[论文解读] A guide to state-space modeling of ecological time series

Marie Auger‐Méthé, Ken B. Newman+9 more|arXiv (Cornell University)|Feb 5, 2020

Ecosystem dynamics and resilience参考文献 217被引用 256

一句话总结

本文为生态时间序列的状态空间建模（SSM）提供了全面指南，解释了如何通过分离过程变异与观测误差来提高对生态动态的估计精度。文中提出了一套统一的框架，使用R语言中的频率学派与贝叶斯方法拟合SSM，并配备了诊断工具与模型验证流程，以确保在多种生态数据类型（如种群数量、动物移动轨迹、捕获-再捕获数据）下的稳健推断。

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.

研究动机与目标

• 为生态学家提供理解与应用状态空间模型（SSMs）于生态时间序列的清晰、易懂的基础。
• 解决SSM拟合过程复杂多变的问题，这些复杂性常使生态学家在构建与拟合自身模型时受阻。
• 提供实用的工具用于模型选择、验证与诊断，以提升模型的稳健性与可靠性。
• 通过整合最新方法学进展，弥合理论SSM框架与应用生态学研究之间的差距。
• 通过教程与当前SSM应用最佳实践的综述，支持初学者与经验丰富的用户。

提出的方法

• 采用分层建模框架，包含两个独立的时间序列：未观测的状态过程（真实的生态动态）与观测过程（噪声大、不完美的数据）。
• 应用线性或非线性状态方程来建模过程动态（如种群增长、移动行为），并使用观测方程将状态与观测数据关联。
• 采用多种拟合方法：卡尔曼滤波（适用于线性高斯SSM）、拉普拉斯近似（适用于非线性非高斯模型）、粒子滤波（适用于复杂动态）以及MCMC（用于贝叶斯推断）。
• 整合模型诊断工具，如后验预测检查、残差自相关函数图（ACF）与Q-Q图，以评估模型拟合度并识别模型误设。
• 使用对数似然函数轮廓分析参数可识别性，并检测模型构建中的结构性问题。
• 提供基于R的教程，使用dlm、MARSS、pomp、TMB和rstan等包，在真实生态数据集上实现与验证SSM。

实验结果

研究问题

• RQ1 生态学家如何在生态时间序列中有效区分生物过程变异与观测误差？
• RQ2 针对不同数据类型（连续型、计数型、二值型、分类型）的SSM，最可靠且高效的拟合方法是什么？
• RQ3 如何利用模型验证与诊断工具检测并纠正生态SSM中的模型误设？
• RQ4 SSM中的参数可识别性面临哪些关键挑战？如何诊断并解决这些问题？
• RQ5 如何调整SSM以处理复杂生态数据，如稀疏的生物多样性记录、生物遥测数据及捕获-再捕获调查数据？

主要发现

• 状态空间模型通过将过程变异与观测误差分离，显著提升了对真实生态状态的估计精度，其推断结果比将两者视为单一噪声源的模型更为准确。
• 卡尔曼滤波可对线性高斯SSM实现精确且高效的推断，但其适用范围仅限于此类特定模型。
• 拉普拉斯近似与粒子滤波可实现对非线性与非高斯SSM的高效推断，但需谨慎初始化，且对模型结构较敏感。
• MCMC方法（尤其是通过rstan实现的哈密顿蒙特卡洛，HMC）提供灵活的贝叶斯推断，但需仔细评估收敛性，且计算成本较高。
• 诊断工具如后验预测检查与残差分析能有效检测模型误设，拟合良好的模型在残差中无显著缺乏拟合现象。
• 对数似然轮廓显示，当轮廓平坦或呈多峰时，表明参数不可识别，提示模型构建中存在结构性问题，必须在推断前予以修正。