The debate has focused on the rise

The debate has focused on the rise of jellyfish blooms and their
mean abundance (3, 13–16); thus, we examined both the distribution
of the annual standardized abundance and maximal jellyfish
values (i.e., blooms or data >90th percentile for each location) over
time using linear mixed model (LMM) and generalized linear
mixed model (GLMM) analyses that incorporate random effects
and nonlinear components and are adjusted for temporal autocorrelation
(heterogeneous AR1 estimates). The fact that timeseries
start and end at different years imposes limitations on the
analysis, as this results in differences in the sets of data available for
analysis in any single year. We used three approaches to determine
whether standardized jellyfish abundances have significantly increased
over time. First, we determined whether there was a significant
departure from the expected zero linear slope of standardized
abundance over time (i.e., the baseline) by comparing
between slopes of linear regressions from individual datasets over
the time period 1874–2011, as well as three consecutive time
periods: 1874–1939, 1940–1969, and 1970–2011. The second approach
involved GLMM (logistic) analyses of binary data to test
whether there was a change in the likelihood (odds) of observing
a higher vs. lower proportion of jellyfish over time. Third, we
computed effect sizes, as the ln [(Jp1/Jp2)/D], where Jp1 andJp2 are
the predicted jellyfish data for start and end years and D is the
number of decades in the time series (see Methods for summary),
allowing comparison of changes across datasets based on different
metrics (22). Because effect sizes deviated from a normal distribution
and no suitable transformation to normalize the data were
found, we used a nonparametric median test to test whether populations
showing significant increases or decreases over time differed
in effect size. To reject the null hypothesis of no global increase
in jellyfish, all three of these analyses combined should yield

ผลลัพธ์ (ไทย) 1:

การอภิปรายมีความสำคัญกับการเพิ่มขึ้นของแมงกะพรุนบุปผาและของพวกเขาหมายถึงความอุดมสมบูรณ์
(3, 13-16) ดังนั้นเราตรวจสอบทั้งการกระจาย
ของความอุดมสมบูรณ์ได้มาตรฐานประจำปีและแมงกะพรุน
ค่าสูงสุด (เช่นบุปผาหรือข้อมูล> ร้อยละ 90 สำหรับแต่ละสถานที่) กว่า
เวลาการใช้แบบจำลองเชิงเส้นผสม (LMM) และเชิงเส้นทั่วไป
แบบผสม (glmm) วิเคราะห์ที่รวมผลกระทบแบบสุ่ม
และส่วนประกอบเชิงเส้นและมีการปรับเวลาผิดพลาดที่สัมพันธ์
(ประมาณการ ar1 ต่างกัน) ความจริงที่ว่า timeseries
เริ่มต้นและสิ้นสุดที่ปีที่แตกต่างกันมีการกำหนดข้อ จำกัด ในการวิเคราะห์
เช่นนี้ส่งผลให้เกิดความแตกต่างในชุดของข้อมูลสำหรับการวิเคราะห์
ในปีเดียว เราใช้สามวิธีที่จะตรวจสอบ
ไม่ว่าจะเป็นปริมาณแมงกะพรุนมาตรฐานได้เพิ่มขึ้นอย่างมีนัยสำคัญ
เมื่อเวลาผ่านไป แรกเราพิจารณาว่ามีความสำคัญ
ออกจากที่คาดว่าจะเป็นศูนย์ลาดเชิงเส้นของมาตรฐาน
อุดมสมบูรณ์ในช่วงเวลา (เช่นพื้นฐาน) โดยการเปรียบเทียบระหว่าง
เนินวิเคราะห์เชิงเส้นจากชุดข้อมูลแต่ละช่วง
ช่วงเวลา 1874-2011 เป็น เป็นครั้งที่สามติดต่อกัน
ระยะเวลา:1874-1939, 1940-1969, 1970-2011 และ วิธีที่สองเกี่ยวข้องกับการ glmm
(โลจิสติก) การวิเคราะห์ข้อมูลไบนารีที่จะทดสอบ
ไม่ว่าจะมีการเปลี่ยนแปลงในโอกาส (ราคา) ในการสังเกต
สัดส่วนที่สูงเมื่อเทียบกับการลดลงของแมงกะพรุนเมื่อเวลาผ่านไป สามเรา
ขนาดผลการคำนวณเป็น LN [(jp1/jp2) / วัน] ที่ andjp2 jp1
ข้อมูลเป็นแมงกะพรุนที่คาดการณ์ไว้สำหรับการเริ่มต้นและจุดสิ้นสุดปีและงเป็น
จำนวนของทศวรรษที่ผ่านมาในอนุกรมเวลา (ดูวิธีการในการสรุป),
ช่วยให้การเปรียบเทียบของการเปลี่ยนแปลงในชุดข้อมูลตามตัวชี้วัดที่แตกต่างกัน
(22) เพราะผลกระทบที่มีขนาดผิดไปจากการกระจายปกติ
และไม่มีการเปลี่ยนแปลงที่เหมาะสมในการปรับข้อมูลที่ถูก
พบเราใช้ทดสอบแบ่งอิงพารามิเตอร์เพื่อทดสอบว่าประชากร
แสดงเพิ่มขึ้นอย่างมีนัยสำคัญหรือลดลงเมื่อเวลาผ่านไปความแตกต่าง
ในขนาดที่มีผลบังคับใช้ ที่จะปฏิเสธสมมติฐานว่างไม่เพิ่มขึ้นทั่วโลกใน
แมงกะพรุนทั้งสามของการวิเคราะห์เหล่านี้มารวมกันควรผลผลิต

