุณภาพ

ผลลัพธ์ (ไทย) 2:

4. อภิปราย
4.1 ทำไมใช้การคาดการณ์พารา?
การศึกษาครั้งนี้มุ่งเป้าไปที่การเน้นสองข้อได้เปรียบที่สำคัญของตัวแปรวิธีการคาดการณ์
ครั้งแรกในรูปแบบเบส์ขั้นตอนการตรวจสอบเป็นเครื่องมือที่มีประสิทธิภาพในการประเมินไม่เหมาะของรูปแบบการสอบเทียบที่จริงข้อมูล เครื่องมือเหล่านี้ช่วยในการระบุกรณีที่รูปแบบของเราเข้าใจในระบบนิเวศวิทยาเป็นน้ำมันดิบเกินไปที่จะทำให้ความน่าเชื่อถือการคาดการณ์ ในกรณีเช่นนี้การปรับเปลี่ยนรูปแบบที่ควรจะขอก่อนที่การคาดการณ์ที่น่าเชื่อถือใด ๆ ที่สามารถทำ โดยการตรวจสอบตัวอย่างของเล่นของรูปแบบที-โลจิสติกที่เสนอโดย Perretti et al. (2013c) มันก็แสดงให้เห็นว่ารูปแบบง่ายๆขั้นตอนการตรวจสอบก็เพียงพอให้เสียงสังเกตที่ไม่ได้มีขนาดใหญ่เกินไปที่จะแยกแยะความแตกต่างในกรณีที่รูปแบบไม่เหมาะเป็นขนาดใหญ่และตัวแปรการคาดการณ์ที่น่าสงสารจากกรณีที่ไม่เหมาะรูปแบบไม่ได้หลักฐานและการคาดการณ์เป็นตัวแปรที่ดีพอสมควร(มะเดื่อ. 2 และ 4) สำหรับกรณีศึกษาจริงมันเป็นเรื่องยากที่จะให้คำแนะนำการใช้โดยเฉพาะอย่างยิ่งเกณฑ์ด้านล่างซึ่งรูปแบบที่ควรจะได้รับการพิจารณาที่จะล้มเหลวในการปรับข้อมูล วิธีการดังกล่าวจะช่วยให้การตรวจสอบไม่เหมาะรุ่นเมื่อหลังการทำนาย p-value อย่างชัดเจนต่ำกว่าการกระจายของการคาดการณ์หลังพีค่านิยมที่ได้รับข้อมูลที่สร้างขึ้นด้วยรูปแบบตัวแปร(เช่นรูป. 2A และ B ค่าθเท่ากับหรือ ที่มีขนาดใหญ่กว่า1.5) ในกรณีเช่นนี้พวกเขาจะแสดงให้เห็นรูปแบบโดยเฉพาะอย่างยิ่งในข้อมูลว่ารูปแบบอาจจะไม่ทำซ้ำได้อย่างถูกต้องและดังนั้นจึงเป็นแนวทางในการปรับปรุงรูปแบบ ขั้นตอนการตรวจสอบรุ่นยังยืนยันแบบแบบอย่างที่ดีกับข้อมูลเมื่อหลังการทำนาย p-value เป็นอยู่ในช่วงกลางของการกระจายการอ้างอิง ในเวลาที่น้อยที่ชัดเจนกรณีการตรวจสอบรูปแบบยังคงให้นักนิเวศวิทยาที่มีปริมาณของรูปแบบที่มีคุณภาพพอดี

ผลลัพธ์ (ไทย) 3:

4 . การอภิปราย
4.1 . ทำไมใช้พยากรณ์ตัวแปร ? การศึกษานี้มุ่งเน้นสอง

วิธีการพาราเมตริกคีย์ประโยชน์ของการพยากรณ์ ก่อนขั้นตอนการตรวจสอบ
รูปแบบแบบเบส์ เป็นเครื่องมือที่มีประสิทธิภาพเพื่อประเมิน ก็ยังมีรูปแบบของการสอบเทียบ ข้อมูลที่แท้จริง

เครื่องมือเหล่านี้ช่วยให้ระบุกรณีที่ของเราจำลอง
ความเข้าใจของระบบนิเวศเป็นหยาบเกินไปที่จะให้ความน่าเชื่อถือ
คาดคะเน ในบางกรณี การปรับเปลี่ยนรูปแบบของควรจะ
ขอก่อนเชื่อถือคำทำนายสามารถทํา โดยจะตรวจสอบตัวอย่างของ theta
ของเล่นโมเดลโลจิสติกที่เสนอโดย perretti et al .
( 2013c ) พบว่า วิธีการตรวจสอบอย่างง่ายๆคือ
เพียงพอ ให้สังเกตที่เสียงไม่ใหญ่มากเกินไป

,แยกกรณี ซึ่งรูปแบบก็ยังมีขนาดใหญ่และพารา
การพยากรณ์ยากจนจากกรณีที่รูปแบบประหลาดไม่ได้เป็นหลักฐาน
และการพยากรณ์ตัวแปรคือเหตุผลที่ดี ( Figs 2 และ 4 ) สำหรับ
กรณีศึกษาจริง มันเป็นเรื่องยากที่จะแนะนำให้ใช้เกณฑ์เฉพาะ
ด้านล่างซึ่งรูปแบบควรพิจารณาที่จะล้มเหลวที่เหมาะสม
ข้อมูล ขั้นตอนการตรวจสอบรูปแบบประหลาดดังกล่าวช่วยให้ ,เมื่อ
ด้านหลังชัดเจนกว่าและสามารถจำหน่ายได้ใน p-values
ด้านหลังพยากรณ์ข้อมูลที่สร้างขึ้นด้วย
แบบพารา ( เช่น รูปที่ 2A และ B สำหรับθค่าเท่ากับหรือใหญ่กว่า
กว่า 1.5 ) ในบางกรณีที่พวกเขาจะแสดงรูปแบบเฉพาะใน
ข้อมูลว่ารูปแบบอาจจะไม่ทำซ้ำได้อย่างถูกต้องและดังนั้น
คู่มือรูปแบบการปรับปรุงรูปแบบขั้นตอนการตรวจสอบยังยืนยัน
ดีแบบพอดีกับข้อมูล เมื่อผลพยากรณ์ด้านหลังคือ
ภายในช่วงกลางของการอ้างอิงการกระจาย ในกรณีอย่างชัดเจน
น้อยกว่าการตรวจสอบรูปแบบยังคงมี ecologists กับปริมาณของ
แบบพอดีกับคุณภาพ