[논문 리뷰] Estimating animal abundance with N-mixture models using the R-INLA package for R

Timothy D. Meehan, Nicole L. Michel외 1명|arXiv (Cornell University)|2017. 05. 03.

Wildlife Ecology and Conservation인용 수 5

한 줄 요약

이 논문은 동물 개체수를 추정하면서 불완전한 탐지성을 고려하기 위해 R-INLA 패키지의 사용을 보여준다. R-INLA는 unmarked보다 10배, JAGS보다 500배 빠르며, 익숙한 R 구문을 사용해 베이지안 추론을 제공하여, 현장 조사 공변량이 필수적이지 않고 탐지에 대한 랜덤 효과가 필요할 때 빠르고 정확한 개체수 추정에 이상적이다.

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.

연구 동기 및 목표

• 야생 생태학에서 N-혼합 모델을 분석하기 위해 MCMC 및 최대우도 방법의 대안으로 R-INLA를 평가하는 것.
• R-INLA, JAGS, unmarked 패키지 간의 계산 효율성, 모델의 유연성, 사용자 우수성에 대한 비교.
• 현장-조사 공변량을 사용하지 않을 때 R-INLA가 다른 방법과 유사한 모수 추정치를 제공하는지 평가하는 것.
• R-INLA가 MCMC 및 빈도주의 접근법에 비해 가장 적합한 상황을 특정하는 것.

제안 방법

• R-INLA는 잠재 가우시안 모델(포함 N-혼합 모델 포함)의 정확한 사후 분포를 계산하기 위해 통합 내재 라플라스 근사(INLA)를 사용한다.
• N-혼합 모델은 현장 개체수 $N_i \sim \text{Pois}(\lambda_i)$ 및 관측된 수치 $y_{i,j} \sim \text{Bin}(N_i, p_{i,j})$로 지정되며, $\log(\lambda_i) = \beta_0 + \beta_1 x_i$ 및 $\text{logit}(p_{i,j}) = \alpha_0 + \alpha_1 x_{i,j}$이다.
• 표준 R 모델링과 유사한 문법을 사용해 R-INLA로 모델을 적합시켜 MCMC 샘플링 없이도 빠른 베이지안 추론이 가능하다.
• 이 방법은 포isson-이항 및 음이이항-이항 혼합 모델을 지원하며, 탐지 확률 $p$에 대한 랜덤 효과는 가능하지만, 개체수 $\lambda$에 대한 랜덤 효과는 불가능하다.
• 모델 비교는 R-INLA, JAGS(MCMC), unmarked(최대우도) 간의 계산 속도, 수렴 신뢰성, 모수 추정치 유사성 기반으로 수행된다.
• 자료는 현장 및 조사 수준의 공변량으로 구성되며, 고속 환경에서의 교차검증 및 모델 평균화를 통해 모델 적합도를 평가한다.

실험 결과

연구 질문

• RQ1 R-INLA는 N-혼합 모델을 적합할 때 JAGS(MCMC) 및 unmarked(최대우도)에 비해 속도와 정확도 면에서 어떻게 비교되는가?
• RQ2 현장-조사 공변량을 사용하지 않을 때 R-INLA는 JAGS 및 unmarked와 유사한 신뢰할 수 있는 모수 추정치를 제공할 수 있는가?
• RQ3 R-INLA는 MCMC 및 빈도주의 방법에 비해 N-혼합 모델링에서 어떤 상황에서 더 바람직한 대안이 되는가?
• RQ4 R-INLA가 현장-조사 공변량 지원을 제공하지 못함으로써 JAGS 및 unmarked에 비해 모델 신뢰성에 어떤 영향을 미치는가?
• RQ5 R-INLA의 빠른 속도가 교차검증 및 모델 평균화와 같은 모델 선택 기법에 실질적인 영향을 미치는가?

주요 결과

• R-INLA는 N-혼합 모델을 적합할 때 JAGS보다 약 500배, unmarked보다 약 10배 더 빠르며, 이는 빠른 모델 평가를 가능하게 한다.
• 현장-조사 공변량을 사용하지 않을 때 R-INLA의 모수 추정치는 unmarked 및 JAGS와 유사했으며, R-INLA의 근사치에 의한 편향이 최소임을 시사한다.
• R-INLA는 정확한 사후 근사치를 제공하는 베이지안 추론을 지원하여, 베이지안 프레임워크를 선호하는 연구자들에게 적합하다.
• 이 방법은 탐지 확률 $p$에 대한 랜덤 효과를 허용하지만, 개체수 $\lambda$에 대한 랜덤 효과는 허용하지 않아, 복잡한 계층적 구조에서의 활용을 제한한다.
• 빠른 계산 속도에도 불구하고, R-INLA는 탐지에 대한 현장-조사 공변량을 처리할 수 없으며, 이는 JAGS가 전체 모델의 신뢰성과 탄력성을 제공하는 데 비해 핵심적인 제한점이다.
• R-INLA는 익숙한 R 문법과 빠른 런타임을 제공하여, 생물학자들이 속도, 사용성, 베이지안 추론 간의 균형을 확보하고자 할 때 강력한 후보가 된다.