[論文レビュー] Covariate influence in spatially autocorrelated occupancy and abundance data

David C. Bardos, Gurutzeta Guillera‐Arroita+1 more|arXiv (Cornell University)|Jan 26, 2015

Ecology and Vegetation Dynamics Studies参考文献 12被引用数 4

ひとこと要約

本論文は、空間的自己相関を持つ生態学的データにおける自己共分散回帰モデルの妥当性に関する批判を検証し、先行研究が偏りのあるパラメータ推定を主張していたのは数学的誤りと構造的に異なるモデル間の誤った比較に基づいていたことを示している。シミュレーションを用いた共変量の影響測定法を導入し、『共変量増幅』——自己共分散モデルが線形モデルと同等の一貫性と信頼性を持つ効果を生じる現象——を明らかにした。これにより、過去の懸念にもかかわらず、種の分布および個体数の分析において自己共分散回帰が有効かつ実用的なツールであることが立証された。

ABSTRACT

The autologistic model and related auto-models, commonly applied as autocovariate regression, offer distinct advantages for analysing spatially autocorrelated ecological data. However, comparative studies by Carl and Kühn (Ecol. Model., 2007, 207, 159), Dormann (Ecol. Model., 2007, 207, 234), Dormann et al. (Ecography, 2007, 30, 609) and Beale et al. (Ecol. Lett., 2010, 13, 246) concluded that autocovariate regression yields anomalous covariate parameter estimates. The last three studies were based on erroneous numerical evidence, due to violation of conditions (Besag, J. R. Stat. Soc., Ser. B, 1974, 36, 192) for auto-model validity. Here we show that after correcting these technical errors, a more fundamental conceptual error remains: the comparative studies are founded on a mathematically incorrect notion of bias, involving direct comparison of parameter estimates across models differing in mathematical structure. We develop a set of simulation-based measures of covariate influence that are directly comparable across models and apply them to examples from the abovementioned studies. We find that in these cases, the effect of auto-model parameters is similar to (and consistent with) corresponding linear model effects, due to a phenomenon within auto-models that we refer to as "covariate amplification". Thus, simple comparison of parameter magnitudes between structurally different models can be highly misleading. We demonstrate that the recent critique of auto-models is entirely unfounded. Correctly applied and interpreted, autocovariate regression provides a practical approach to inference for spatially autocorrelated species distribution or abundance data, while overcoming well-known limitations of generalized linear models.

研究の動機と目的

• 空間的自己相関を持つ生態学的データにおける自己共分散回帰モデルが偏りのあるパラメータ推定を生じるという広範な批判に対処すること。
• 線形モデルと自己共分散モデルの間で誤った結論を導いた、過去の比較研究における数学的および概念的誤りを特定・是正すること。
• 異なる数学的構造を持つモデル間で共変量の影響を一貫して測定・比較できる、シミュレーションに基づくフレームワークを構築すること。
• 自己共分散モデルが共変量効果を歪めず、むしろ『共変量増幅』と呼ばれる現象を示し、生態学的解釈可能性を保持することを示すこと。
• 一般化線形モデルの空間的依存性による制限を克服できる点を踏まえ、空間的自己相関を持つ生息地および個体数データの分析において、自己共分散回帰が実用的で信頼できる手法であることを再確認すること。

提案手法

• 著者らは、Besag (1974) が提示した条件を満たす正しく技術的に実装された自己共分散モデルを用いて、先行研究を再評価した。
• 線形モデルと自己共分散モデルの間で、モデル構造に依存しない直接的な比較が可能な、シミュレーションに基づく共変量の影響測定法を導入した。
• 既知のデータ生成過程に従い、空間的に自己相関を持つ合成データを生成することで、パラメータ推定の正確性と一貫性を評価した。
• 『共変量増幅』という概念を形式化し、構造的差異があるにもかかわらず、自己共分散モデルが線形モデルと整合的であるように共変量効果をスケーリングする傾向を示した。
• モデルの適合度、パラメータバイアス、およびシミュレーション繰り返しにおける効果量の一貫性を用いた統計的比較を実施した。
• 本研究のアプローチは、パラメータの絶対値ではなく、生態学的解釈可能性と効果の一貫性に基づくモデル比較を重視した。

実験結果

リサーチクエスチョン

• RQ1 自己共分散回帰モデルは、空間的自己相関を持つ生態学的データにおいて、過去に主張されたように偏りのあるパラメータ推定を生じるのか？
• RQ2 線形モデルと自己共分散モデルの間でパラメータ推定に差異が生じた原因は何か？
• RQ3 異なる数学的構造を持つモデル間で、一貫性があり比較可能な共変量の影響測定法を開発できるか？
• RQ4 自己共分散モデルと線形モデルの間でパラメータ推定に顕著な乖離が見られる理由を説明する、『共変量増幅』のような系の効果が存在するか？
• RQ5 適切に適用された場合、自己共分散回帰は空間的自己相関を持つ種の分布および個体数データの分析において、依然として妥当で信頼できる手法であると言えるか？

主な発見

• 自己共分散回帰の批判は、技術的誤りと構造的に異なるモデル間の誤った比較に基づいていた。
• これらの誤りを是正した後、本研究では自己共分散モデルが線形モデルと同等に一貫性のある共変量効果を生成することを確認した。
• 『共変量増幅』という現象が、自己共分散モデルのパラメータ推定値が大きく見えるが、実際にはバイアスではないことを説明している。これは構造的スケーリングによるものである。
• シミュレーションに基づく共変量の影響測定法は、モデル間で有効かつ比較可能な指標を提供し、過去のモデル評価における不整合を解消した。
• 本研究は、自己共分散回帰が本質的に欠陥を有しないこと、空間的自己相関を持つ生態学的データの分析において実用的で説得力のある手法であると結論づけた。
• 結果は、一般化線形モデルが空間的依存性のため失敗するような状況においても、自己共分散モデルが生態学的推論に有効であることを再確認した。