Inference for Partially Observed Multitype Branching Processes and Ecological Applications
用一类迁移的多型分枝过程来模拟阶段结构植物种群的动态。首先在观察到所有类型的计数数据时进行参数推断。统计可识别性证明与推导一致和渐近高斯估计统治的人口动态模型的所有参数。然而,对于许多生态数据,某些阶段(即类型)在实践中无法观察到。我们研究哪些机制仍然可以估计给定的模型和数据,在这种情况下。研究了泊松分布的参数推断问题。我们证明了可识别性仅对参数集的一个子集成立,依赖于观察到的世代数,以及估计量的一致性和渐近性质。最后,进行模拟研究的行为时,模型不再是泊松估计。相当好的结果得到了一个大类的模型具有分布的平均值和方差在同一数量级内,导致一些稳定性的结果相对于泊松假设。
2009-02-26 stat.AP
The Role of Confounders and Linearity in Ecological Inference: A Reassessment
Yale University(耶鲁大学);Pennsylvania State University(宾夕法尼亚州立大学)
本文重新评估了生态推断问题,指出现有文献忽视了如何控制共线性和问题结构中的线性特性。通过形式化因果推断的忽略条件,提出了一致插值估计器,并展示聚合限制目标函数为部分线性,从而连接了King的方法及其发展。
2026-07-01 stat.AP
Understanding the 2016 US Presidential Election using ecological inference and distribution regression with census microdata
我们将细粒度的空间参考人口普查数据与2016年美国总统大选的投票结果相结合。使用这个数据集,我们使用分布回归(Flaxman et al,KDD 2015)和多项logit回归进行生态推断,以便将投票结果特朗普,克林顿,其他/没有投票作为人口统计和社会经济特征的函数。生态推断使我们能够估计“出口民调”风格的结果,比如特朗普在白人女性中的支持率,但对于完全新颖的类别。我们还进行了探索性数据分析,以了解哪些人口普查变量预测投票给特朗普,投票给克林顿,或不投票给任何一个。我们所有的方法都是用Python和R实现的,并且可以在线复制。
2021-01-14 stat.AP stat.ML
Improving ecological inference and uncertainty quantification from camera trap data through the fusion of AI confidences and manual annotations
North Carolina State University(北卡罗来纳州立大学);North Carolina Museum of Natural Sciences(北卡罗来纳自然历史博物馆);University of Nebraska Omaha(内布拉斯加大学奥马哈分校)
本文提出一种新的贝叶斯分层数据融合模型,结合人工标注和AI预测,提升相机陷阱数据的推断和预测能力,并通过模拟研究和白尾鹿体况分析展示其在生态推断中的优势。
2026-10-19 stat.AP
Bayesian inference for hidden Markov models under genuine multimodality with application to ecological time series
University of Toronto(多伦多大学)
本文探讨了在隐马尔可夫模型中处理多模态似然函数的挑战,提出改进的平行温度算法以有效探索高维多模态后验分布,并通过蓝鲸潜水数据验证了该方法在生态时间序列分析中的应用。
2026-04-30 stat.AP
Automatic Relevance Determination For Deep Generative Models
在建立概率潜变量模型时,经常出现的问题是正则化和模型选择,例如潜空间维数的选择。在具有潜在变量的信念网络的背景下,这个问题已经通过采用蒙特卡罗推理的自动相关性确定(ARD)来解决。我们提出了一种变分推断方法,使用双随机变分推断来提供快速和可扩展的学习。我们展示了一个标准数据集上的实证结果,说明了自动收缩潜在空间的影响。我们表明,由此产生的潜在表示显着更紧凑,而不会失去学习模型的表达能力。
2015-08-26 stat.ML
Sparse and compositionally robust inference of microbial ecological networks
