[논문 리뷰] Data Augmentation for Hierarchical Capture-recapture Models

J. Andrew Royle, Sarah J. Converse외 1명|arXiv (Cornell University)|2012. 11. 24.

Census and Population Estimation참고 문헌 10인용 수 9

한 줄 요약

이 논문은 계층적 포획-재포획 모형을 위한 베이지안 데이터 보정 프레임워크를 제안하며, 개별 포착 이력을 유지하면서 계층화된 인구집단 간의 인구수 변화를 모델링할 수 있도록 한다. 총 인구수를 조건부로 하고, 개별 효과 $ g_i $ 를 도입함으로써 고정된 차원의 매개변수 공간을 사용한 MCMC 분석이 가능해지며, 이는 인구수 추정에서 차원이 모를 때 발생하는 문제를 해결하고, $ N_s $ 의 계층적 모형화와 개인 간 이질성 및 공변량을 가능하게 한다.

ABSTRACT

Capture-recapture studies are widely used to obtain information about abundance (population size or density) of animal populations. A common design is that in which multiple distinct populations are sampled, and the research objective is modeling variation in population size $N_{s}; s=1,2,...,S$ among the populations such as estimating a treatment effect or some other source of variation related to landscape structure. The problem is naturally resolved using hierarchical models. We provide a Bayesian formulation of such models using data augmentation which preserves the individual encounter histories in the model and, as such, is amenable to modeling individual effects. We formulate the model by conditioning on the total population size among all populations. In this case, the abundance model can be formulated as a multinomial model that allocates individuals among sites. MCMC is easily carried out by the introduction of a categorical individual effect, $g_{i}$, which partitions the total population size. The prior distribution for the latent variable $g$ is derived from the model assumed for the population sizes $N_{s}$.

연구 동기 및 목표

• 포획-재포획 연구에서 다수의 계층화된 인구집단 간 인구수 $ N_s $ 의 변화를 모델링하는 데 도전하는 것.
• MCMC에서 데이터 보정을 사용할 때 인구수 매개변수의 차원이 모를 경우 발생하는 어려움을 극복하는 것.
• 개별 수준의 자료(예: 포착 이력)를 유지하면서도 $ N_s $ 의 계층적 모형화를 가능하게 하는 통합 프레임워크를 개발하는 것.
• 일관된 베이지안 접근을 통해 개인 간 이질성, 개인 공변량 및 치료 효과에 대한 추론을 가능하게 하는 것.
• WinBUGS 및 JAGS와 같은 표준 MCMC 소프트웨어를 사용하여 계층적 번성 모형을 계산적으로 실현 가능한 방법으로 제공하는 것.

제안 방법

• 총 인구수 $ N = \sum_{s=1}^S N_s $ 를 조건부로 하여, 문제를 지역 간 다항분포 할당 모형으로 전환한다.
• 각 개인 $ i $ 에 대해 $ g_i \in \{1, \dots, S\} $ 이라는 잠재 범주형 변수를 도입하여, 그가 속한 지역을 나타내도록 하여 $ N $ 명의 개인을 $ S $ 개의 인구집단으로 분할한다.
• $ N_s $ 의 가정된 계층적 모형에 기반해 $ g_i $ 에 대한 사전분포를 할당하며, 예를 들어 다항분포의 딜레트 복합모형 또는 포isson-로그노말 구조를 포함할 수 있다.
• 데이터 보정을 통해 $ g_i $ 를 알려지지 않은 잠재 변수로 간주함으로써 고정된 차원의 매개변수 공간을 만들고, 표준 MCMC 샘플링을 가능하게 한다.
• WinBUGS 또는 JAGS에서 MCMC를 사용하여 모형을 구현하고, $ N_s $, 개인 공변량, 인구집단 수준의 매개변수에 대한 전체 사후분포 추론을 수행한다.
• 사후분포를 $ g_i $ 를 통합하여 유도함으로써, 개인 간 이질성을 고려하면서도 $ N_s $ 와 그 지역 간 변동성을 추정할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 인구수 $ N_s $ 가 여러 계층에서 변동하는 계층적 포획-재포획 모형에 데이터 보정을 어떻게 확장할 수 있는가?
• RQ2 다양한 인구집단 간 $ N_s $ 의 변동성을 모델링하면서도 데이터 보정 프레임워크에서 개인의 포착 이력을 유지할 수 있는가?
• RQ3 모르는 차원을 가진 $ N_s $ 에 대해 베이지안 추론을 수행하는 데 계산적으로 실현 가능한 방법은 무엇인가?
• RQ4 데이터 보정을 통해 고정된 차원의 매개변수화를 통해 $ N_s $ 의 계층적 모형화를 어떻게 달성할 수 있는가?
• RQ5 범주형 잠재변수 $ g_i $ 는 변동하는 차원을 가진 포획-재포획 모형에 대한 MCMC 샘플링을 가능하게 하는 데 어떤 역할을 하는가?

주요 결과

• 제안된 데이터 보정 프레임워크는 여러 계층에서 인구수 $ N_s $ 의 변화를 모델링하면서도 개인의 포착 이력을 유지하는 데 성공하였다.
• MCMC 소프트웨어인 WinBUGS 및 JAGS에서 표준적으로 사용할 수 있도록, 범주형 잠재변수 $ g_i $ 를 도입함으로써 매개변수 공간의 차원을 고정시켜 MCMC 샘플링을 가능하게 하였다.
• $ g_i $ 의 사전분포는 $ N_s $ 의 가정된 계층적 모형에서 유도되며, 이는 인구집단 수준과 개인 수준의 구조 간 일관성을 보장한다.
• 모형은 $ N $ 이 알려지지 않은 상태에서도 $ N_s $, 개인 간 이질성, 개인 공변량에 대한 전체 베이지안 추론을 가능하게 한다.
• 총 $ N $ 을 조건부로 한 다항분포 파arameterization 은 계층적 번성 모형에 대해灵活性 있고 계산적으로 다룰 수 있는 프레임워크를 제공한다.
• 이 방법은 이전의 데이터 보정 접근법이 인구집단 간 $ N_s $ 의 계층적 모형화를 쉽게 처리하지 못하는 핵심적 한계를 해결한다.