Joint Count Transformation Models with Covariate-dependent Correlations

Sintesi Tecnica: Modelli di Trasformazione di Conteggio Congiunto con Correlazioni Dipendenti dalle Covariate

Problematica
I Modelli di Distribuzione delle Specie Congiunti (JSDM) sono fondamentali per comprendere come le covariate ecologiche modellino le comunità di specie e per distinguere le risposte ambientali condivise dalle vere interazioni biotiche. Tuttavia, gli approcci esistenti affrontano due limitazioni primarie:

1. Assunzioni Parametriche Rigide: La maggior parte dei JSDM si basa su Modelli Lineari Generalizzati Misti Multivariati (MGLMM) o Modelli Latenti Generali Lineari (GLLVM) che assumono distribuzioni parametriche specifiche (ad es., Poisson o Binomiale Negativa) per i dati di conteggio. Queste assunzioni spesso non riescono a catturare caratteristiche complesse come la sovradispersione, la sottodispersione e l'alta frequenza di conteggi zero senza trasformazioni arbitrarie (ad es., $\log(y+1)$) che assumono erroneamente densità continue per dati discreti.
2. Strutture di Correlazione Statica: Gli attuali metodi tipicamente modellano le associazioni interspecifiche come correlazioni residue statiche. Essi mancano della capacità di modellare come tali associazioni cambino dinamicamente in risposta alle covariate ambientali (ad es., stagionalità), un fenomeno osservato nella letteratura ecologica dove i modelli di competizione o di correlazione cambiano con le condizioni ambientali. Inoltre, molti metodi basati su copula dipendono da procedure di stima in due fasi (stima delle marginali prima dei parametri della copula), il che porta a errori standard errati, o sono limitati a dati continui.

Metodologia
Gli autori introducono i Modelli di Trasformazione di Conteggio Congiunto (JCTM), un nuovo framework che combina modelli marginali indipendenti dalla distribuzione con una copula gaussiana latente dipendente dalle covariate.

• Modelli Marginali: Invece di assumere una distribuzione parametrica, i JCTM impiegano modelli di trasformazione di conteggio (Siegfried e Hothorn, 2020). Questi modelli stimano una funzione di trasformazione monotona $h_j(y_j)$ direttamente dai dati utilizzando polinomi di Bernstein. Ciò consente al modello di accomodare caratteristiche distributive complesse (asimmetria, inflazione di zeri) senza assunzioni distributive pre-specificate. Il framework si estende ai modelli di trasformazione di posizione-scala (Siegfried et al., 2023), dove sia la posizione (shift) che la scala dei conteggi trasformati dipendono dalle covariate tramite predittori lineari.
• Copula Dipendente dalle Covariate: La distribuzione congiunta è costruita utilizzando una copula gaussiana latente $\Phi_{0, \Sigma(\mathbf{x})}$. La matrice di correlazione $\Sigma(\mathbf{x})$ non è statica; essa varia in funzione delle covariate $\mathbf{x}$. Per garantire che $\Sigma(\mathbf{x})$ rimanga una matrice di correlazione valida durante la stima, gli autori la parametrizzano utilizzando un fattore di Cholesky inverso scalato $\Lambda(\mathbf{x})$, dove gli elementi fuori diagonale sono modellati come predittori lineari delle covariate.
• Interpretazione: Le correlazioni sulla scala trasformata latente possono essere convertite in correlazione di rango di Spearman ($\rho$) o $\tau$ di Kendall, fornendo misure di associazione interpretabili sulla scala dei conteggi osservati.
• Inferenza: Tutti i parametri (trasformazione marginale, shift, scala e parametri della copula) sono stimati simultaneamente tramite stima di massima verosimiglianza congiunta (MLE). La verosimiglianza è derivata dalla log-verosimiglianza esatta dei dati censiti a intervalli, utilizzando l'algoritmo di Genz per l'integrazione normale multivariata. Questa stima congiunta assicura errori standard asintoticamente corretti, evitando le criticità delle procedure in due fasi.

