《Oecologia》:Offset or not: guidance on accounting for sampling effort when modelling abundance data
编辑推荐:
生态数据常常依赖于采样努力(sampling effort),例如每单位面积测量的计数。这类数据来自生态学和渔业领域的监测项目(例如点计数、相机和陷阱调查、渔业采样),并支撑着丰度指数、物种分布模型以及通常的管理决策。考虑努力差异的常用工具是广义线性模型(GL
生态数据常常依赖于采样努力(sampling effort),例如每单位面积测量的计数。这类数据来自生态学和渔业领域的监测项目(例如点计数、相机和陷阱调查、渔业采样),并支撑着丰度指数、物种分布模型以及通常的管理决策。考虑努力差异的常用工具是广义线性模型(GLM)中的“偏移项(offset term)”,它强制努力与响应之间具有固定的比例关系。然而,关于应用偏移项和转换,或者何时更适合使用努力协变量(effort covariate)的详细指导有限。本文回顾了回归分析中建模采样努力的方法,提供了最佳实践建议,并通过模拟研究了不同情景下替代参数化的性能。当比例关系得到强烈支持时,偏好使用对数转换努力(log-transformed effort)的偏移项,这能保证比例关系并避免误设定偏差。当可能存在偏离比例关系的情况(可能常见)时,应将努力作为对数转换的协变量(log-transformed covariate)纳入,理想情况下使用约束平滑器(constrained smoother),以允许估计非线性或饱和关系。偏移项和协变量之间的选择还取决于建模目标:偏移项支持标准化,而协变量能够推断努力效应。在delta或hurdle模型(delta or hurdle models)中,努力协变量很有用,因为偏移项在模型的不同组成部分有不同的解释。其他考虑因素包括多个努力变量、共线性(collinearity)、内生性(endogeneity)(当努力响应丰度时)以及多物种模型中的物种特异性响应。研究人员不应常规地建模努力,而应探索努力-响应关系(比例关系,或者在连接尺度或原始尺度上的线性关系,或非线性关系),借鉴先验知识、实践经验、数据探索和统计检验。
生态数据中采样努力(sampling effort,如调查时长或面积)对丰度计数的影响显著,正确处理这一变量是建模的关键。当前,广义线性模型(GLM,一种统计模型)中常用偏移项(offset term)强制努力与响应成比例,但关于何时采用偏移项或协变量(covariate)缺乏系统性指导,且存在模型误设风险。已有研究多将偏移项与协变量视为等效替代,但忽略了比例关系假设、共线性(collinearity,变量间相关)及非线性的影响。为此,研究人员基于模拟研究,评估了不同模型结构在多种努力-丰度关系(无、比例、阈值)下的性能,旨在提供最佳实践建议。论文发表在《Oecologia》。
研究人员通过模拟生成负二项分布(dispersion parameter=3)的计数数据,共1200个观测,设置三个预测变量:采样努力(连续)、站点(三水平分类)、温度(连续)。数据场景涵盖8种组合,变化努力-丰度关系(无、比例、阈值)、