生态学中的模型选择与坡度

在生态学中，模型选择对于确保用于保护和管理决策的模型不会因模型结构的不确定性而过度受损至关重要。然而，生态建模中最广泛使用的模型选择指标，如Akaike信息标准（AIC）或贝叶斯信息标准（BIC），使用了简单的惩罚复杂性的措施，这些措施严重依赖于大样本的渐近结果（Gelman等人，2014）。虽然这些标准复杂性度量很容易实现，但它们没有考虑到生态模型中特别常见的模型参数之间的复杂依赖性。对模型斜率和参数可识别性的分析可以深入了解实际模型选择的关键挑战，即多参数模型复杂性的量化（Browning等人，2020；Transtrum等人，2015）。这两种分析都基于Fisher信息矩阵的谱特性，旨在描述模型输出对参数值变化的敏感性，从而揭示参数的关键组合，并根据其对模型输出的影响进行加权。参数空间中的这些加权组合为多参数模型复杂性的内在度量提供了空间，可用于模型选择、模型简化甚至未来的数据收集工作。在这项工作中，我们证明了模型斜率原理与贝叶斯后验模型概率的拉普拉斯近似之间的联系，该概率在大样本极限下降至BIC（Neath和Cavaneugh，2012）。此链接以前未被识别；然而，这种非渐近形式在所有too-common情况下具有潜在的好处，在这种情况下，很少有噪声观测可用于校准具有许多需要估计参数的复杂模型。为此，当模型具有生态时变数据集的实际样本大小时，我们探索了模型斜率分析与稳健模型选择的信息准则相结合的实用性。通过模拟，我们研究了这些基于常微分方程的生态模型方法的性能，这些方法与生态保护高度相关，可以指导生态系统管理和风险评估。我们重点介绍了几个重要的场景，在这些场景中，考虑模型的倾斜性会更频繁地检测到真实模型中的少量观察值。因此，这项工作为在生态模型景观中使用模型选择度量提供了实用指南，并证明了模型斜率和参数可识别性对生态学的实际应用至关重要。