[논문 리뷰] A guide to state-space modeling of ecological time series

Marie Auger‐Méthé, Ken B. Newman외 9명|arXiv (Cornell University)|2020. 02. 05.

Ecosystem dynamics and resilience참고 문헌 217인용 수 256

한 줄 요약

이 논문은 생태학적 시계열 자료에 대한 상태공간모형(SSM)을 포괄적으로 안내하며, 과정 변동성과 관측 오차를 분리하여 생태계 역학의 추정을 향상시키는 방법을 설명한다. R을 활용한 빈도주의 및 베이지안 방법을 통합한 SSM 적합 프레임워크를 제시하며, 다양한 생태학적 자료 유형(예: 개체군 수량, 동물 이동, 포획-재포획 데이터 등)에 걸쳐 강력한 추론을 보장하기 위해 진단 도구와 모형 검증 절차를 포함한다.

ABSTRACT

State-space models (SSMs) are an important modeling framework for analyzing ecological time series. These hierarchical models are commonly used to model population dynamics, animal movement, and capture-recapture data, and are now increasingly being used to model other ecological processes. SSMs are popular because they are flexible and they model the natural variation in ecological processes separately from observation error. Their flexibility allows ecologists to model continuous, count, binary, and categorical data with linear or nonlinear processes that evolve in discrete or continuous time. Modeling the two sources of stochasticity separately allows researchers to differentiate between biological variation (e.g., in birth processes) and imprecision in the sampling methodology, and generally provides better estimates of the ecological quantities of interest than if only one source of stochasticity is directly modeled. Since the introduction of SSMs, a broad range of fitting procedures have been proposed. However, the variety and complexity of these procedures can limit the ability of ecologists to formulate and fit their own SSMs. We provide the knowledge for ecologists to create SSMs that are robust to common, and often hidden, estimation problems, and the model selection and validation tools that can help them assess how well their models fit their data. In this paper, we present a review of SSMs that will provide a strong foundation to ecologists interested in learning about SSMs, introduce new tools to veteran SSM users, and highlight promising research directions for statisticians interested in ecological applications. The review is accompanied by an in-depth tutorial that demonstrates how SSMs models can be fitted and validated in R. Together, the review and tutorial present an introduction to SSMs that will help ecologists to formulate, fit, and validate their models.

연구 동기 및 목표

• 생태학자들이 생태학적 시계열 자료에 상태공간모형(SSM)을 이해하고 적용할 수 있도록 명확하고 접근하기 쉬운 기초를 제공하는 것.
• 일반적으로 생태학자들이 자신의 모형을 설정하고 적합화하는 데 어려움을 겪게 하는 SSM 적합 절차의 복잡성과 다양성을 다루는 것.
• 모형 선택, 검증, 진단을 위한 실용적 도구를 제공하여 모형의 강건성과 신뢰성을 향상시키는 것.
• 최근의 방법론적 발전을 통합하여 이론적 SSM 프레임워크와 적용 생태학 연구 사이의 격차를 메우는 것.
• 튜토리얼과 현재 최선의 실천 방법에 대한 검토를 통해 초보자부터 숙련자까지 모두를 지원하는 것.

제안 방법

• 관측되지 않은 상태 과정(진정한 생태계 역학)과 관측 과정(노이즈가 있는 불완전한 자료)으로 구성된 계층적 모형 프레임워크를 사용한다.
• 선형 또는 비선형 상태 방정식을 과정 역학(예: 개체군 증가, 이동 등)을 모형화하고, 관측 방정식을 상태와 자료를 연결하는 데 사용한다.
• 다양한 적합 절차를 적용한다: 선형 가우시안 SSM에 적합한 칼만 필터, 비선형 비가우시안 모형에 적합한 라플라스 근사, 복잡한 역학에 적합한 입자 필터링, 베이지안 추론에 적합한 MCMC.
• 모형 적합도 평가 및 오분석을 탐지하기 위해 사후 예측 검사, 잔차 ACF 그림, QQ-그림과 같은 모형 진단 도구를 통합한다.
• 모수 식별성 평가를 위해 로그우도 프로파일을 사용하며, 모형 설정의 구조적 문제를 탐지한다.
• 실제 생태학적 데이터셋에 SSM을 구현하고 검증하기 위해 dlm, MARSS, pomp, TMB, rstan 등의 R 패키지를 사용한 R 기반 튜토리얼을 제공한다.

실험 결과

연구 질문

• RQ1 생태학자들은 어떻게 생태학적 시계열 자료에서 생물학적 과정 변동성과 관측 오차를 효과적으로 구분할 수 있는가?
• RQ2 연속형, 카운트형, 이진형, 범주형 자료 유형에 따라 상태공간모형(SSM)을 적합하는 데 가장 신뢰성 있고 효율적인 절차는 무엇인가?
• RQ3 모형 검증 및 진단 도구는 어떻게 사용되어 생태학적 SSM에서의 모형 오모형화를 탐지하고 수정할 수 있는가?
• RQ4 SSM에서의 모수 식별성 문제의 핵심 과제는 무엇이며, 이를 어떻게 진단하고 해결할 수 있는가?
• RQ5 희박한 생물다양성 기록, 바이오로깅 데이터, 포획-재포획 조사와 같은 복잡한 생태학적 자료를 처리하기 위해 SSM은 어떻게 적응시킬 수 있는가?

주요 결과

• 상태공간모형은 과정 변동성과 관측 오차를 분리함으로써 진정한 생태계 상태의 추정을 크게 향상시켜, 둘 다 단일 노이즈 원천으로 간주하는 모형보다 더 정확한 추론을 가능하게 한다.
• 칼만 필터는 선형 가우시안 SSM에 대해 정확하고 효율적인 추론을 제공하지만, 이 특정 유형의 모형에만 적용 가능하다.
• 라플라스 근사와 입자 필터링은 비선형 및 비가우시안 SSM에 대해 효율적인 추론을 가능하게 하지만, 초기화에 주의가 필요하며 모형 구조에 민감할 수 있다.
• MCMC 방법, 특히 rstan을 통한 하이퍼볼릭 몬테카를로(HMC)는 민감도가 높은 베이지안 추론을 제공하지만 수렴성 평가가 철저히 이루어져야 하며 계산적으로도 고비용일 수 있다.
• 사후 예측 검사와 잔차 분석과 같은 진단 도구는 모형 오모형화를 효과적으로 탐지하며, 잘 설정된 모형은 잔차에서 유의미한 부적합성 없이 나타난다.
• 로그우도 프로파일은 프로파일이 평탄하거나 다중모드일 경우 모수의 식별성 부족을 드러내며, 이는 모형 설정의 구조적 문제를 시사하므로 추론 이전에 반드시 해결되어야 한다.