Contributi Chiave

1. Marginali Indipendenti dalla Distribuzione: Il framework elimina la necessità di rigide assunzioni parametriche (ad es., Poisson) per i dati di conteggio, offrendo un approccio semi-parametrico flessibile che gestisce naturalmente sovra e sottodispersione e l'inflazione di zeri.
2. Associazioni Interspecifiche Dinamiche: I JCTM sono il primo framework JSDM a modellare esplicitamente le correlazioni dipendenti dalle covariate per i dati di conteggio, permettendo alle associazioni interspecifiche di variare attraverso i gradienti ambientali (ad es., tempo/stagione).
3. Stima Congiunta: Il metodo fornisce un framework MLE unificato che stima marginali e dipendenze simultaneamente, garantendo un'inferenza statistica valida ed evitando il bias della stima in due fasi.
4. Fattibilità Computazionale: Gli autori dimostrano che la MLE congiunta è computazionalmente fattibile per comunità fino a 10 specie, implementata nel pacchetto R tram.

Risultati
Il framework è stato applicato a dati di conteggio giornalieri di tre specie di uccelli piscivori (Corvo grandocorno, Morabino dal becco grosso e Morabino comune) presso il Lago Seehamer See per 14 anni.

• Performance Marginale: Il modello ha catturato con successo complessi pattern di abbondanza stagionale, inclusi periodi di elevati conteggi zero in estate per il Morabino comune e spostamenti stagionali nella varianza per le altre specie.
  o Dinamiche di Correlazione: Il modello ha rivelato forti correlazioni variabili stagionalmente. Ha identificato forti correlazioni positive tra tutte e tre le specie durante i mesi invernali e periodi di moderata correlazione negativa in mesi specifici (ad es., tra il Morabino dal becco grosso e il Corvo grandocorno in giugno).
• Confronto con HMSC: I risultati sono stati confrontati con il framework HMSC (Hierarchical Modeling of Species Communities), un approccio bayesiano allo stato dell'arte.
  • Accuratezza: Le curve di correlazione del JCTM corrispondono strettamente alle traiettorie empiriche e ai risultati di HMSC.
  • Efficienza: Il JCTM è convergente in 10 minuti su un singolo core, mentre il modello HMSC ha richiesto 10 giorni e 5 ore su 4 core.
  • Convergenza: Il modello HMSC ha mostrato un cattivo mixing e diagnostiche di convergenza per i parametri di covarianza (mediana del potenziale fattore di riduzione della scala di 5.53), mentre il JCTM ha fornito stime stabili.
• Simulazione: Uno studio di simulazione ha confermato la coerenza e l'accuratezza dei JCTM per comunità fino a 10 specie, sebbene la complessità computazionale aumenti approssimativamente in modo esponenziale con il numero di specie ($J$).

Significatività e Rivendicazioni
L'articolo sostiene che i JCTM offrano un avanzamento significativo rispetto agli esistenti JSDM fornendo un'alternativa flessibile e indipendente dalla distribuzione che non sacrifica la capacità di modellare relazioni interspecifiche dinamiche.

• Interpretabilità: A differenza degli MGLMM dove gli effetti casuali offuscano le interpretazioni marginali, i JCTM forniscono SDM marginali direttamente interpretabili come sottoprodotto del processo di fitting.
• Robustezza: Evitando forti assunzioni parametriche, i JCTM sono più adatti ai dati ecologici che spesso violano i requisiti distributivi standard (ad es., conteggi sparsi, complessa inflazione di zeri).
• Fattibilità: Gli autori dimostrano che la stima di massima verosimiglianza congiunta per le correlazioni dipendenti dalle covariate è ora fattibile per comunità di piccole-medie dimensioni (fino a 10 specie), offrendo un'alternativa computazionalmente efficiente ai metodi MCMC bayesiani come HMSC.

Gli autori segnalano limitazioni, tra cui la sensibilità delle stime dei parametri all'ordine delle specie nel fattore di Cholesky (che richiede un'analisi di sensibilità) e l'attuale in fattibilità computazionale per comunità molto grandi ($J > 15$) senza riduzione della dimensionalità o approssimazioni in due fasi. Avvertono inoltre che le correlazioni residue nei modelli fenomenologici possono catturare risposte condivise a fattori ambientali non misurati piuttosto che dirette interazioni biotiche.