一类显空间捕获再捕获模型的贝叶斯模型选择
应用统计
2018-10-08 v1
摘要
近期大量生态学知识的产生依赖于模型选择方法区分不同生态学假设的能力。过去十年中，贝叶斯层次模型在生态学中兴起。相应地，诸如 AIC 等流行工具在很大程度上不再适用，而其他工具也并非普遍适用。我们关注一类相互竞争的贝叶斯显空间捕获再捕获（SECR）模型，并首先应用一些推荐的贝叶斯模型选择工具：（1）贝叶斯因子——使用（a）Gelfand-Dey（b）调和均值方法，（2）DIC，（3）WAIC 以及（4）后验预测损失函数。总计我们在研究中评估了 25 种模型选择工具变体。我们从模型选择与参数估计的角度评估这些模型选择工具，将工具推荐的模型与“真实”模型进行对比。总计我们使用真实模型生成了 120 个模拟数据集，并评估真实模型被选中的频率以及工具对 N（种群大小）的估计效果。我们发现当信息量较低时，无法推荐任何特定工具来同时实现模型选择与参数估计两个目标。在此类情形下，我们建议从业者利用我们所应用的贝叶斯因子进行参数估计，并推荐在信息量较低时采用后验预测损失方法进行模型选择。当同时考虑两个目标时，我们建议使用我们所应用的贝叶斯因子处理贝叶斯 SECR 模型。我们的研究揭示，尽管应用统计文献中正涌现新的模型选择工具（例如：WAIC），但将这些新工具未经批判地吸收（即未评估其对当前问题的效用）到生态学实践中可能会误导推断。
引用
@article{arxiv.1810.02397,
title = {Bayesian Model Selection for a Class of Spatially-Explicit Capture Recapture Models},
author = {Soumen Dey and Mohan Delampady and Arjun M. Gopalaswamy},
journal= {arXiv preprint arXiv:1810.02397},
year = {2018}
}