几何过离散（Geometric Overdispersion）促进生态数据整合——基于Pólya-Gamma数据增广的几何分布集成物种分布模型（Integrated Distribution Model, IDM）

《Methods in Ecology and Evolution》：Geometric overdispersion facilitates the integration of ecological data

　　

摘要：统计数据整合（Statistical Data Integration）有助于基于生态学中多样化的数据类型进行推断。特别是，集成分布模型（Integrated Distribution Model, IDM）已被提出用于结合含噪声的计数（count）、存在–缺失（presence–absence）及仅存在（presence–only）数据来推断丰度的空间格局。从上述模型获取后验推断具有挑战性，因为大多数优化软件仅适用于单一数据类型或完美观测的计数数据，而更通用的途径计算负担沉重。研究人员提出了一种用于多数据集联合分析的高效建模框架。该框架假设各数据类型源于同一潜空间过程（latent spatial process），并允许各自独特的观测偏差与不确定性。该实现的计效可行是因为研究人员将丰度建模为几何随机变量（geometric random variable），从而可通过Pólya-Gamma增广（Pólya-Gamma augmentation）借助吉布斯更新（Gibbs updates）实现马尔可夫链蒙特卡洛（Markov Chain Monte Carlo, MCMC）算法。模拟研究表明，该几何模型可对基于泊松（Poisson）的IDM提供有用的近似，且改善了对丰度空间变异的后验推断——尤其针对过离散（overdispersed）计数数据。即便对于中等规模数据集（即<500个样点），该方法比用Stan实现的泊松IDM快近100倍。其计算效率与变分推断（Variational Inference, VI）相近但偏倚更小。研究人员通过美洲知更鸟（Turdus migratorius）和溪鳟（Salvelinus fontinalis）丰度的案例研究展示了基于几何分布的IDM的灵活性与可扩展性。该研究通过提供快速灵活的框架对高维潜效应（high-dimensional latent effects）进行联合推断，补充了集成生态模型的发展方向，并进一步评估了泊松、负二项（negative binomial）与几何模型在估计协变量关联及丰度空间变异方面的相对表现。

论文解读：《Methods in Ecology and Evolution》刊载的这篇研究针对生态学集成分布模型（Integrated Distribution Model, IDM）中传统泊松（Poisson）分布假设导致计算低效及难以处理过离散（overdispersion）计数数据的问题，提出以几何分布（Geometric Distribution，即形状参数r=1的负二项分布Negative Binomial）替代泊松分布来建模样点真实丰度（true site-level abundance），并结合Pólya-Gamma数据增广（Pólya-Gamma Data Augmentation）实现固定效应与空间随机效应的高效吉布斯抽样（Gibbs Sampling），从而在贝叶斯框架下实现计数数据、存在–缺失数据及仅存在数据的高效联合推断。研究发现几何IDM在推断精度上与泊松及负二项IDM相当，但计算效率提升近两个数量级，且在过离散数据中能改善空间随机效应的后验推断。该成果为大规模高维生态数据整合提供了快速、灵活且易实现的贝叶斯建模方案。

主要关键技术方法：

研究人员采用模拟研究与两个实证案例（美洲知更鸟Turdus migratorius的距离抽样与存在–缺失数据、北卡罗来纳州溪鳟Salvelinus fontinalis的去除法捕捞与存在–缺失数据）验证所提方法。关键技术包括：(1) 以几何分布N_i～Geom(p_i=1/(1+λ_i))建模潜在丰度，令E[N_i]=λ_i=exp(X_iβ+ω(s_i))，其中β为固定效应、ω(s_i)为高斯过程空间随机效应；(2) 推导联合似然为二项形式并以Pólya-Gamma辅助变量进行数据增广，使β与ω(s_i)可从全条件后验正态分布直接抽样（Gibbs更新）；(3) 与Stan实现的泊松IDM（Hamiltonian Monte Carlo, HMC）、负二项IDM（HMC）及泊松IDM变分推断（Variational Inference, VI）在覆盖率（Coverage）、偏倚（Bias）、变异性（Variability）及获得1000个独立后验样本所需时间（log(Time)）上对比；(4) 案例研究中分别结合距离抽样参数扩展数据增广（Parameter-Expanded Data Augmentation, PX-DA）与去除法N-混合模型（removal-based N-mixture model）处理观测过程。

研究结果：

2 METHODS

2.1 Poisson integrated distribution model——研究人员回顾了经典泊松IDM：样点丰度N_i～Poisson(λ_iA_i)，λ_i=exp(X_iβ+ω(s_i))/A_i，存在概率为Pr(Y_i=1)=1?exp(?λ_iA_i)。指出泊松IDM中固定效应与存在概率通过互补双对数连接（cloglog link），且全条件分布含泊松与二项项致使MCMC混合差，Stan需HMC但迭代昂贵，JAGS易收敛失败。