16 S-核糖体测序和其他基因组学技术提供了微生物群落的快照,揭示了不同生态系统中微生物种群的发生和丰度。虽然微生物群落结构的变化显然与某些环境条件有关,但确定潜在机制需要新的统计工具,因为这些数据集提出了一些技术挑战。首先,来自16 S数据集的微生物操作分类单元(OTU)的丰度是组成性的,因此,微生物丰度不是独立的。其次,基于微生物测序的研究通常仅在数十至数百个样品上测量数百个OTU;因此,OTU-OTU相互作用网络的推断严重不足,并且需要额外的假设来进行准确的推断。在这里,我们提出了SPIEC-EASI(SParse InversE协方差估计生态关联推断),从宏基因组数据集,解决这两个问题的微生物生态相互作用的推断的统计方法。SPIEC-EASI将为成分数据分析开发的数据转换与图形模型推理框架相结合,该框架假设底层生态相互作用网络是稀疏的。为了重建交互网络,SPIEC-EASI依赖于稀疏邻域和逆协方差选择算法。由于没有大规模的微生物生态网络已经过实验验证,SPIEC-EASI包括计算工具,以从一组不同的底层网络拓扑结构生成真实的OTU计数数据。SPIEC-EASI在各种场景下的真实合成数据的边缘恢复和网络属性方面优于最先进的方法。SPIEC-EASI还使用美国肠道项目的数据可重复地预测以前未知的微生物相互作用。
2015-02-14 q-bio.GN stat.AP stat.CO
Parameter inference and model selection in deterministic and stochastic dynamical models via approximate Bayesian computation: modeling a wildlife epidemic
我们考虑的问题,选择确定性或随机模型的生物,生态或环境的动态过程。在大多数情况下,人们更喜欢确定性或随机模型作为候选模型的基础上的经验或主观判断。由于大多数动力学模型的似然性复杂或难以处理,基于似然性的模型选择方法并不适用。我们使用近似贝叶斯计算的参数估计和模型选择,以获得进一步了解的动态的两个流行病的慢性消耗性疾病在骡鹿。这项工作的主要新颖的贡献是,在一个层次模型框架下,我们比较了三种类型的动力学模型:常微分方程,连续时间马尔可夫链,和随机微分方程模型。据我们所知,这些类型的模型之间的模型选择以前没有出现过。由于将动态模型合并到数据模型中的实践变得越来越普遍,因此所提出的方法在各种应用中可能非常有用。
2015-09-08 stat.AP stat.CO
Parametric inference for proportional (reverse) hazard rate models with nomination sampling
\noindent随机提名抽样(RNS)是一种基于等级的抽样技术,在涉及环境和生态应用的几项非参数研究中已被证明是有效的。本文研究了比例风险率模型和比例反向风险率模型中参数$\boldsymbolθ$未知向量的RNS估计。我们研究了极大似然法(ML)和矩量法(MM)的方法,并调查我们提出的基于RNS的估计相比,那些基于简单随机抽样(SRS)的相对精度。我们介绍了四种类型的RNS为基础的数据,以及必要的EM算法的ML估计,并评估相应的估计性能估计$\boldsymbolθ$。我们发现,总有一些设计参数的值,基于RNS的估计比基于SRS的估计更有效。推理的基础上不完善的排名也进行了探讨,它表明,即使在排名是不完善的,改善。理论结果增加了数值评估和案例研究。
2015-12-17 math.ST stat.AP stat.ME
Trade-off between deep learning for species identification and inference about predator-prey co-occurrence: Reproducible R workflow integrating models in computer vision and ecological statistics
深度学习用于计算机视觉问题,在多个科学领域具有重要应用。例如,在生态学中,人们对深度学习的兴趣越来越大,可以自动对大量图像进行重复分析,例如动物物种识别。然而,生态学家社区对深度学习的广泛采用存在挑战性问题。首先,存在编程障碍,因为大多数算法都是用Python编写的,而大多数生态学家都精通R。其次,最近深度学习在生态学中的应用主要集中在计算方面和简单的任务上,而没有解决潜在的生态问题或进行统计数据分析来回答这些问题。在这里,我们展示了一个可重复的R工作流程,它集成了深度学习和统计模型,并使用捕食者-猎物关系作为案例研究。我们说明了深度学习在相机陷阱收集的图像上识别动物物种,并使用多物种占用模型量化空间共现。尽管平均模型分类性能,但无论我们分析地面实况数据集还是分类数据集,生态推断都是相似的。这一结果需要进一步研究分配给深度学习训练模型的时间和资源之间的权衡,以及我们通过生物多样性监测妥善解决关键生态问题的能力。我们希望我们的可重复的工作流程将是有用的生态学家和应用统计学家。所有材料(Rmarkdown笔记本和辅助文件的来源)可从https://github.com/oliviergimenez/computo-deeplearning-occupany-lynx获得。
