我个人推荐的一些好书是：

• Hilborn & Mangel (1997)生态侦探：用数据面对模型。普林斯顿大学出版社。

  这个更多是关于生态例子的统计数据，但这并没有错。这将很好地说明如何在生态学中使用统计数据。注意日期；它不会涵盖一些较新的发展或应用。

• M. Henry H. Stevens (2009) A Primer of Ecology with R。施普林格。

  也许太基础了，而且不是特别在任何空间上，但它涵盖了我们教生态学家的各种主题，并用 R 代码说明了生态理论和模型。

• BM Bolker (2008) R 中的生态模型和数据。普林斯顿大学出版社。

  我喜欢这本书。它涵盖了在您的统计背景下您将熟悉但在生态环境中应用的主题。强调拟合模型并使用 R 代码从基本原理对其进行优化。

• James S. Clark (2007)生态数据模型：简介。普林斯顿大学出版社。

  不要被标题中的“介绍”吓到；这不过是一个介绍。广泛的覆盖面，大量的理论，强调使用贝叶斯方法手动拟合模型（例如，R 实验室手册伴侣讨论了编写自己的 Gibbs 采样器！）

不是一本书，但是当您特别提到您对高斯过程的兴趣时，我会添加此内容。查看具有网站的集成嵌套拉普拉斯近似 (INLA) 。它是一个 R 包，有很多示例可供使用。如果您查看他们的常见问题解答，您会发现几篇描述该方法的论文，特别是：

H. Rue、S. Martino 和 N. 肖邦。使用集成嵌套拉普拉斯近似（带讨论）的潜在高斯模型的近似贝叶斯推理。Journal of the Royal Statistical Society, Series B, 71(2):319{392, 2009.（此处提供PDF 文件）。

Jack Weiss（愿他安息）是一位训练有素的统计学家，对生态/环境原理也非常了解。他曾担任美国乃至全球生态/环境科学家的宝贵统计顾问。

虽然他没有我知道的任何书籍，但他的课程笔记仍然可以在线获得：

1. 生态学中 的统计方法 [或2012版]

   课程说明：这是一门针对生态学家及其亲属的统计建模课程。我们专注于基本统计方法，主要是回归，并描述如何扩展它们以使其更适合分析生态数据。这些扩展包括使用更现实的概率模型（超出正态分布）并考虑观察结果在统计上不独立的情况。对于我们考虑的每个模型，我们将看到如何使用常客（如果可能）和贝叶斯方法来估计它。我们在这里强调的是深度而不是广度。（我教的另一门研究生课程，ECOL 562，是一门调查课程，涵盖了在环境科学中有用的各种统计方法。本课程侧重于该课程 40% 的材料，但更深入地涵盖了它。）

   假定熟悉统计分析的标准参数方法，例如假设检验。该课程旨在作为本科统计学课程中通常教授的内容与成功分析生态和环境科学数据实际需要的内容之间的过渡。理想的入学者是已经参加过统计学入门课程并希望看到统计学在环境科学和生态学中的现代应用的高年级本科生或刚开始读研究生的学生。主题包括：

   - Basic concepts in regression: categorical predictors and interactions
   - Statistical distributions important in ecological modeling: binomial, Poisson, negative binomial, normal, lognormal, gamma
   - Likelihood theory and its applications in regression
   - Bayesian approaches to model fitting
   - Model selection protocols: Information-theoretic alternatives to significance testing
   - Generalized linear models: Poisson regression, negative binomial regression, logistic regression, gamma regression
   - Mixed effects models for analyzing temporally and spatially correlated data
     - Random intercepts and slopes models
     - Multilevel models with 2 and 3 levels
     - Hierarchical Bayesian modeling
     - Nonlinear mixed effects models
     - Mixed effects models with nested and crossed random effects
     - Hybrid mixed effects models with multivariate responses
   

