[论文解读] tinyVAST: R package with an expressive interface to specify lagged and simultaneous effects in multivariate spatio-temporal models

James T. Thorson, Sean C. Anderson+2 more|arXiv (Cornell University)|Jan 18, 2024

Land Use and Ecosystem Services被引用 5

一句话总结

本文介绍 tinyVAST：一个提供表达式接口来指定滞后、同时性和递归多变量时空依赖的 R 包，并为 GLMM 构建稀疏精度矩阵。

ABSTRACT

Multivariate spatio-temporal models are widely applicable, but specifying their structure is complicated and may inhibit wider use. We introduce the R package tinyVAST from two viewpoints: the software user and the statistician. From the user viewpoint, tinyVAST adapts a widely used formula interface to specify generalized additive models, and combines this with arguments to specify spatial and spatio-temporal interactions among variables. These interactions are specified using arrow notation (from structural equation models), or an extended arrow-and-lag notation that allows simultaneous, lagged, and recursive dependencies among variables over time. The user also specifies a spatial domain for areal (gridded), continuous (point-count), or stream-network data. From the statistician viewpoint, tinyVAST constructs sparse precision matrices representing multivariate spatio-temporal variation, and parameters are estimated by specifying a generalized linear mixed model (GLMM). This expressive interface encompasses vector autoregressive, empirical orthogonal functions, spatial factor analysis, and ARIMA models. To demonstrate, we fit to data from two survey platforms sampling corals, sponges, rockfishes, and flatfishes in the Gulf of Alaska and Aleutian Islands. We then compare eight alternative model structures using different assumptions about habitat drivers and survey detectability. Model selection suggests that towed-camera and bottom trawl gears have spatial variation in detectability but sample the same underlying density of flatfishes and rockfishes, and that rockfishes are positively associated with sponges while flatfishes are negatively associated with corals. We conclude that tinyVAST can be used to test complicated dependencies representing alternative structural assumptions for research and real-world policy evaluation.

研究动机与目标

• 提出需要便捷工具来指定复杂的多变量时空结构的动机。
• 介绍 tinyVAST 作为一个接口，将广义加法模型语法与类似结构方程的时空相互作用记法相结合。
• 描述 tinyVAST 如何在 GLMM 框架下构建用于多变量时空变异的稀疏精度矩阵。
• 展示在珊瑚和鱼类调查数据上的实际示例，用于比较模型结构并解释生态驱动因素。

提出的方法

• 将广泛使用的公式接口改编为指定空间和时空数据的广义加法模型。
• 引入箭头记法及扩展的箭头与滞后记法以编码滞后、同时性和递归依赖。
• 构建稀疏精度矩阵以表示多变量时空变异。
• 将估计框定在广义线性混合模型（GLMM）框架内。
• 在 tinyVAST 内涵盖向量自回归、经验正交函数、空间因子分析和 ARIMA 等建模方法。
• 将该包应用于真实调查数据，以比较八种替代模型结构。

实验结果

研究问题

• RQ1 一个富表达力的界面如何促进在多变量时空模型中指定滞后、同时和递归依赖？
• RQ2 tinyVAST 能否在不同数据类型（区域数据、连续数据、流网络数据）下可靠地为基于 GLMM 的估计构建稀疏精度矩阵？
• RQ3 对阿拉斯加湾海域鱼类和珊瑚群落的替代模型结构比较揭示了关于栖息地驱动因素和调查可探测性的什么结论？

主要发现

• TinyVAST 提供了将公式语法与基于箭头的记法相结合的界面，以指定复杂依赖关系。
• 该框架在 GLMM 估计方案内支持多种建模方法，包括 VAR、EOFs、空间因子分析和 ARIMA。
• 在珊瑚、海绵、岩鲷和比目鱼数据上的实证应用识别出不同装备的探测性差异，但在不同装备之间的基础密度相似。
• 在某些模型假设下，结果提示生态关联，如岩鲷与海绵以及比目鱼与珊瑚之间的关系。
• 对八种结构的模型比较阐明了调查设计和栖息地驱动因素如何影响推断。