2021-08-25 q-bio.QM stat.AP
Bayesian Non-Parametric Detection Heterogeneity in Ecological Models
检测异质性是生态数据所固有的,由各种地形或天气条件、不一致的采样努力或个体本身的异质性等因素引起。将额外的协变量纳入统计模型是解决异质性的一种方法,但不能保证任何可测量的协变量集将充分解决异质性,并且未建模异质性的存在已被证明会在所得推断中产生偏倚。解决异质性的其他方法包括使用随机效应或同质子群的有限混合。在这里,我们提出了一个非参数的方法建模检测异质性贝叶斯分层框架中使用。我们采用了狄利克雷过程的混合物,它允许一个灵活的数量的人口子群,而不需要预先指定这个数量的子群在有限的混合物。我们描述了这种非参数的方法,然后考虑它的使用建模检测异质性在两个常见的生态图案:捕获-再捕获和占用建模。对于每一个,我们考虑一个齐次模型,有限混合模型,和非参数方法。我们使用两个模拟研究比较这些方法,并观察到非参数方法作为解决不同程度的异质性的最可靠的方法。我们还提出了两个真实数据的例子,并比较从每个建模方法的推论。使用\texttt{R}的\texttt{nimble}软件包进行分析,该软件包为贝叶斯非参数模型提供了工具。
2020-07-20 stat.AP
Inference with selection, varying population size and evolving population structure: Application of ABC to a forward-backward coalescent process with interactions
遗传数据通常用于推断人口统计历史和变化或检测选择中的基因。推理方法通常基于做出各种强有力假设的模型:人口统计学和种群结构假设为\textit{a priori}已知,种群遗传组成的进化不影响人口统计学和种群结构,并且遗传菌株之间和内部不存在选择或相互作用。本文提出了一个具有竞争作用和无性生殖的随机生灭模型。我们开发了一个生态,人口和遗传参数的推理程序。我们首先展示了遗传多样性〈动〉性<动>和系谱是如何与出生率和死亡率相关的,以及个体如何在品系内和品系之间竞争。{This引导我们提出一个原始的遗传模型,具有特征结构和相互作用,允许多个合并。其次,我们开发了一个近似贝叶斯计算框架来使用我们的模型分析遗传数据。我们应用我们的程序从玩具模型的模拟数据,并通过分析从中亚人群中采样的Y染色体上的微卫星的遗传多样性〈动〉<动>的真实数据,以测试是否不同的社会组织表现出显着不同的生育能力。
2020-07-25 math.PR q-bio.PE stat.AP
BPEC: An R Package for Bayesian Phylogeographic and Ecological Clustering
BPEC是贝叶斯系统地理学和生态聚类的R软件包,它允许地理,环境和表型测量与DNA序列相结合,以揭示迁移事件导致的聚类结构。DNA序列的建模使用一个简化的合并模型投影到单倍型树,随后引起的迁移发生的约束聚类的折叠版本。在每个聚类中,使用协变量(地理,环境,表型)的多变量高斯分布。推断遵循定制的可逆跳跃马尔可夫链蒙特卡罗采样,使得聚类的数量(即,迁移)不需要预先指定。提供了许多输出图和可视化,反映了感兴趣的参数的后验分布。BPEC还包括创建可加载到Google Earth中的输出文件的函数。包命令说明通过一个例子数据集的多型近东棕色青蛙蛙macrocnemis使用BPEC分析。
2018-09-18 stat.AP
Ecological Regression with Partial Identification
生态推理(EI)是从集合数据中学习个体行为的过程。我们研究了一个部分确定的线性上下文影响模型EI和描述如何估计的地区水平的参数平均在许多选区的上下文影响的非确定参数的存在下。这可以被视为第一次尝试在这个古老的文献,以限制范围的关键形式的不可识别的EI。为了研究我们的模型的操作特性,我们收集了有史以来最大的数据集,这些数据具有已知的基本事实,用于评估EI问题的解决方案。我们收集和研究了来自公共卫生、政治学和社会学等各个领域的459个数据集。这些数据集总共包含2,370,854个地理单元(例如,选区),每个数据集平均有5,165个地理单元。我们的复制数据可通过Harvard Dataverse公开获取(Jiang et al. 2018),并可作为未来研究人员的有用资源。对于我们收集的符合我们提出的规则的所有真实数据集,我们的方法平均将Duncan和Davis(1953)确定性界限的宽度减少了约45%,同时仍然捕获了超过97%的真实地区水平参数。.
