[论文解读] Approximate methods for dynamic ecological models

Matteo Fasiolo, Simon N. Wood|arXiv (Cornell University)|Nov 9, 2015

Markov Chains and Monte Carlo Methods参考文献 28被引用 5

一句话总结

本文主张采用近似似然方法，特别是合成似然（Synthetic Likelihood），作为在生态学中拟合状态空间模型时替代粒子滤波器的稳健方法，尤其当完整似然难以计算时。通过一个柳鼠捕食者-猎物模型的案例，本文表明基于摘要统计量的推断在保持相当准确性的同时，对模型误设和初始值问题具有更强的鲁棒性。

ABSTRACT

This document is due to appear as a chapter of the forthcoming Handbook of Approximate Bayesian Computation (ABC) by S. Sisson, L. Fan, and M. Beaumont. Here we describe some of the circumstances under which statistical ecologists might benefit from using methods that base statistical inference on a set of summary statistics, rather than on the full data. We focus particularly on one such approach, Synthetic Likelihood, and we show how this method represents an alternative to particle filters, for the purpose of fitting State Space Models of ecological interest. As an example application, we consider the prey-predator model of Turchin and Ellner (2000), and we use it to analyse the observed population dynamics of Fennoscandian voles.

研究动机与目标

• 解决生态动态模型中难以计算似然的问题，特别是当完整数据复杂或高维时。
• 评估基于摘要统计量的推断，尤其是合成似然，是否能在传统似然方法失效的情况下提供可靠的参数估计。
• 在非线性、非高斯生态学状态空间模型背景下，比较合成似然与粒子滤波器在鲁棒性和性能方面的表现。
• 展示基于模拟的推断在过于复杂而无法使用标准似然方法的生态学模型中的实用性和高效性。

提出的方法

• 使用合成似然（SL），一种类似于近似贝叶斯计算（ABC）的方法，假设摘要统计量服从多元正态分布，以构建近似似然。
• 采用从观测数据中提取的一组摘要统计量 S(y_obs)，用于构建对似然的多元正态近似。
• 将该方法应用于一个非线性捕食者-猎物模型（Turchin 和 Ellner，2000），并拟合芬诺斯堪迪亚地区柳鼠种群数据。
• 通过评估在模型误设和初始值不佳情况下的参数估计准确性和鲁棒性，将 SL 与粒子滤波器进行比较。
• 使用 pomp R 包进行模型实现，使用 synlik R 包进行合成似然计算。
• 依赖基于模拟的推断：对每个参数抽取，从模型中模拟数据，计算摘要统计量，并评估其与观测统计量的距离。

实验结果

研究问题

• RQ1 合成似然能否为具有难以计算似然的生态学状态空间模型提供可靠的参数估计？
• RQ2 在非线性、非高斯生态学模型中，合成似然与粒子滤波器相比，在性能和鲁棒性方面表现如何？
• RQ3 在生态学建模中，使用摘要统计量而非完整数据在多大程度上影响估计准确性？
• RQ4 在何种情况下，基于摘要统计量的推断相较于完整似然方法在生态学应用中具有优势？
• RQ5 在粒子滤波器计算上不可行或不稳定的模型中，近似似然方法（如 SL）是否能有效应用？

主要发现

• 即使由于复杂动态导致完整似然难以计算，合成似然仍能为柳鼠捕食者-猎物模型提供可靠的参数估计。
• SL 在面对较差的初始参数值和模型误设时，比粒子滤波器更具鲁棒性，尤其是在高度非线性系统中。
• 该方法对异常值不敏感，在完整似然呈多峰的模型中表现良好，而粒子滤波器可能无法收敛。
• 当摘要统计量被精心选择以捕捉数据的关键特征时，使用摘要统计量不会导致显著的信息损失。
• SL 的基于模拟的特性使得模型开发和测试更加灵活，仅需更新模拟器和摘要统计量即可。
• 尽管存在数据降维带来的信息损失，SL 仍是一种实用且通用的替代方法，尤其适用于完整似然方法计算上不可行的情况。