Use of multivariate statistics in long-term monitoring programs

Authors: Kesner, Brian R.*1, Marsh, Paul C.1, Clarkson, Robert2

Year: 2007 (xxxix)

Abstract

A common objective of long-term stream monitoring is to detect trends in species composition or individual abundance. However, analysis is often focused on significant trends of individual species. The use of linear regression or Analysis of Covariance (ANCOVA) on data from monitoring programs is often problematic due to assumption violations, multiple zero counts, and extremely high variation between years and/or sites. These analyses fail to address the objective of detecting trends in species composition. In addition, there is an emerging consensus that si gnificance tests on observational datasets are meaningless. Rarely used multivariate techniques can provide concise visual representations of species composition trends while avoiding the pitfalls of standard statistical techniques. To demonstrate the advantages of a multivariate approach, a dataset from a long-term monitoring program in the Gila River basin, Arizona, was used. Initially, the data were analyzed using ANCOVA on individual species data to detect trends among s ites, reaches, and streams. Data were log transformed to meet statistical assumptions, but in some cases this caused the apparent trends in abundance to be reversed. In other cases, declines in total abundance of all species in a stream or reach masked or exaggerated trends for individual

species. No trends were significant in cases where assumptions could be met. In contrast, a distinct shift in species composition for the Gila River was evident in a biplot of results from Non-metric Multi-Dimensional Scaling (NMDS), a multivariate technique. A shift away from significance tests is long overdue for monitoring programs, and descriptive, multivariate techniques are recommended.

Resumen

Uso de estadística multivariada en programas de monitoreo a largo plazo Un objetivo común en el monitoreo a largo plazo de corrientes es detectar la tendencia de la composición de especies o abundancia individual . Sin embargo, el análisis muy a menudo es enfocado a las tendencias significativas de una especie en lo individual. La utilización de una regresión lineal o del análisis de covarianza (ANCOVA) para los datos de programas de seguimiento es comúnmente problemático por la violación de los supuestos, múltiples conteos de ceros, y una variación extremadamente alta entre años y/o entre sitios. Estos análisis fallan para conducir al objeti vo en la detección de tendencias en la composición de especies. Además de lo anterior, sobresale el consenso de que las pruebas de significancia en grupos de datos por observación no tienen ningún sentido. Algunas técnicas multivar iadas (raramente usadas) pueden proporcionar representaciones visuales concisas de la tendencia en la composición de especies, mientras evitan los fallos de las técnicas estadísticas estándar. Para demostrar las ventajas de un acercamiento multivar iado, se utilizó una serie de datos de un programa de seguimiento a largo plazo en la cuenca del Río Gila en Arizona. Inicialmente, los datos fueron analizados usando ANCOVA en datos para especies individuales, para detectar tendencias entre sitios, tramos de río y corrientes. Los datos fueron transformados a logaritmos para cumplir los supuestos estadísticos, pero en algunos casos, esto ocasionó que la aparente tendencia en abundancia fuera revertida. En otros casos, el declive en la abundancia de todas las especies en una corriente o tramo de río enmascaró o exageró la tendencia de las especies en lo individual. Ninguna tendencia fue signi ficativa en los casos donde los supuestos se cumplían. Por el contrario, fue evidente un sesgo distintivo en la composición de especies del Río Gila, en una gráfica con dos variables de los resultados de una técnica multivariada de Escala Multidimensional No-Métrica (NMDS por su acrónimo en inglés). Un alejamiento de las pruebas de significancia es necesario por los programas de seguimiento (monitoreo) y se recomiendan técnicas multivariadas descriptivas.