2.2 Geometric integrated distribution model——研究人员设定N_i～Geom(p_i=1/(1+λ_i))，匹配泊松均值E[N_i]=λ_i，则存在概率Pr(Y_i=1)=λ_i/(1+λ_i)，即logit(Pr(presence))=log(λ_i)=X_iβ+ω(s_i)，使固定效应β同时解释为log-丰度强度变化与存在概率的log-odds变化（表1对比）。联合似然可写为二项形式并引入Pólya-Gamma变量ω_j～PG(1,η_j)，使(β,ω)^T|·～MVN(μ_post,Σ_post)可直接Gibbs抽样，其中Σ_post^?1=Σ₀^?1+X^TΩX（Ω为Pólya-Gamma对角阵），μ_post=Σ_post(Σ₀^?1μ₀+X^Tκ)，κ由计数与二值观测构造。几何分布方差Var(N_i)=λ_i(1+λ_i)＞λ_i（泊松），故内置过离散能力。

3 SIMULATION STUDY——研究人员从泊松IDM（无过离散）与负二项IDM（r=0.5,1,5对应不同过离散水平）生成数据。结果：(1)几何IDM对β与空间效应ω的后验覆盖率接近名义水平，偏倚与HMC泊松/负二项IDM相当；(2)VI低估不确定度致覆盖率不足且偏倚较大；(3)几何IDM获1000独立后验样本比Stan泊松IDM快约10倍（n=100）至100倍（n=500）；(4)当数据具过离散（r=1即几何生成）时几何IDM与负二项IDM对空间效应推断优于泊松IDM；(5)各模型丰度预测分布相似。结论：几何IDM是泊松IDM的良好近似且显著加速，适合过离散或需高维潜效应情形。

4 INTEGRATED DISTANCE SAMPLING OF Turdus migratorius——将距离抽样经PX-DA得推断丰度，点计数二值化作存在–缺失数据，拟合几何IDM、负二项IDM（HMC）、泊松IDM（HMC及VI）。协变量含冠层盖度（线性+二次）、海拔（线性+二次）及年份随机效应。结果：几何IDM、泊松HMC与负二项HMC给出相似协变量效应符号与空间丰度预测图；VI给出不同冠层效应符号且后验标准差过小；负二项IDM估计过离散参数r的95% CI含1（即几何特例）。几何IDM运行时间355 s/千独立样本，与HMC相当或更短。结论：在实际略欠离散数据中几何IDM仍给出可靠推断。

5 DEPLETION SURVEYS OF Salvelinus fontinalis——溪鳟数据含去除法捕捞计数（N-mixture模型）与存在–缺失调查，线性预测子含8个生境协变量、年AR(1)时间效应、HUC8流域ICAR（Intrinsic Conditional Autoregressive）空间效应及水系尾向下（tail-down）空间指数协方差。结果：(1)负二项IDM过离散参数后验均值≈1.74（95% CI不含∞但含1附近），表明中度过离散介于几何与泊松间；(2)几何与负二项IDM对存在–缺失数据秩概率得分（Ranked Probability Score, RPS）低于泊松IDM（泊松IDM对存在–缺失拟合差），对丰度RPS三者接近；(3)几何IDM 14 min/千独立样本，HMC负二项IDM 598 min，HMC泊松IDM 1673 min（VI较快但偏）；(4)预测显示高海拔支流密度高、下游或缺失区密度低，不确定性在高海拔未采样支流较高。结论：几何IDM平衡了过离散容纳与计算效率，适合含复杂空间结构的多源数据整合。

讨论与结论：

研究人员指出：(1)几何IDM通过Pólya-Gamma增可实现固定效应与高维空间/时间/网络随机效应的块Gibbs更新，混合好且不随效应维数严重恶化，计算效率可比VI但无其后验不确定度低估问题；(2)几何分布使β统一解释为log-λ（丰度强度）与logit(存在概率)，较泊松cloglog与负二项更直观；(3)模拟与实证显示对过离散丰度空间效应推断优于泊松IDM，对近泊松或微欠离散数据仅固定效应后验略保守；(4)负二项IDM可自适应过离散但需估r且难Pólya-Gamma增广、HMC慢；(5)局限含固定过离散水平（r=1）无法随空间尺度调整，且假设存在与丰度共享潜过程（可用hurdle模型扩展）；(6)未来可推广至更大空间尺度及尝试放宽过离散参数估计。综上，几何过离散假设下的IDM为生态学多源噪声数据联合贝叶斯推断提供了快速、灵活且推断可靠的替代框架。