基于经验贝叶斯评估多元计数过离散下的生态多样性与相似性

多样性与相似性的评估在监测生态系统状态中具有重要意义。相应的指标基于感兴趣生物类群的分类组成，目前通过由抽样多元计数计算得到的 proportions 来估计。本工作中我们提出了一种新方法，能够在数据受过度离散(overdispersion)影响时仅利用一个样本来估计分类组成。分类计数中过度离散的出现可能是显著环境因子的结果，这些因子通常不可观测但影响群落。遵循经验贝叶斯(empirical Bayes)方法，我们结合贝叶斯模型与边际似然方法，从多元计数的一个样本中联合估计分类比例与过度离散水平。我们的提议在一项涵盖不同现实情景的广泛模拟研究中与经典最大似然方法进行比较。同时给出了对来自水生生物监测真实数据的应用。在模拟研究与真实数据应用中，我们考虑了以大量分类类别为特征的群落，例如常呈过度离散的水生大型无脊椎动物或细菌。应用结果表明，在几乎所有考察案例中，经验贝叶斯方法在多样性与相似性两项评估上均具总体优越性。我们建议生物监测从业者将所提方法与传统流程结合使用。经验贝叶斯估计能更好地控制生物数据中因过度离散引起的误差传播，从而实现更高效的资源管理决策。