Joint Count Transformation Models with Covariate-dependent Correlations

Résumé technique : Modèles de transformation de comptages joints avec corrélations dépendantes des covariables

Énoncé du problème
Les modèles de distribution des espèces conjointes (JSDM) sont essentiels pour comprendre comment les covariables écologiques façonnent les communautés d'espèces et pour distinguer les réponses environnementales partagées des véritables interactions biotiques. Cependant, les approches existantes font face à deux limitations principales :

1. Hypothèses paramétriques rigides : La plupart des JSDM reposent sur des modèles linéaires mixtes multivariés (MGLMM) ou des modèles de variables latentes généralisées (GLLVM) qui supposent des distributions paramétriques spécifiques (par exemple, Poisson ou Binomiale Négative). Ces hypothèses échouent souvent à capturer des caractéristiques complexes telles que la surdispersion, la sous-dispersion et les fréquences élevées de comptes nuls sans transformations arbitraires (par exemple, $\log(y+1)$) qui supposent incorrectement des densités continues pour des données discrètes.
2. Structures de corrélation statiques : Les méthodes actuelles modélisent généralement les associations interspécifiques comme des corrélations résiduelles statiques. Elles manquent de la capacité de modéliser comment ces associations changent dynamiquement en réponse aux covariables environnementales (par exemple, la saisonnalité), un phénomène observé dans la littérature écologique où les schémas de compétition ou de corrélation varient avec les conditions environnementales. De plus, de nombreuses méthodes basées sur les copules existantes reposent sur des procédures d'estimation en deux étapes (estimation des marginales avant les paramètres de la copule), ce qui conduit à des erreurs types incorrectes, ou sont limitées aux données continues.

Méthodologie
Les auteurs introduisent les Modèles de transformation de comptages joints (JCTM), un nouveau cadre qui combine des modèles marginaux sans distribution avec une copule gaussienne latente dépendante des covariables.

• Modèles marginaux : Au lieu de supposer une distribution paramétrique, les JCTM emploient des modèles de transformation de comptage (Siegfried et Hothorn, 2020). Ces modèles estiment une fonction de transformation monotone $h_j(y_j)$ directement à partir des données en utilisant des polynômes de Bernstein. Cela permet au modèle de s'adapter à des caractéristiques distributionnelles complexes (asymétrie, inflation de zéros) sans hypothèses de distribution pré-spécifiées. Le cadre s'étend aux modèles de transformation de localisation-échelle (Siegfried et al., 2023), où à la fois la localisation (décalage) et l'échelle des comptages transformés dépendent des covariables via des prédicteurs linéaires.
• Copule dépendante des covariables : La distribution jointe est construite à l'aide d'une copule gaussienne latente $\Phi_{0, \Sigma(\mathbf{x})}$. La matrice de corrélation $\Sigma(\mathbf{x})$ n'est pas statique ; elle varie en fonction des covariables $\mathbf{x}$. Pour garantir que $\Sigma(\mathbf{x})$ reste une matrice de corrélation valide pendant l'estimation, les auteurs la paramétrisent à l'aide d'un facteur de Cholesky inverse mis à l'échelle $\Lambda(\mathbf{x})$, où les éléments hors diagonale sont modélisés comme des prédicteurs linéaires des covariables.
• Interprétation : Les corrélations sur l'échelle transformée latente peuvent être converties en corrélation de rang de Spearman ($\rho$) ou en $\tau$ de Kendall, fournissant des mesures d'association interprétables sur l'échelle des comptages observés.
• Inférence : Tous les paramètres (transformation marginale, décalage, échelle et paramètres de la copule) sont estimés simultanément via une estimation par maximum de vraisemblance jointe (MLE). La vraisemblance est dérivée de la log-vraisemblance exacte des données censurées par intervalle, en utilisant l'algorithme de Genz pour l'intégration normale multivariée. Cette estimation jointe garantit des erreurs types asymptotiquement correctes, évitant les pièges des procédures en deux étapes.

