[论文解读] Data Augmentation for Hierarchical Capture-recapture Models

J. Andrew Royle, Sarah J. Converse+1 more|arXiv (Cornell University)|Nov 24, 2012

Census and Population Estimation参考文献 10被引用 9

一句话总结

本文提出了一种贝叶斯数据增广框架，用于分层捕获-再捕获模型，可在保留个体再捕获历史的同时对分层群体中种群规模的变化进行建模。通过以总种群规模为条件，并引入类别型个体效应 $ g_i $，该方法使MCMC分析能够在固定维数参数空间中进行，从而克服了在种群规模估计中维度未知的挑战，并实现了对 $ N_s $ 的分层建模，同时考虑了个体异质性与协变量的影响。

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 $N_{s}$.

研究动机与目标

• 解决在捕获-再捕获研究中对多个分层群体中种群规模 $ N_s $ 变化建模的挑战。
• 克服在使用数据增广进行MCMC分析时，种群规模参数维度未知所带来的困难。
• 开发一个统一的框架，在保留个体层面数据（如再捕获历史）的同时，允许对 $ N_s $ 进行分层建模。
• 通过一致的贝叶斯方法，实现对个体异质性、个体协变量以及不同群体中处理效应的推断。
• 为使用WinBUGS和JAGS等标准MCMC软件进行丰度的分层建模，提供一种计算上可行的方法。

提出的方法

• 将模型条件化于总种群规模 $ N = \sum_{s=1}^S N_s $，将问题转化为在不同地点之间的多项式分配模型。
• 为每个个体 $ i $ 引入一个潜在的类别变量 $ g_i \in \{1, \dots, S\} $，表示其所属的地点，从而将 $ N $ 个个体分配至 $ S $ 个群体。
• 基于对 $ N_s $ 的假设分层模型（如狄利克雷复合多项式或泊松-对数正态结构）为 $ g_i $ 赋予先验分布。
• 通过将 $ g_i $ 视为未知的潜变量，利用数据增广在参数空间中实现固定维数，从而支持标准MCMC抽样。
• 使用WinBUGS或JAGS中的MCMC实现该模型，对 $ N_s $、个体协变量和群体水平参数进行完整的后验推断。
• 通过在 $ g_i $ 上积分推导联合后验分布，实现对 $ N_s $ 及其在不同地点间变异性的估计，同时考虑个体异质性。

实验结果

研究问题

• RQ1 如何将数据增广方法扩展至种群规模 $ N_s $ 在多个分层中变化的分层捕获-再捕获模型？
• RQ2 在对不同群体中 $ N_s $ 的变化进行建模时，能否在数据增广框架中保留个体再捕获历史？
• RQ3 在维度未知且存在个体层面效应的情况下，如何实现对 $ N_s $ 的计算上可行的贝叶斯推断？
• RQ4 如何通过数据增广实现使用固定维数参数化对 $ N_s $ 进行分层建模？
• RQ5 类别型潜变量 $ g_i $ 在实现可变维数捕获-再捕获模型的MCMC抽样中起到什么作用？

主要发现

• 所提出的增广框架成功地在多个分层中对种群规模 $ N_s $ 的变化进行了建模，同时保留了个体再捕获历史。
• 通过引入类别型潜变量 $ g_i $，该方法使标准软件（如WinBUGS和JAGS）中的MCMC抽样成为可能，从而固定了参数空间的维度。
• 对 $ g_i $ 的先验分布基于对 $ N_s $ 的假设分层模型推导得出，确保了群体水平与个体水平结构之间的一致性。
• 该方法即使在 $ N $ 未知的情况下，也能实现对 $ N_s $、个体异质性及个体协变量的完整贝叶斯推断。
• 以总 $ N $ 条件化的多项式参数化提供了一个灵活且计算上可处理的框架，适用于丰度的分层建模。
• 该方法解决了早期数据增广方法的关键局限，即难以轻松实现对不同群体中 $ N_s $ 的分层建模。