生态学与流行病学中高度非线性状态空间模型的推断方法比较
统计方法学
2015-11-24 v2 应用统计
摘要
高度非线性、混沌或近混沌的动态模型在生态学和流行病学等领域很重要：例如，害虫物种和疾病常常表现出高度非线性动态。然而，从统计推断的角度来看，这类模型存在问题。混沌和近混沌系统的定义特征是对系统状态和参数的微小变化极度敏感，这可能会干扰推断。有两类主要方法可以规避这些困难：信息约简方法，如近似贝叶斯计算或合成似然；以及状态空间方法，如粒子马尔可夫链蒙特卡洛、迭代滤波或参数级联。本文的目的是比较这些方法，以便得出在实践中如何对此类模型进行推断的结论。我们表明，两类方法没有哪一类普遍优于另一类。我们表明，在过程噪声较低或模型设定错误的情况下，状态空间方法可能遭受多峰性问题，导致偏向稳定动态和高过程噪声。信息约简方法避免了这个问题，但在正确模型和足够过程噪声下，状态空间方法导致的推断比信息约简方法清晰得多。更实际地，不同方法的调参要求也存在差异。我们的总体结论是：模型开发和检验可能应该使用调参要求较低的信息约简方法，而最终推断则可能更适合切换到状态空间方法，并将结果与信息约简方法进行核对。
引用
@article{arxiv.1411.4564,
title = {A comparison of inferential methods for highly non-linear state space models in ecology and epidemiology},
author = {Matteo Fasiolo and Natalya Pya and Simon N. Wood},
journal= {arXiv preprint arXiv:1411.4564},
year = {2015}
}