Je m'intéresse à l'identification des prédicteurs les plus fiables du taux de croissance annuel par habitant pour trois groupes d'espèces d'oiseaux : les résidents, les migrateurs à courte distance et les migrateurs à longue distance. Mon modèle utilise le taux de croissance par habitant comme variable dépendante, la densité d'oiseaux pendant la saison de reproduction et 13 prédicteurs environnementaux (diverses mesures du climat, de l'abondance de nourriture et de la prédation des nids) comme prédicteurs. J'utilise l'approche « tous les modèles possibles » du programme Stepwise (JMP Pro 17) pour réduire le nombre de prédicteurs à trois afin de minimiser le risque de surapprentissage, car notre échantillon (une valeur par année) n'est que de 27 ans (l'ensemble de données comporte 27 lignes et 15 colonnes). Comme les BIC de certains modèles à 3 prédicteurs diffèrent peu, je prévois d'inclure les prédicteurs multiples dans ces modèles lors d'une deuxième étape de réduction du modèle à l'aide de la technique du réseau élastique adaptatif (AEN) (programme de régression généralisée). L'AEN fournira également les coefficients de régression (± ET), la significativité statistique et les facteurs d'inflation de la variance pour chacun des prédicteurs du modèle final. J'ai une attente directionnelle pour chacun des prédicteurs issus de recherches à long terme menées sur notre site d'étude. Par exemple, des températures plus chaudes améliorent l'abondance de nourriture et le succès de reproduction, tandis qu'une densité de reproduction plus élevée réduit le succès de reproduction. Mes questions portent sur les comparaisons multiples.
1) Bien que la densité soit propre à chacun des trois modèles (un pour chaque groupe d'oiseaux), les prédicteurs environnementaux sont les mêmes. Dois-je corriger les comparaisons multiples (par exemple, la correction de Bonferroni) puisque les prédicteurs environnementaux sont utilisés dans chacun des trois modèles ?
2) L'utilisation de l'approche « tous les modèles possibles » pour la réduction du modèle me met-elle dans une situation statistique difficile en raison des nombreuses utilisations des prédicteurs pour trouver les modèles avec trois prédicteurs qui ont le BIC le plus bas ?
3) Je suppose que, comme le prédicteur « densité » est unique pour chaque modèle et que j'ai une attente a priori quant à son influence, je suis sur une base solide pour faire des inférences concernant ce prédicteur, mais je ne suis pas sûr que cela soit vrai pour les prédicteurs environnementaux.
Veuillez m'excuser si ces questions sont naïves. J'ai du mal à trouver des pistes dans la littérature sur les comparaisons multiples. Je n'ai pas trouvé de référence claire sur l'inférence après réduction de modèle. Peut-être en connaissez-vous une. Merci beaucoup pour votre aide.
