运动模型的鲁棒性：模型能否弥合数据集与行为过程时间尺度之间的差距？

离散时间随机游走及其扩展是分析动物运动数据的常用工具。在这些分析中，时间离散化的分辨率是一个关键特征。理想情况下，模型既要反映所关注的生物学过程的相关时间尺度，又要与数据采样率相匹配。当受技术限制导致数据分辨率过于粗糙，或当我们希望外推结果或比较从不同分辨率数据获得的结果时，便会出现挑战。我们宽泛地借鉴统计学中鲁棒性的概念，提出了一个严格的数学框架来研究运动模型对时间分辨率变化的鲁棒性。在该框架中，我们将不同水平的鲁棒性定义为形式化的模型属性，重点关注具有空间显式分量的随机游走模型。借助这一新框架，我们可以研究模型能否有效地应用于不同时间分辨率的数据，以及如何在统计推断结果中考虑这些不同的分辨率。我们将该新框架应用于基于运动的资源选择模型，展示了分析计算、数值计算以及蒙特卡罗模拟方法。尽管精确的鲁棒性很少见，但近似鲁棒性的概念为分析运动模型提供了一个有前景的新方向。