2018-04-23 stat.AP
Sparse Network Inference under Imperfect Detection and its Application to Ecological Networks
Department of Electrical and Computer Engineering and the Ken Kennedy Institute(电气与计算机工程系和肯尼迪研究所);Department of Computational and Applied Mathematics at Rice University(里士满大学计算与应用数学系);SISTEMIC, Facultad de Ingeniería, Universidad de Antioquia(安提奥基亚大学工程学院SISTEMIC)
本文提出了一种结构稀疏非负低秩分解框架,通过非凸ℓ_{1/2}正则化提升稀疏性和结构恢复,应用于生态网络中。
2026-11-09 cs.LG eess.SP math.OC
Bayesian inference for network Poisson models
这项工作的动机是分析生态相互作用网络。泊松随机块模型在该领域中被广泛用于破译加权网络的结构,同时考虑协变量效应。基于变分近似的有效算法存在的频率论推理,但没有统计的准确性,作为所得到的估计。在没有变分贝叶斯估计,我们表明,一个很好的代理的后验分布可以直接从频率变分估计程序,使用拉普拉斯近似。我们使用这个代理样本从真实的后验分布通过序贯蒙特卡罗算法。仿真研究表明,近似后验分布的精度大大提高了后验抽样的效率。所提出的方法可以很容易地扩展到其他潜变量模型。我们使用这种方法来评估可用的协变量对两个生态网络的组织的影响,以及剩余的相互作用结构的存在。
2019-07-23 stat.AP stat.ME
Bayesian decision theory for wildlife management under uncertainty: from inference to action
CEFE, Univ Montpellier, CNRS, EPHE, IRD(法国国家科学研究中心生态与功能演化中心);University of California, Berkeley(加州大学伯克利分校)
本文提出基于贝叶斯决策理论的实用工作流程,通过两个案例展示如何在不确定性下平衡生态、经济和社会目标,提升管理决策的透明度和可重复性。
2026-08-26 stat.AP
Exploiting network topology for large-scale inference of nonlinear reaction models
化学反应模型的发展有助于从生物学到电化学和燃烧等领域的理解和预测。建立反应网络模型的系统方法不仅使用观测数据来估计未知参数,而且还学习模型结构。贝叶斯推理为这种数据驱动的模型构建提供了一种自然的方法。然而,传统的贝叶斯模型推理方法,数值评估每个模型的证据往往是不可行的非线性反应网络的推理,合理的模型的数量可以组合大。基于模型空间采样的替代方法可以实现大规模网络推理,但它们的实现存在许多挑战。在本文中,我们提出了新的计算方法,使大规模的非线性网络推理易于处理。首先,我们利用网络的拓扑结构描述化学物种之间的潜在相互作用,设计改进的“模型间”的建议,可逆跳马尔可夫链蒙特卡罗。其次,我们引入了一个基于灵敏度的移动类型的确定,当与网络感知的建议相结合,产生显着的额外收益的采样性能。这些算法证明推理问题来自系统生物学,物种相互作用的非线性微分方程模型。
2019-01-19 cs.CE q-bio.QM stat.CO
Upscaling human activity data: an ecological perspective
近年来,我们目睹了从电子邮件通信到社交网络活动等不同人类动态收集的数据爆炸式增长。从这些庞大的数据集中提取有用的信息是一项重大挑战。在过去的几十年里,统计的不确定性在人类活动中被广泛观察到,并提出了各种模型。在这里,我们从建模到推理,并提出了一个统计框架,能够预测全球功能的人类活动从当地的知识。我们考虑四个人类活动的数据集:电子邮件通信,Twitter帖子,维基百科文章和古腾堡书籍。从本地活动的统计数据中,例如在所考虑的数据集的小样本中收集的每个用户发送的电子邮件,每个主题标签的帖子和单词的出现,我们推断出全局特征,即在全球范围内的用户,主题标签和单词的数量。我们的估计是稳健和准确的,具有很小的相对误差。此外,我们预测一个标签或一个词的丰度可能会通过尺度发生变化。因此,通过观察一小部分推文和其中给定标签的受欢迎程度,我们可以估计它是否会在网络的不可见部分保持受欢迎。我们的方法是基于统计生态学,因为我们发现看不见的人类活动特征的推断可以映射到生物多样性中看不见的物种问题。我们的研究结果可以应用于不同的领域,从电子邮件中的资源管理到Twitter中的集体注意力监测,以及Word数据库中的语言学习过程。
