SEARCH

SEARCH BY CITATION

Abstract: Due to the structuring forces and large-scale physical processes that shape our biosphere, we often find that environmental and ecological data are either spatially or temporally—or both spatially and temporally—dependent. When these data are analyzed, statistical techniques and models are frequently applied that were developed for independent data. We describe some of the detrimental consequences, such as inefficient parameter estimators, biased hypothesis test results, and inaccurate predictions, of ignoring spatial and temporal data dependencies, and we cite an example of adverse statistical results occurring when spatial dependencies were disregarded. We also discuss and recommend available techniques used to detect and model spatial and temporal dependence, including variograms, covariograms, autocorrelation and partial autocorrelation plots, geostatistical techniques, Gaussian autoregressive models, K functions, and ARIMA models, in environmental and ecological research to avoid the aforementioned difficulties.

Resumen: Debido a las fuerzas estructurales y a los procesos físicos de gran escala que moldean nuestra biosfera, frecuentemente encontramos que los datos ambientales y ecológicos son espacial o temporalmente (o ambos) dependientes. Cuando se analizan estos datos, frecuentemente se aplican técnicas estadísticas y modelos que han sido desarrollados para datos independientes. En este trabajo describimos algunas de las consecuencias negativas ( por ejemplo, estimadores de parámetros ineficientes, resultados sesgados de pruebas de hipótesis, y predicciones incorrectas) causadas al ignorar dependencias espaciales y temporales en los datos y citamos un ejemplo ilustrativo donde los resultados estadísticos adversos resultan de ignorar dependencias espaciales. Adicionalmente, discutimos y recomendamos técnicas viables usadas para detectar y modelar la dependencia espacial y temporal ( por ejemplo, variogramas, covariogramas, gráficas de autocorrelación y autocorrelación parcial, técnicas geoestadísticas, modelos autoregresivos Gausianos, funciones K, y modelos ARIMA) en la investigación ambiental y ecológica, para evitar las dificultades antes mencionadas.