[论文解读] Estimating animal abundance with N-mixture models using the R-INLA package for R

Timothy D. Meehan, Nicole L. Michel+1 more|arXiv (Cornell University)|May 3, 2017

Wildlife Ecology and Conservation被引用 5

一句话总结

本文展示了使用 R-INLA 包拟合 N-混合模型以估计动物丰度，同时考虑了检测不完善的问题。结果表明，R-INLA 的运行速度是 unmarked 的 10 倍，也是 JAGS 的 500 倍，能够以熟悉的 R 语法实现快速的贝叶斯推断，特别适用于在无需站点调查协变量且需要检测概率随机效应时，进行快速、准确的丰度估计。

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.

研究动机与目标

• 评估 R-INLA 是否可作为野生动物生态学中分析 N-混合模型的 MCMC 和最大似然方法的可行替代方案。
• 比较 R-INLA、JAGS 和 unmarked 包在计算效率、模型灵活性和用户友好性方面的表现。
• 评估当不使用站点-调查协变量时，R-INLA 与其它方法在参数估计上是否具有可比性。
• 识别 R-INLA 相对于 MCMC 和频率学派方法在何种场景下最为适用。

提出的方法

• R-INLA 使用集成嵌套拉普拉斯近似（INLA）方法，为潜在高斯模型（包括 N-混合模型）计算精确的后验分布。
• N-混合模型设定为：站点丰度 $N_i \sim \text{Pois}(\lambda_i)$，观测计数 $y_{i,j} \sim \text{Bin}(N_i, p_{i,j})$，其中 $\log(\lambda_i) = \beta_0 + \beta_1 x_i$ 且 $\text{logit}(p_{i,j}) = \alpha_0 + \alpha_1 x_{i,j}$。
• 使用 R-INLA 拟合模型，其语法类似于标准 R 建模，无需 MCMC 抽样即可实现快速的贝叶斯推断。
• 该方法支持泊松-二项分布和负二项分布-二项分布混合模型，并支持检测概率 $p$ 的随机效应，但不支持丰度 $\lambda$ 的随机效应。
• 通过计算速度、收敛可靠性以及 R-INLA、JAGS（MCMC）和 unmarked（ML）之间参数估计的相似性来比较模型。
• 数据结构包含站点级和调查级协变量，模型拟合通过交叉验证和高速环境下的模型平均方法进行评估。

实验结果

研究问题

• RQ1 在拟合用于动物丰度估计的 N-混合模型时，R-INLA 与 JAGS（MCMC）和 unmarked（ML）相比，在速度和准确性方面表现如何？
• RQ2 当不使用站点-调查协变量时，R-INLA 是否能产生与 JAGS 和 unmarked 相当可靠的参数估计？
• RQ3 在何种场景下，R-INLA 是 MCMC 和频率学派方法在 N-混合建模中的更优替代方案？
• RQ4 与 JAGS 和 unmarked 相比，R-INLA 缺乏站点-调查协变量支持，是否会影响模型的可靠性？
• RQ5 R-INLA 的高速性能对模型选择技术（如交叉验证和模型平均）有何实际影响？

主要发现

• R-INLA 在拟合 N-混合模型时，运行速度约为 JAGS 的 500 倍，也是 unmarked 的 10 倍，可实现快速的模型评估。
• 当不使用站点-调查协变量时，R-INLA 的参数估计与 unmarked 和 JAGS 的结果相似，表明 R-INLA 的近似方法偏差极小。
• R-INLA 支持贝叶斯推断并提供精确的后验分布近似，适用于偏好贝叶斯框架的研究人员。
• 该方法支持检测概率 $p$ 的随机效应，但不支持丰度 $\lambda$ 的随机效应，限制了其在复杂层次结构中的应用。
• 尽管计算速度更快，R-INLA 无法处理站点-调查协变量对检测的影响，这是与 JAGS 相比的关键局限，后者支持完整的模型灵活性。
• R-INLA 拥有熟悉的 R 语法和快速运行时间，使其成为生物学家在追求速度、易用性和贝叶斯推断之间取得平衡的理想选择。