## 建模过程中过程与格局的二元性：

## 参考论文：
Effects of incorporating spatial autocorrelation into the analysis of species distribution data
Carsten  ## F. Dormann*
物种分布模型中的相关性和过程：弥合二分法

在物种分布建模领域，基于过程的方法和相关方法之间存在明显的二分法，其中前者是显式过程，后者是隐式过程。但是，当更详细地比较物种分布建模方法时，这些直观的区分会变得模糊。在这篇评论文章中，我们将物种分布模型的相关过程范围的极端情况与核心假设，模型构建和选择策略，验证，不确定性，常见错误以及它们最适合回答的问题进行了对比。这种方法的极端之处在许多方面都存在明显差异，例如模型构建方法，参数估计策略和可传递性。但是，它们也有优点和缺点。我们发现，一种方法本质上优于另一种方法的主张被误导了，它们忽略了过程相关连续性以及每种方法要解决的问题领域。但是，基于过程的方法在物种分布建模中的应用远远落后于更具相关性（过程隐式）的方法，需要更多的研究来探索其潜在利益。给出了使用物种分布建模方法的关键问题，以及适当使用的指南。我们面对过程显式物种分布模型的未来发展以及它们如何补充当前研究物种分布的方法的挑战。

##定义：
在相关模型中，参数没有先验定义的生态意义，并且过程是隐含的。相比之下，基于过程的模型是围绕明确规定的机制构建的，并且参数具有明确的生态学解释，该解释是先验定义的。基于流程的模型中的功能关系被指定为因果关系：x影响y。尽管相关模型的事后解释通常是（有时是错误的）因果关系，但在相关模型中却不是这种情况。

当使用分布模型进行数据范围以外的预测（地理空间或时间的外推，发生新的环境条件）时，两种方法都需要更多的假设。到目前为止，研究通常考虑平稳性，即模型参数估计值在空间和时间上保持不变（但请参见Kearney等，2009a；Hothorn等，2011）。具体而言，这意味着该物种的环境生态位不会改变（例如通过微进化，遗传漂移或适应；Aitken等人，2008年））。基于过程的模型可以通过尝试在模型中明确表示微观进化环境利基变化来缓解该问题（Kearney等，2009a；Chevin等，2010）。

此外，相关方法和基于过程的方法都假定变量/过程在外推情况下的交互方式将与原始数据相同。对于相关模型，这意味着在建立模型时发现的相关性在不久的将来将保持不变。

最终的常见滥用是由于过分自信地传达了模型的预测（即使在参数范围内）。一个简单的诊断就是不确定性是否被量化或讨论：如果不确定，则用户/建模者可能对模型的预测过于自信。不是错误，而是任何模型都错失的机会，是要省略对模型组装时未遇到环境条件的站点的一组预测。正是在这些条件下收集数据将用作关键测试。