2019-12-06 physics.soc-ph stat.AP
Bayesian feedback in the framework of ecological sciences
本文提出一种序贯贝叶斯反馈方法,通过INLA更新先验分布,整合科学随机采样与机会主义采样数据,发现从独立模型向偏好模型共享信息效果更优。
2024-04-24 stat.AP
Bayesian modelling and computation utilising directed cycles in multiple network data
University of Warwick(华威大学);Lancaster University(兰卡斯特大学);ITAM(墨西哥国立自治大学经济研究所);University College London(伦敦大学学院)
本文提出一种基于有向环相似性的新型网络距离度量,并将其纳入球形网络模型族(SNF),同时开发相应计算框架,从而在多重网络数据中显式推断网络环结构,并在鱼类攻击性互作生态网络数据上验证了方法的有效性。
2025-11-10 stat.AP
A Unified Bayesian Model for Voter Turnout Estimation: Combining Surveys, Aggregate Data, and Selection Correction
School of Economics and Business Administration, University of Tartu(塔尔图大学经济与商业管理学院)
该研究提出整合调查、汇总数据与选择校正的贝叶斯层次框架,含三类模型,经模拟和爱沙尼亚选举数据验证,可提升小区域选民投票率估计精度。
2026-08-17 stat.AP stat.ME
Statistics of High-Throughput Characterization of Microbial Interactions
研究兴趣的一个活跃领域是复杂微生物群落的生态模型的推断。推断这种生态模型需要了解微生物之间的相互作用以及它们如何影响彼此的生长。本文采用统计的角度来进一步促进目前解决这个问题的知识。第一部分解释了如何高通量液滴为基础的微流体技术可以用来筛选微生物的相互作用。一个明确的,统计框架的动机和发展,可以指导这些实验的数据分析。第二部分解释了如何根据实验设置来预测将产生多少数据来推断给定的微生物相互作用。在不孵育液滴的情况下进行一次实验是进行这种预测所必需的。第三部分证明了从这些实验产生的数据推断微生物相互作用的可行性。从微生物学和生态学文献的相关想法被改写成一个明确的,统计框架。
2022-10-17 math.ST q-bio.QM stat.AP
Bayesian Model Selection for a Class of Spatially-Explicit Capture Recapture Models
大量的生态学知识产生最近取决于模型选择方法的能力,以区分各种生态假说。在过去的十年里,贝叶斯层次模型在生态学中兴起。因此,AIC等流行工具在很大程度上变得不适用,其他工具也不是普遍适用的。我们专注于一类竞争贝叶斯空间显式捕获再捕获(SECR)模型,并首先应用一些推荐的贝叶斯模型选择工具:(1)贝叶斯因子-使用(a)Gelfand-Dey(b)调和平均方法,(2)DIC,(3)WAIC和(4)后验预测损失函数。在我们的研究中,我们总共评估了25种模型选择工具。我们从模型选择和参数估计的角度评价这些模型选择工具,通过对比工具推荐的选择与“真”模型。总之,我们使用真实模型生成了120个模拟数据集,并评估了选择真实模型的频率以及该工具对N(群体大小)的估计程度。我们发现,当信息含量低,没有特定的工具可以推荐,以帮助实现,同时,两个目标的模型选择和参数估计。在这种情况下,我们建议从业者利用我们的应用贝叶斯因子参数估计,并建议后验预测损失的模型选择的方法时,信息含量低。当这两个目标放在一起时,我们建议使用贝叶斯因子的贝叶斯SECR模型应用程序。我们的研究表明,虽然新的模型选择工具正在出现(如:WAIC)在应用统计学文献,这些新的工具(即不评估其有效性手头的问题)到生态实践中的不加批判的吸收可能会误导推论。
2018-10-04 stat.AP
State-space models' dirty little secrets: even simple linear Gaussian models can have estimation problems
