通过广义加性模型实现用于 submerged shoals 监测的模型鲁棒贝叶斯设计
统计方法学
2022-08-31 v1 应用统计
摘要
由于访问和野外采样这些偏远且了解甚少的生态系统成本高昂，最优采样策略对于较深珊瑚礁和浅滩系统的调查至关重要。此外，浅水礁系统中成熟的基于潜水员的标准采样技术因水深而无法部署。在此，我们利用三年的试点数据，开发了一种贝叶斯设计策略，以优化浅滩深水礁系统的采样。贝叶斯设计通常通过最大化效用函数关于参数与响应在给定假定统计模型下的联合分布的期望来求得。遗憾的是，由于对数据生成过程的认知通常不完整，先验地指定此类模型十分困难。为此，我们提出了一种寻找对未知模型不确定性具有鲁棒性的贝叶斯设计的方法。这是通过将指定模型置于广义加性建模（Generalised Additive Modelling）框架内，并构建先验信息使加性分量能够捕捉假定与底层数据生成过程之间的差异来实现的。其动机是使贝叶斯设计能在认知性模型不确定性下求得，这是贝叶斯设计极为理想的特性。我们的方法最初在一个示例设计问题上演示，推导了理论结果并用于探究最优设计的属性。随后，我们将该方法应用于澳大利亚西北海岸 submerged shoals 的未来监测设计，旨在显著改进当前监测设计。
引用
@article{arxiv.2208.13980,
title = {Model-robust Bayesian design through Generalised Additive Models for monitoring submerged shoals},
author = {Dilishiya De Silva and Rebecca Fisher and Ben Radford and Helen Thompson and James McGree},
journal= {arXiv preprint arXiv:2208.13980},
year = {2022}
}