Contributions clés

1. Marginales sans distribution : Le cadre élimine le besoin d'hypothèses paramétriques rigides (ex. Poisson) pour les données de comptage, offrant une approche semi-paramétrique flexible qui gère naturellement la sur/sous-dispersion et l'inflation de zéros.
2. Associations interspécifiques dynamiques : Les JCTM sont le premier cadre de JSDM à modéliser explicitement des corrélations dépendantes des covariables pour les données de comptage, permettant aux associations interspécifiques de varier selon les gradients environnementaux (ex. temps/saison).
3. Estimation jointe : La méthode fournit un cadre de MLE unifié qui estime les marginales et les dépendances simultanément, assurant une inférence statistique valide et évitant le biais de l'estimation en deux étapes.
4. Faisabilité computationnelle : Les auteurs démontrent que l'estimation jointe par MLE est mathématiquement faisable pour des communautés allant jusqu'à 10 espèces, implémentée dans le package R tram.

Résultats
Le cadre a été appliqué à des données de comptage quotidien de trois espèces d'oiseaux piscivores (Grand Cormoran, Sarcelle d'hiver et Grand Grèbe) au lac Seehamer See sur 14 ans.

• Performance marginale : Le modèle a réussi à capturer des schémas d'abondance saisonnière complexes, incluant des périodes de forte concentration de zéros en été pour le Grand Grèbe et des changements saisonniers de variance pour les autres espèces.
• Dynamique de corrélation : Le modèle a révélé des corrélations saisonnières fortes et variables. Il a identifié des corrélations positives élevées entre les trois espèces pendant les mois d'hiver et des périodes de corrélation négative modérée à certains mois spécifiques (par exemple, entre le Grand Grèbe et le Grand Cormoran en juin).
• Comparaison avec HMSC : Les résultats ont été comparés au cadre HMSC (Hierarchical Modeling of Species Communities), une approche bayésienne de pointe.
  • Précision : Les courbes de corrélation des JCTM correspondent étroitement aux trajectoires empiriques et aux résultats de l'HMSC.
  • Efficacité : Le JCTM a convergé en 10 minutes sur un seul cœur, tandis que le modèle HMSC a nécessité 10 jours et 5 heures sur 4 cœurs.
  • Convergence : Le modèle HMSC a présenté une mauvaise mixité et des diagnostics de convergence pour les paramètres de covariance (médiane du facteur de réduction d'échelle potentiel de 5,53), alors que le JCTM a fourni des estimations stables.
• Simulation : Une étude de simulation a confirmé la cohérence et l'exactitude des JCTM pour jusqu'à 10 espèces, bien que la complexité computationnelle augmente approximativement de manière exponentielle avec le nombre d'espèces ($J$).

Signification et affirmations
L'article affirme que les JCTM offrent une avancée significative par rapport aux JSDM existants en fournissant une alternative flexible et sans distribution qui ne sacrifie pas la capacité de modéliser des relations interspécifiques dynamiques.

• Interprétabilité : Contra� par rapport aux MGLMM où les effets aléatoires obscurcissent les interprétations marginales, les JCTM fournissent des SDM marginaux directement interprétables comme un sous-produit du processus d'ajustement.
• Robustesse : En évitant les fortes hypothèses paramétriques, les JCTM sont mieux adaptés aux données écologiques qui violent souvent les exigences distributionnelles standards (ex. comptages rares, inflation de zéros complexe).
• Faisabilité : Les auteurs démontrent que l'estimation jointe par maximum de vraisemblance pour les corrélations dépendantes des covariables est désormais réalisable pour de petites à moyennes communautés (jusqu'à 10 espèces), offrant une alternative computationnellement efficace aux méthodes MCMC bayésiennes comme HMSC.

Les auteurs notent des limites, notamment la sensibilité des estimations de paramètres à l'ordre des espèces dans le facteur de Cholesky (nécessitant une analyse de sensibilité) et l'inaccessibilité computationnelle actuelle pour les très grandes communautés ($J > 15$) sans réduction de dimensionnalité ou approximations en deux étapes. Ils précisent également que les corrélations résiduelles dans les modèles phénoménologiques peuvent capturer des réponses partagées à des facteurs environnementaux non mesurés plutôt que des interactions biotiques directes.