[論文レビュー] Estimating animal abundance with N-mixture models using the R-INLA package for R

Timothy D. Meehan, Nicole L. Michel+1 more|arXiv (Cornell University)|May 3, 2017

Wildlife Ecology and Conservation被引用数 5

ひとこと要約

この論文は、不完全な検出を考慮に入れた動物個体数の推定に、R-INLAパッケージを用いたN混合モデルの適合を示している。R-INLAはunmarkedよりも10倍速く、JAGSよりも500倍速く、馴染みやすいR構文によるベイズ推論を提供するため、サイト調査共変量が必須でない状況で、検出のためのランダム効果が必要な場合に、迅速かつ正確な個体数推定に最適である。

ABSTRACT

Successful management of wildlife populations requires accurate estimates of abundance. Abundance estimates can be confounded by imperfect detection during wildlife surveys. N-mixture models enable quantification of detection probability and, under appropriate conditions, produce abundance estimates that are less biased. Here, we demonstrate use of the R-INLA package for R to analyze N-mixture models and compare performance of R-INLA to two other common approaches: JAGS (via the runjags package for R), which uses Markov chain Monte Carlo and allows Bayesian inference, and the unmarked package for R, which uses maximum likelihood and allows frequentist inference. We show that R-INLA is an attractive option for analyzing N-mixture models when (i) fast computing times are necessary (R-INLA is 10 times faster than unmarked and 500 times faster than JAGS), (ii) familiar model syntax and data format (relative to other R packages) is desired, (iii) survey-level covariates of detection are not essential, and (iv) Bayesian inference is preferred.

研究の動機と目的

• 野生動植物生態学におけるN混合モデルの分析において、MCMC法および最尤法の代替手段としてR-INLAが有効であるかを評価すること。
• R-INLA、JAGS、unmarkedパッケージ間での計算効率、モデルの柔軟性、使いやすさを比較すること。
• サイト調査共変量が使用されない場合に、R-INLAが他の手法と同等のパラメータ推定値を生成するかを評価すること。
• MCMC法および頻度主義的手法と比較して、R-INLAが最も適切に適用される状況を特定すること。

提案手法

• R-INLAは、潜在ガウスモデル（N混合モデルを含む）の正確な事後分布を計算するために、統合ネストドラプラス近似（INLA）を用いる。
• N混合モデルは、サイト個体数 $N_i \sim \text{Pois}(\lambda_i)$ および観察された個体数 $y_{i,j} \sim \text{Bin}(N_i, p_{i,j})$ を定義し、$\log(\lambda_i) = \beta_0 + \beta_1 x_i$ および $\text{logit}(p_{i,j}) = \alpha_0 + \alpha_1 x_{i,j}$ とする。
• R-INLAでは、標準的なRモデリングに類似した構文を用いてモデルを適合させ、MCMCサンプリングを必要としない高速なベイズ推論が可能である。
• このアプローチは、ポisson-ベルヌーイ混合およびネガティブバイノミアル-ベルヌーイ混合をサポートし、検出確率 $p$ に対してランダム効果を許容するが、個体数 $\lambda$ に対しては許容しない。
• モデル比較には、計算速度、収束の信頼性、およびR-INLA、JAGS（MCMC）、unmarked（ML）間のパラメータ推定値の類似性を用いる。
• データはサイトレベルおよび調査レベルの共変量を含む構造となっており、モデル適合度は高速な文脈における交差検証およびモデル平均化を用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 R-INLAは、動物個体数のN混合モデルを適合させる際、JAGS（MCMC）およびunmarked（最尤法）と比較して、速度と正確性の点でどの程度異なるか？
• RQ2 サイト調査共変量が使用されない場合に、R-INLAはJAGSおよびunmarkedと同等の信頼性の高いパラメータ推定値を生成できるか？
• RQ3 どのような状況で、R-INLAはMCMC法および頻度主義的手法と比較して、N混合モデルの分析においてより好ましい代替手段となるか？
• RQ4 R-INLAがサイト調査共変量のサポートを提供しないことにより、JAGS や unmarked と比較してモデルの信頼性にどのような影響が生じるか？
• RQ5 R-INLAの高速性が、交差検証やモデル平均化のようなモデル選択手法に与える実用的影響は何か？

主な発見

• R-INLAは、N混合モデルの適合において、JAGSよりも約500倍速く、unmarkedよりも約10倍速く、迅速なモデル評価が可能である。
• サイト調査共変量が使用されない場合、R-INLAのパラメータ推定値はunmarkedおよびJAGSと類似しており、R-INLAの近似によるバイアスは最小限であることが示された。
• R-INLAは正確な事後分布近似を提供するベイズ推論を可能にするため、ベイズフレームワークを好む研究者にとって適している。
• この手法は検出確率 $p$ にランダム効果を許容するが、個体数 $\lambda$ には許容しないため、複雑な階層構造のモデルには制限がある。
• 高速な計算が可能であるものの、R-INLAは検出のためのサイト調査共変量を処理できないため、JAGSが提供する完全なモデルの柔軟性と比較して、主要な制限がある。
• R-INLAの馴染みやすいR構文と高速な実行時間は、速度、使いやすさ、ベイズ推論のバランスを求める生物学者にとって、強く推奨される代替手段である。