ผลลัพธ์ (ไทย) 2:

การอภิปรายมีความสำคัญที่ขึ้นแมงกะพรุนบลูมส์ และนัก
หมายถึง ความอุดมสมบูรณ์ (3, 13–16); ดังนั้น เราตรวจสอบทั้งการกระจาย
มากมายมาตรฐานประจำปีและสูงสุดแมงกะพรุน
ค่า (เช่น บลูมส์หรือข้อมูล > 90 percentile สำหรับแต่ละสถาน) มากกว่า
เวลาใช้เชิงผสมแบบจำลอง (LMM) และตั้งค่าทั่วไปเส้น
ผสมวิเคราะห์รูปแบบ (GLMM) ที่สุ่มผล
และส่วนประกอบไม่เชิงเส้นและมีการปรับปรุงสำหรับ autocorrelation ขมับ
(heterogeneous AR1 estimates) ความจริง timeseries ที่
เริ่ม และสิ้นสุดที่ปีต่าง ๆ กำหนดข้อจำกัด
วิเคราะห์ เป็นผลลัพธ์นี้ในความแตกต่างในชุดของข้อมูลที่พร้อมใช้งานสำหรับ
วิเคราะห์ในปีเดียวกัน เราใช้สามวิธีในการกำหนด
ว่าแมงกะพรุนมาตรฐาน abundances ได้เพิ่มขึ้นอย่างมีนัยสำคัญ
ช่วงเวลา ครั้งแรก เราพบว่า มีความสำคัญ
ออกจากที่คาด มาตรฐานศูนย์ความชันเชิงเส้นของ
มากช่วงเวลา (เช่น พื้นฐาน) โดยเปรียบเทียบ
ระหว่างลาด regressions เชิงเส้นจาก datasets ละกว่า
1874–2011 ระยะเวลาเวลา เป็นเวลาติดต่อกันสาม
รอบระยะเวลา: 1874–1939, 1940–1969 และ 1970–2011 วิธีที่สอง
GLMM วิเคราะห์ (โลจิสติก) ของข้อมูลไบนารีการทดสอบที่เกี่ยวข้องกับ
ว่า มีการเปลี่ยนแปลงในโอกาส (ราคา) ของสังเกต
สูงเทียบกับสัดส่วนล่างของแมงกะพรุนช่วงเวลา สาม เรา
คำนวณขนาดผล เป็น ln [(Jp1/Jp2) /D], มี Jp1 andJp2
แมงกะพรุนคาดการณ์ข้อมูลเริ่มต้น และสิ้นสุดปี และ D คือการ
หมายเลขของทศวรรษที่ผ่านมาในชุดเวลา (ดูวิธีการสรุป),
ให้เปรียบเทียบการเปลี่ยนแปลงข้าม datasets ตามข้อมูลแตกต่างกัน
(22) การวัด เนื่องจากขนาดผล deviated จากการแจกแจงปกติ
และการแปลงไม่เหมาะสมเพื่อลดขนาดข้อมูล
พบ เราใช้มัธยฐาน nonparametric ทดสอบเพื่อทดสอบว่าประชากร
แสดงสำคัญเพิ่มหรือลดช่วงเวลาแตกต่าง
ขนาดผล จะปฏิเสธสมมติฐานว่างของเพิ่มสากล
ในแมงกะพรุน วิเคราะห์เหล่านี้รวมทั้งหมดสามควรผลตอบแทน

ผลลัพธ์ (ไทย) 3:

