状态空间模型的隐秘缺陷：即便简单的线性高斯模型也会存在估计问题
定量方法
2016-12-01 v3 应用统计
摘要
状态空间模型（SSM）在生态学中被越来越多地用于建模动物运动路径和种群动态等时间序列。这类层次模型通常结构化为解释两层变异性：生物随机性和测量误差。SSM 具有灵活性。它们可以使用多种统计分布对线性和非线性过程进行建模。近期的生态学 SSM 往往复杂，需要估计大量参数。通过一项模拟研究，我们表明即便简单的线性高斯 SSM 也会遭受参数和状态估计问题。我们证明这些问题主要发生在测量误差大于生物随机性时，而这一条件常常促使生态学家使用 SSM。利用一个动物运动实例，我们展示了这些估计问题如何影响生态学推断。描述北极熊（Ursus maritimus）运动的 SSM 的参数估计偏差导致高估其能量消耗。我们提出了潜在的解决方案，但表明往往仍然难以估计参数。尽管 SSM 是强大的工具，它们可能给出误导性结果，我们敦促生态学家在从结果得出生态学结论之前评估参数是否能够被准确估计。
引用
@article{arxiv.1508.04325,
title = {State-space models' dirty little secrets: even simple linear Gaussian models can have estimation problems},
author = {Marie Auger-Méthé and Chris Field and Christoffer M. Albertsen and Andrew E. Derocher and Mark A. Lewis and Ian D. Jonsen and Joanna Mills Flemming},
journal= {arXiv preprint arXiv:1508.04325},
year = {2016}
}