MCMC 步选择模型中的推断
应用统计
2018-10-26 v1
摘要
栖息地选择模型在生态学中用于将动物分布与环境协变量相联系，并识别对保护重要的栖息地。此类模型中使用最广泛的资源选择函数假定动物观测位置之间相互独立。当位置数据表现出时空自相关时，这是不现实的。另一方面，步选择函数将栖息地选择嵌入动物运动模型中，以考虑自相关性。然而，步选择函数的推断依赖于运动模型，且它们不易用于预测长期空间利用。我们最近提出，马尔可夫链蒙特卡罗（MCMC）算法可定义一个具有显式平稳分布（目标分布）的步选择模型。在此，我们解释 MCMC 步选择模型的似然如何导出，以及如何使用极大似然估计对运动和栖息地选择参数进行推断。我们描述了局部 Gibbs 采样器，一种为捕捉真实动物运动重要特征而设计的无拒绝 MCMC 方案。该采样器可用作一类灵活运动模型的基础，我们推导了若干重要特例的似然函数。在模拟研究中，我们验证了极大似然估计可用于恢复所有模型参数。我们用来自平原斑马的数据说明了该方法的运用。
引用
@article{arxiv.1810.10930,
title = {Inference in MCMC step selection models},
author = {Théo Michelot and Paul G. Blackwell and Simon Chamaillé-Jammes and Jason Matthiopoulos},
journal= {arXiv preprint arXiv:1810.10930},
year = {2018}
}