状态空间模型(SSM)越来越多地用于生态学中的时间序列建模,如动物运动路径和种群动力学。这种类型的分层模型通常被构造为考虑两个层次的可变性:生物随机性和测量误差。SSM是灵活的。他们可以使用各种统计分布来模拟线性和非线性过程。最近的生态SSM往往是复杂的,有大量的参数估计。通过模拟研究,我们表明,即使是简单的线性高斯SSM可以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,条件往往促使生态学家使用SSM。使用动物运动的例子,我们展示了这些估计问题如何影响生态推理。描述北极熊运动的SSM(\textit{Ursus maritimus})的有偏参数估计导致高估了它们的能量消耗。我们提出了潜在的解决方案,但表明,它往往仍然很难估计参数。虽然SSM是强大的工具,但它们可能会产生误导性的结果,我们敦促生态学家在从结果中得出生态结论之前,评估参数是否可以准确估计。
2016-03-29 q-bio.QM stat.AP
A mechanistic-statistical species distribution model to explain and forecast wolf (Canis lupus) colonization in South-Eastern France
物种分布模型是生态学家了解和预测物种分布范围的重要统计工具。然而,标准的SDM并没有明确地包含像分散这样的动态过程。这一限制可能会导致对物种分布的推断出现偏差。在这里,我们采用的生态扩散理论,最近被引入统计生态学纳入生态模型的时空过程。作为一个案例研究,我们考虑了狼(狼〈动物〉>),自90年代初以来,它通过从亚平宁山脉的扩散,自然地使法国东部地区变得更加繁荣。利用偏微分方程模拟物种扩散和增长在一个破碎的景观,我们开发了一个机械统计时空模型占生态扩散,逻辑增长和不完善的物种检测。我们进行了模拟研究,并显示我们的模型的能力,i)估计生态参数在不同的情况下,对比物种检测概率和调查点的数量和ii)预测未来的分布。我们发现,在法国的狼人口的增长率是由森林覆盖率的比例,扩散的影响,人类密度和物种的可检测性增加调查工作。使用2007-2015年期间估计的参数,我们预测了2016年的狼分布,并发现与当年的实际检测结果吻合良好。我们的方法可能有助于管理与人类活动相互作用的物种,以预测潜在的冲突。
2020-02-17 q-bio.PE q-bio.QM stat.AP
Development of a Statistical Predictive Model for Daily Water Table Depth and Important Variables Selection for Inference
本研究开发了具备三大灵活性的统计模型BigVAR,利用两站点日水文气候数据预测日水位深度,关键预测因子含温湿风雨辐射等,模型在不同年份和时期表现优异,可辅助湿地水文管理与决策。
2024-11-30 stat.AP
Tree-based Inference of Species Interaction Network from Abundance Data
生态系统的行为主要依赖于它所涉及的物种之间的相互作用。我们考虑从丰度数据推断物种相互作用网络的问题。为了相关,任何网络推理方法都需要处理计数数据并考虑可能的环境影响。它还需要区分直接交互和间接关联,图形模型为此提供了一个方便的框架。我们介绍了一个通用的统计模型的网络推理的基础上丰富的数据。该模型包括用于解释环境协变量和采样努力的固定效应,以及用于编码物种相互作用的相关随机效应。通过以计算高效的方式对所有可能的树形(因此是稀疏的)网络进行平均来获得推断的网络。该过程的输出是每条边成为底层网络的一部分的概率。仿真研究表明,所提出的方法相比,以及与国家的最先进的方法,即使底层图强烈不同于树。两个数据集的分析突出了协变量对推断网络的影响。考虑协变量对于避免伪边缘至关重要。所提出的方法可以扩展到执行网络比较或寻找丢失的物种。
2019-10-28 q-bio.PE stat.AP
Bayesreef: A Bayesian inference framework for modelling reef growth in response to environmental change and biological dynamics
估算地质时期环境过程对垂直礁发育的影响是一项非常具有挑战性的任务。pyReef-Core是一个确定性的碳酸盐岩地层正演模型,旨在模拟关键的生物和环境过程,这些过程决定了化石礁钻芯中的垂直礁增生和组合变化。我们提出了一个贝叶斯框架,称为贝叶斯礁的估计和不确定性量化的参数pyReef核心,代表环境条件影响珊瑚组合的地质时间尺度上的增长。我们证明了多峰后验分布的存在,并调查使用马尔可夫链蒙特卡罗(MCMC)方法,其中包括并行回火MCMC采样的挑战。我们使用合成的珊瑚礁核心调查的基本问题,然后将该方法应用于选定的珊瑚礁核心在澳大利亚大堡礁。结果表明,Bayesreef准确估计并提供了所选参数的不确定性量化,这些参数代表了pyReef-Core中的环境和生态条件。Bayesreef提供了对pyReef-Core中参数的复杂后验分布的见解,这为该领域的未来研究奠定了基础。
2020-03-06 cs.CE stat.AP
