生物模型中贝叶斯与频率学派推断的比较：准确性、不确定性和可识别性分析
定量方法
2026-03-31 v4
摘要
数学模型支持生态学和流行病学中的推断与预测，但结果取决于估计框架。我们使用四个数据集对比了三种生物模型中的贝叶斯和频率学派方法：Lotka-Volterra 捕食者-猎物动力学（哈德伯湖）、广义 logistic 模型（肺损伤和 2022 年美国猘疮病）以及 SEIUR 流行病模型（西班牙新冠疫情）。两种方法均采用正态误差结构以确保公平比较。我们首先评估了结构可识别性，以确定哪些参数可以从数据中理论上恢复。随后，我们使用四项指标评估实际可识别性和预测性能：平均绝对误差（MAE）、均方误差（MSE）、95% 预测区间覆盖率和加权区间得分（WIS）。对于同时具有猎物和捕食者数据的 Lotka-Volterra 模型，我们分析了三个场景：猎物数据、捕食者数据以及两者。频率学派工作流程使用 MATLAB 中的 QuantDiffForecast（QDF），通过非线性最小二乘法拟合 ODE 模型，并通过参数 bootstrap 方法量化不确定性。贝叶斯工作流程使用 BayesianFitForecast（BFF），采用 Stan 的哈密顿马尔可夫采样生成后验分布及诊断，如 Gelman-Rubin R-hat 统计量。结果表明，在数据丰富且完全观测时，频率学派推断表现最佳；当潜在状态不确定性较高且数据稀疏时（如 SEIUR 新冠模型），贝叶斯推断优势更明显。结构可识别性阐明了这些模式：完全可观测性有利于两者框架，而有限可观测性限制了参数恢复。本比较为基于数据丰富性、可观测性和不确定性需求的选择提供了指导。
引用
@article{arxiv.2511.15839,
title = {Comparing Bayesian and Frequentist Inference in Biological Models: A Comparative Analysis of Accuracy, Uncertainty, and Identifiability},
author = {Mohammed A. Y. Mohammed and Hamed Karami and Gerardo Chowell},
journal= {arXiv preprint arXiv:2511.15839},
year = {2026}
}
备注
59 pages, 19 figures, 29 tables