[论文解读] Covariate influence in spatially autocorrelated occupancy and abundance data

David C. Bardos, Gurutzeta Guillera‐Arroita+1 more|arXiv (Cornell University)|Jan 26, 2015

Ecology and Vegetation Dynamics Studies参考文献 12被引用 4

一句话总结

本文挑战了关于空间自相关生态数据中自协方差回归模型有效性批评的合理性，表明先前声称参数估计存在偏差的研究是基于数学错误和对结构不同的模型进行的错误比较。本文引入基于模拟的协变量影响度量方法，揭示了“协变量放大”现象——即自模型产生的效应与线性模型一致且可靠，证明尽管存在先前的怀疑，自协方差回归仍是物种分布与丰度分析中有效且实用的工具。

ABSTRACT

The autologistic model and related auto-models, commonly applied as autocovariate regression, offer distinct advantages for analysing spatially autocorrelated ecological data. However, comparative studies by Carl and Kühn (Ecol. Model., 2007, 207, 159), Dormann (Ecol. Model., 2007, 207, 234), Dormann et al. (Ecography, 2007, 30, 609) and Beale et al. (Ecol. Lett., 2010, 13, 246) concluded that autocovariate regression yields anomalous covariate parameter estimates. The last three studies were based on erroneous numerical evidence, due to violation of conditions (Besag, J. R. Stat. Soc., Ser. B, 1974, 36, 192) for auto-model validity. Here we show that after correcting these technical errors, a more fundamental conceptual error remains: the comparative studies are founded on a mathematically incorrect notion of bias, involving direct comparison of parameter estimates across models differing in mathematical structure. We develop a set of simulation-based measures of covariate influence that are directly comparable across models and apply them to examples from the abovementioned studies. We find that in these cases, the effect of auto-model parameters is similar to (and consistent with) corresponding linear model effects, due to a phenomenon within auto-models that we refer to as "covariate amplification". Thus, simple comparison of parameter magnitudes between structurally different models can be highly misleading. We demonstrate that the recent critique of auto-models is entirely unfounded. Correctly applied and interpreted, autocovariate regression provides a practical approach to inference for spatially autocorrelated species distribution or abundance data, while overcoming well-known limitations of generalized linear models.

研究动机与目标

• 解决广泛存在的批评，即自协方差回归在空间自相关生态数据中会产生有偏的参数估计。
• 识别并纠正先前比较研究中的数学与概念错误，这些错误导致了关于自模型有效性的错误结论。
• 开发一种一致的、基于模拟的框架，用于测量和比较具有不同数学结构的模型之间的协变量影响。
• 证明自模型不会扭曲协变量效应，而是表现出一种‘协变量放大’现象，从而保持生态学可解释性。
• 重申自协方差回归在分析空间自相关栖息地占据与丰度数据方面的实际应用价值，克服广义线性模型在空间依赖性情况下的局限性。

提出的方法

• 作者使用满足自模型有效条件（特别是Besag, 1974年提出的条件）的校正技术实现，重新评估先前的研究。
• 引入基于模拟的协变量影响度量方法，使线性模型与自模型之间的参数效应能够进行直接、与模型结构无关的比较。
• 该方法通过在已知数据生成过程中生成具有空间自相关的合成数据，以评估参数估计的准确性和一致性。
• 将‘协变量放大’概念形式化为自模型在结构差异下仍以与线性模型一致的方式缩放协变量效应的倾向。
• 通过模型拟合度、参数偏差和模拟重复中的效应大小一致性进行统计比较。
• 该方法强调基于生态学可解释性和效应一致性进行模型比较，而非原始参数大小。

实验结果

研究问题

• RQ1 正如先前所声称的那样，自协方差回归模型在空间自相关生态数据中是否会产生有偏的参数估计？
• RQ2 先前比较研究中线性模型与自模型参数估计差异的根本原因是什么？
• RQ3 能否在具有不同数学结构的模型之间开发出一致且可比较的协变量影响度量方法？
• RQ4 是否存在一种系统性效应（如‘协变量放大’），可解释自模型与线性模型之间参数估计的表观差异？
• RQ5 当正确应用时，自协方差回归是否仍然是分析空间自相关物种分布与丰度数据的有效且可靠的方法？

主要发现

• 先前对自协方差回归的批评是基于技术错误和对数学结构不同的模型进行的无效比较。
• 在纠正这些错误后，本研究发现自模型产生的协变量效应与线性模型一致且可比较。
• ‘协变量放大’现象解释了为何自模型中的参数估计值看起来更大，但并非有偏；它们反映了效应的结构性缩放。
• 基于模拟的协变量影响度量为不同模型之间提供了有效且可比较的指标，解决了先前模型评估中的不一致问题。
• 本研究得出结论：自协方差回归本身并非固有缺陷，仍是处理空间自相关生态数据的实用且可辩护的方法。
• 结果重申了自模型在生态推断中的实用性，特别是在广义线性模型因空间依赖性而失效的情况下。