ที่ให้ความสำคัญกับการ อภิปราย ที่เพิ่มขึ้นของแมงกะพรุนและเต็มไปด้วยดอกไม้ bougainvillea
หมายถึงความอุดมสมบูรณ์ของตน( 3 , 13 - 16 ),ทำให้เราตรวจสอบทั้ง
ซึ่งจะช่วยให้การกระจายของมาตรฐานและความอุดมสมบูรณ์สูงสุดแมงกะพรุน
ค่า(เช่นเต็มไปด้วยดอกไม้ bougainvillea หรือข้อมูล>จังหวะตลอด 90 ปิโตรเลียมในแต่ละตำแหน่ง)มากกว่า
ซึ่งจะช่วยในการใช้ตามแนวยาวแบบผสมรุ่น( lmm )และโดยทั่วไปตามแนวยาว
ผสมรุ่น( glmm )จะทำการวิเคราะห์ว่ามีผลกระทบ
ตามมาตรฐานแบบสุ่มและส่วนประกอบ nonlinear และจะถูกปรับให้เหมาะสมสำหรับ Temporal Key Integrity Protocol autocorrelation
(จากผู้ผลิตหลายรายของ 1 ประเมิน) ความจริงที่ว่า timeseries
เริ่มต้นและสิ้นสุดลงที่ปีแตกต่างกันเนื่องจากข้อจำกัด
ซึ่งจะช่วยในการวิเคราะห์ที่เป็นการในความแตกต่างในชุดของข้อมูลที่มีอยู่สำหรับ
การวิเคราะห์ในปีเดียว เราใช้สามวิธีที่ใช้ในการพิจารณาตอบแทน
ไม่ว่าแมงกะพรุนมาตรฐาน abundances มีเพิ่มขึ้นอย่างมีนัยสำคัญ
เมื่อเวลาผ่านไป เป็นครั้งแรกที่เรากำหนดไว้ว่ามีนัยสำคัญ
ซึ่งจะช่วยออกเดินทางจากที่คาดว่าจะได้รับตามแนวยาวไม่มีลาดเอียงของมาตรฐานความอุดมสมบูรณ์
ซึ่งจะช่วยตลอดช่วงเวลา(เช่นที่พื้นฐาน)โดยการเปรียบเทียบ
ระหว่างเนินลาดเทที่มีตามแนวยาวด้านค่าจ้างจากบุคคล datasets เหนือ
ซึ่งจะช่วยให้เวลาช่วง 1874 - 2011 ,และมีเวลาติดต่อกัน
ช่วงเวลา:1874-1939 1940-1969 และ 1970-2011 . วิธีการที่สอง
เกี่ยวข้อง glmm (ด้านการขนส่ง)การวิเคราะห์ข้อมูลไบนารีการทดสอบ
ไม่ว่าจะมีการเปลี่ยนแปลงเกิดขึ้นในความ(ไม่)ของการปฏิบัติตามสัดส่วน
ที่สูงกว่าเมื่อเทียบกับด้านล่างของแมงกะพรุนเวลาผ่านไป บุคคลที่สามเรา
คำนวณขนาดมีผลเป็นลักษณะคล้ายกัน[( JP 1 / jp 2 ) D /]ที่ JP 1 andjp 2
ข้อมูลแมงกะพรุนคาดการณ์ไว้สำหรับการเริ่มต้นและสิ้นสุดปีและ D คือ
จำนวนของหลายทศวรรษในเวลา(ดูที่วิธีการสำหรับรายการสรุป)
ช่วยให้การเปรียบเทียบการเปลี่ยนแปลงใน datasets ขึ้นอยู่กับ
วัด( 22 ) เพราะขนาดมีผลความผิดพลาดคลาดเคลื่อนไปจากการจัดจำหน่ายตามปกติและไม่มี
ซึ่งจะช่วยการเปลี่ยนแปลงเหมาะกับเข้าสู่ ภาวะ ปกติข้อมูลที่เป็น
ซึ่งจะช่วยเราใช้การทดสอบอยู่ตรงกลาง nonparametric เพื่อทดสอบว่าประชากร
แสดงจะลดลงหรือเพิ่มขึ้นอย่างมีนัยสำคัญมากกว่าเวลาแตกต่าง
ในการใช้งานขนาด. ในการปฏิเสธข้อสมมุติฐานที่ไม่มีค่าไม่มี
ซึ่งจะช่วยเพิ่มระดับโลกในกะพรุนทั้งสามของการวิเคราะห์รวมควรจะยอมจำนน