なぜ私たちは生態学と行動に段階的なモデリングを使用するのですか？

1.段階的な重回帰のバイアスと欠点は、統計文献内で十分に確立されています。しかし、2004年に3つの主要な生態学的および行動誌によって発表された論文の調査では、この手法の使用は広範囲にとどまっていることが示唆されました。複数回回帰アプローチが使用された65の論文のうち、研究の57％が段階的な手順を使用しました。2。段階的複数回回帰の主要な欠点には、パラメーター推定のバイアス、モデル選択アルゴリズム間の不一致、複数の仮説テストの固有の（ただし見落とされがちな）問題、および単一のベストモデルへの不適切な焦点または依存が含まれます。これらの問題のそれぞれについて、例について説明します。3.段階的回帰の落とし穴を強調するために、4年間にわたって収集されたイエローハンマー分布に関するデータの有効な例を使用します。段階的回帰により、重要な予測因子を含むモデルが毎年のデータから取得できることを示します。選択されたモデルの重要性にもかかわらず、それらは年によって大幅に異なり、4年間のデータセットを分析することで決定されるパターンと対立するパターンを提案します。4.イエローハンマーデータセットの情報理論（IT）分析は、段階的分析のさまざまな結果が生じる理由を示しています。特に、ITアプローチでは、データを等しく説明できる多数の競合モデルを識別し、推論に依存しないでください。

1. The biases and shortcomings of stepwise multiple regression are well established within the statistical literature. However, an examination of papers published in 2004 by three leading ecological and behavioural journals suggested that the use of this technique remains widespread: of 65 papers in which a multiple regression approach was used, 57% of studies used a stepwise procedure. 2. The principal drawbacks of stepwise multiple regression include bias in parameter estimation, inconsistencies among model selection algorithms, an inherent (but often overlooked) problem of multiple hypothesis testing, and an inappropriate focus or reliance on a single best model. We discuss each of these issues with examples. 3. We use a worked example of data on yellowhammer distribution collected over 4 years to highlight the pitfalls of stepwise regression. We show that stepwise regression allows models containing significant predictors to be obtained from each year's data. In spite of the significance of the selected models, they vary substantially between years and suggest patterns that are at odds with those determined by analysing the full, 4-year data set. 4. An information theoretic (IT) analysis of the yellowhammer data set illustrates why the varying outcomes of stepwise analyses arise. In particular, the IT approach identifies large numbers of competing models that could describe the data equally well, showing that no one model should be relied upon for inference.