距离抽样数据中位置不确定性的处理
应用统计
2020-06-01 v1
摘要
生态学家使用距离抽样来估计动植物的丰度，同时对未检测到的个体进行校正。根据设计，只需记录从样带到被检测个体之间的距离，从而简化了数据收集。与需要严格假设并限制距离抽样数据使用的传统基于设计的方法相比，基于模型的方法实现了更广泛的应用，例如空间预测、推断物种与栖息地关系、从优先抽样样带中进行无偏估计，以及整合到多类型数据模型中。遗憾的是，基于模型的方法需要每个被检测个体的确切位置，以便将环境和栖息地特征作为预测变量。我们通过引入一个概率分布来处理仅记录距离时产生的位置不确定性，从而修改了距离抽样数据的基于模型的方法。我们使用模拟实验以及对美国堪萨斯州 Konza Prairie 收集的距离抽样数据进行 Dickcissel (Spiza americana) 栖息地利用建模，测试并演示了我们的方法。我们的结果表明，忽略位置不确定性可能导致有偏的系数估计和预测。然而，处理位置不确定性可以解决这一问题，并产生可靠的推断和预测。与其他类型的测量误差一样，分层模型可以适应数据收集过程，从而实现可靠的推断。我们的方法是距离抽样数据分析的一项重大进步，因为它弥补了位置不确定性的不利影响，并且只需记录距离。这进而使得历史距离抽样数据集能够与现代数据收集和建模实践相兼容。
引用
@article{arxiv.2005.14316,
title = {Accounting for location uncertainty in distance sampling data},
author = {Trevor J. Hefley and W. Alice Boyle and Narmadha M. Mohankumar},
journal= {arXiv preprint arXiv:2005.14316},
year = {2020}
}