2. 环境科学统计 [或2007 年；2012版】

   课程说明：介绍生态学和环境科学的统计方法。这是一门主题课程。我们在这里强调的是广度而不是深度。（我教授的另一门研究生课程深入探讨了本课程前三分之一所涵盖的主题。）假设熟悉统计分析的标准参数方法，例如假设检验。该课程旨在作为本科统计学课程中通常教授的内容与成功分析生态和环境科学数据实际需要的内容之间的过渡。理想的入学者是已经参加过统计学入门课程并希望看到统计学在环境科学和生态学中的现代应用的高年级本科生或刚开始读研究生的学生。主题包括：

   - Overview of regression
   - Likelihood theory and its applications in regression
   - Generalized linear models
   - Analysis of temporally correlated data
   - Mixed effects models
   - Generalized estimating equations
   - Bayesian methods
   - Generalized additive models
   - Survey sampling methods
   - Machine learning methods
   - Survival analysis
   - Contingency table analysis
   - Analysis of extreme values
   - Structural equation models
   

3. 生态与进化统计

   课程描述：这是一门针对生态学家及其亲属的统计建模课程。我们专注于基本统计方法，主要是回归，并描述如何扩展它们以使其更适合分析生态数据。这些扩展包括使用更现实的概率模型（超出正态分布）并考虑观察结果在统计上不独立的情况。主题包括：

   - Experiments in ecology
   - Statistical distributions important in ecological modeling: binomial, Poisson, negative binomial, normal, lognormal, gamma, and exponential
   - Likelihood theory and its applications in regression
   - Bayesian approaches to model fitting
   - Model selection protocols: Information-theoretic alternatives to significance testing
   - Generalized linear models: Poisson regression, negative binomial regression, logistic regression, and others
   - Regression models for temporally and spatially correlated data: random coefficient models (multilevel models) and hierarchical Bayesian modeling
   

4. 生态145—统计分析

   ECOL 145 旨在深入介绍生态数据的分析。它的目标受众包括积极主动的研究生和生物相关学科的高年级本科生，他们最好拥有自己的数据进行分析。这是一门严肃的实践课程，不适合外行或只想审核和观察的人。我们专注于使用两个现代统计包，R 和 WinBUGS，并使用它们来处理具有所有弱点的真实数据集。您越接近进行自己的研究和分析自己的数据，这门课程就越有用。

   该课程的观点是，最好将概率模型视为数据生成机制，并且根据这一观点，我们使用基于可能性的方法直接对生态数据进行建模。数据集来自已发表的文献，来自我自己的咨询项目，或由注册该课程的学生提供。如果您有需要分析的数据，欢迎您将其提交给我以用于课堂练习。主题包括：

   - Statistical distributions important in ecological modeling: binomial, Poisson, negative binomial, normal, lognormal, gamma, and exponential
   - Likelihood theory and its applications in regression
   - Generalized linear models: Poisson regression, negative binomial regression, logistic regression, and others
   - The perils of significance testing—multiple comparison adjustments and the false discovery rate
   - Model selection protocols: likelihood ratio tests, Wald tests, and information-theoretic alternatives to significance testing
   - Goodness of fit for GLMs: deviance statistics, extensions of R2, Pearson chi-square approaches
   - Regression models for temporally and spatially correlated data: random coefficient models (multilevel models) and the method of generalized estimating equations
   - Bayesian approaches to data analysis
   - Hierarchical Bayesian modeling using WinBUGS and R
   

我确信课程之间存在大量重叠，但他的笔记（和 R 代码）可用于每门课程，并且应该证明对大多数访问这篇文章的人非常有用。

一些基于贝叶斯统计的优秀生态学书籍是：

Kery, M. 2010。生态学家 WinBUGS 简介：回归的贝叶斯方法、方差分析、混合模型和相关分析。学术出版社。

Kery, M. 和 M. Schaub。2011. 使用 WinBUGS 进行贝叶斯人口分析：分层视角。学术出版社。

罗伊尔，JA 和 RM 多拉齐奥。2008.生态学中的分层建模和推理：来自人口、元人口和社区的数据分析。学术出版社

我还找到了 Zuur 等人。（2009）非常有用。

Zuur, A.、EN Ieno、N. Walker、AA Saveliey 和 GM Smith。 使用 R 的生态学中的混合效应模型和扩展。施普林格。