Landscape allocation: stochastic generators and statistical inference
在农业景观中,耕作和半自然元素的组成和空间配置强烈影响物种动态,它们之间的相互作用和栖息地的连通性。为了使景观结构分析和场景生成,我们在这里开发的统计工具,真正的景观组成的几何元素,包括二维补丁,但也一维线性元素,如树篱。我们设计了生成随机模型,结合了多重网络表示和吉布斯能量项来表征土地利用类别的景观描述符的分布行为。我们为这类新的模型实现了Metropolis-Hastings,以采样具有参数控制的空间和时间模式的农业场景(例如,几何学、连通性、作物轮作)。基于伪像的推理允许通过统计和功能验证研究模型组件在真实景观中的相关性,后者通过比较观察到的景观和模拟景观之间常用的景观指标来实现。下Durance谷(法国)的次区域拟合模型表明随机分配的强烈偏差,他们现实地捕捉小规模的景观格局。总之,我们的统计建模方法提高了农业生态系统的结构和功能方面的理解,它使基于模拟的理论分析景观格局如何塑造生物和生态过程。
2020-02-20 q-bio.PE stat.AP stat.ME
Statistical Inference on Tree Swallow Migrations with Random Forests
鸟类的迁徙模式通常通过个人观察和历史记录来研究。然而,近年来,eBird公民科学项目征集了世界各地数千名鸟类观察者的观察结果,为采用数据驱动的方法来了解大规模地理运动打开了大门。在这里,我们专注于北美树燕子(\textit{Tachycineta bicolor})的发生模式在整个美国东部。鸟类学家和偶然的观察者都普遍认为,这种鸟类的迁徙出发日期在不同年份之间有很大的差异,但原因在很大程度上是未知的。在这项工作中,我们提出的证据表明,最高日温度是影响树燕子发生的一个主要因素。因为人们普遍认为,物种的发生是一个功能的许多复杂的,高阶的生态协变量之间的相互作用,我们利用随机森林提供的灵活的建模方法。利用最近的渐近结果,我们提供了正式的假设检验的预测意义的各种协变量,还开发和实施了一种基于置换的方法,正式评估年际变化,通过处理随机森林作为功能数据产生的预测表面。这些测试都表明,日最高温度对迁移模式有显着影响。
2019-11-08 q-bio.PE stat.AP
A Bayesian theory for estimation of biodiversity
受基本生物多样性数理论启发,本文基于Gibbs型先验开发了贝叶斯非参数方法,提出适应林奈分类层次结构的建模框架,为量化生物多样性提供了更精细的理论与方法。
2025-02-03 stat.AP stat.ME
Viral Load Inference in Non-Adaptive Pooled Testing
针对现有混合检测无法推断跨数量级病毒载量的问题,提出结合PCR噪声函数的消息传递算法,在非自适应设置下实现准确推断,为临床重要场景的高效筛查提供可能。
2024-03-14 cond-mat.stat-mech stat.AP stat.ML
Sample size and power determination for assessing overall SNP effects in joint modeling of longitudinal and time-to-event data
Columbia University(哥伦比亚大学);University of Toronto(多伦多大学);Sinai Health(西奈山健康系统)
本文提出了一种在纵向数据和时间到事件数据联合建模中评估单核苷酸多态性总体效应的样本量和统计功效计算方法。
2026-02-16 stat.AP stat.ME
Automatic Relevance Determination Bayesian Neural Networks for Credit Card Default Modelling
University of Johannesburg(约翰内斯堡大学)
信用风险建模是全球金融体系的一个组成部分。虽然用于信用违约预测的神经网络模型受到了极大的关注,但此类模型往往缺乏所需的解释机制和对其预测不确定性的测量。这项工作的发展和比较贝叶斯神经网络(BNN)的信用卡违约建模。这包括高斯近似训练的BNN和混合蒙特卡罗(HMC)训练的BNN在信用风险建模中的首次实现。在台湾信用数据集上的结果表明,具有自动相关性确定(ARD)的BNN优于没有ARD的正常BNN。结果还表明,高斯近似训练的BNN显示出与HMC训练的BNN相似的预测性能。结果进一步表明,BNN与ARD可以用来推断不同功能的相对重要性,从而至关重要地帮助决策者解释模型输出给消费者。使用两种不同的方法训练BNN,识别为重要的特征之间的高度一致性加强了这一结果的鲁棒性。
2019-06-14 cs.LG stat.AP stat.ML