[论文解读] Maximum penalized likelihood estimation in semiparametric capture-recapture models

Théo Michelot, Roland Langrock+2 more|arXiv (Cornell University)|Nov 5, 2013

Census and Population Estimation参考文献 27被引用 3

一句话总结

本文提出了一种频率学派的、最大惩罚似然框架，用于半参数捕获-标记-重捕获模型，使用惩罚样条灵活建模生存概率作为时变协变量（如环境条件或个体体重）的函数，而无需假设参数形式。该方法应用于灰鹭和索伊绵羊，揭示了标准参数模型所忽略的非线性、类似阈值的生存效应，特别是无论年龄如何，低体重个体的生存率出现急剧下降。

ABSTRACT

We discuss the semiparametric modeling of mark-recapture-recovery data where the temporal and/or individual variation of model parameters is explained via covariates. Typically, in such analyses a fixed (or mixed) effects parametric model is specified for the relationship between the model parameters and the covariates of interest. In this paper, we discuss the modeling of the relationship via the use of penalized splines, to allow for considerably more flexible functional forms. Corresponding models can be fitted via numerical maximum penalized likelihood estimation, employing cross-validation to choose the smoothing parameters in a data-driven way. Our contribution builds on and extends the existing literature, providing a unified inferential framework for semiparametric mark-recapture-recovery models for open populations, where the interest typically lies in the estimation of survival probabilities. The approach is applied to two real datasets, corresponding to grey herons (Ardea Cinerea), where we model the survival probability as a function of environmental condition (a time-varying global covariate), and Soay sheep (Ovis Aries), where we model the survival probability as a function of individual weight (a time-varying individual-specific covariate). The proposed semiparametric approach is compared to a standard parametric (logistic) regression and new interesting underlying dynamics are observed in both cases.

研究动机与目标

• 开发一种统一的、频率学派的推断框架，用于半参数捕获-标记-重捕获模型，以处理环境协变量、时间恒定的个体协变量以及随机时变的个体协变量。
• 通过在似然函数中利用数值优化整合缺失的时变个体协变量值，解决时变个体协变量中缺失值的挑战。
• 将现有频率学派方法从固定效应参数模型扩展至允许对协变量效应进行灵活、数据驱动建模，以适应生存概率的变化。
• 提供一种计算上可行的替代贝叶斯半参数方法的方案，采用交叉验证选择平滑参数并使用最大惩罚似然估计。

提出的方法

• 模型使用惩罚样条（P-splines）非参数估计生存概率与协变量之间的关系，允许灵活且平滑的功能形式。
• 采用最大惩罚似然估计，平滑参数通过广义交叉验证选择，以在模型拟合与平滑性之间取得平衡。
• 似然函数利用隐马尔可夫模型（HMM）机制构建，以处理个体未被观测时的缺失协变量值，实现高效的数值积分。
• 该方法通过数值优化实现，避免了MCMC或数据增广的需要，适用于开放种群和复杂的协变量结构。
• 该框架支持具有多个非参数效应的可加预测器，并可通过张量积惩罚样条扩展至交互作用表面。
• 平滑参数通过交叉验证估计，未来可扩展至基于REML的估计以改善推断。

实验结果

研究问题

• RQ1 频率学派的最大惩罚似然方法能否有效建模捕获-重捕获-再捕获数据中生存概率作为时变协变量的灵活、非参数函数？
• RQ2 与标准参数模型（如逻辑斯蒂模型）相比，该半参数方法在揭示隐藏种群动态方面表现如何，特别是在存在缺失协变量数据的情况下？
• RQ3 当将生存建模为环境条件（如灰鹭）或个体体重（如索伊绵羊）的函数时，会浮现哪些非线性或类似阈值的生存模式？
• RQ4 该方法能否在一个统一的推断框架内处理随机时变的个体协变量（如随时间变化但未被捕捉时无法观测的体重）？
• RQ5 与参数模型相比，使用惩罚样条而非参数模型对检测细微或非单调的生存模式有何影响？

主要发现

• 对于灰鹭，半参数模型揭示了成年个体生存率与环境条件之间的阈值效应，表明存在非线性响应，而参数模型无法捕捉这一现象。
• 在索伊绵羊中，半参数模型检测到低体重个体的生存率急剧下降，表明较差的身体状况显著增加死亡风险，且与年龄无关。
• 灵活模型显示，低体重成年个体的生存概率与低体重幼年个体相当，凸显了个体状况在生存中的关键作用。
• 参数逻辑斯蒂模型低估了低体重个体的死亡风险，未能检测到半参数分析中观察到的显著下降。
• 结果表明，非参数建模揭示了生物学上有意义的非线性动态，而这些动态在受限的参数假设下会被掩盖。
• 该方法通过基于似然的积分成功处理了缺失的时变个体协变量，避免了对插补或基于观测值的条件推断的依赖。