Evaluating multi-season occupancy models with autocorrelation fitted to heterogeneous datasets

技術要約：不均一なデータセットにおける自己相関を伴う多シーズン占有モデルの評価

問題提起
不完全な検出を考慮した占有モデルは、種の分布を予測するための生態学における標準的な手法である。しかし、大規模な博物学データベース（例：市民科学）は、単一訪問のデータ、観測の欠落（空間的ギャップ）、およびサイトあたりの調査努力量の偏った分布といった、高度に不均一な特性を持つことが多い。従来の占有モデルは、パラメータの識別可能性（占有率 $\psi$ と検出確率 $p$ の分離）を確保するために、堅牢なサンプリングデザイン（プライマリ・オケージョン内での反復訪問）を必要とする。近年、厳密な反復の代わりとして、空間的および時間的なランダム効果を用いて自己相関を表現する手法（「分数反復」）が提案されているが、欠損データ、占有サブモデルと検出サブモデル間の共変量の重複、および時空間的な観測のクラスタリングが支配的な実世界のデータセットに適用した場合に、これらのモデルがどのように機能するかは依然として不明である。

方法論
著者らは、空間的および時間的ランダム効果を用いたベイズ多シーズン占有モデル（Doser & Stoudt, 2024に基づく）を用い、3つのシミュレーション研究と実証データ分析を通じて評価を行った。

1. シミュレーション設計:

   • 研究1: Doser & Stoudt (2024) のベースライン設計を再現しつつ、空間的減衰がより強い（空間的減衰が遅い）状況を導入して、空間的減衰パラメータ（$\phi$）の過大評価が占有率の推定に影響を与えるかどうかをテストした。
   • 研究2: 調査数の偏った分布（ゼロ調査を含む）が見られるチョウのデータセットを模倣するため、ベルヌーイ分布による調査設計からポアソン分布による設計へと移行した。この研究では、共変量の重複も導入した：
     • シナリオ 2-1: 緯度（$L_i$）を占有共変量とする。
     • シナリオ 2-2: $L_i$ が占有モデルと検出モデルの両方に完全に重複する場合。
     • シナリオ 2-3: $L_i$ が部分的に重複する場合。
   • 研究3: フェノロジー（季節的なピーク）や観測者の嗜好（高い努力量の空間的「スポット」）をシミュレートするために、時空間的なクラスタリングを導入した。これには、クラスター内およびクラスター外の両方における欠損データ（ギャップ）が含まれる。
   • 評価: 著者らは、14,400個のシミュレーションデータセットを分析することで、パラメータの識別可能性を評価した。指標には、占有率の推定値（$\hat{\psi}_{it}$）のバイアス、平均二乗誤差（MSE）、およびパラメータの組み合わせ（例：$\hat{\phi}$ 対 $\hat{\sigma}^2$）の等高線プロット（局所的な識別可能性や、細長い密度形状を検出するため）が含まれる。モデルの誤設定についても、プロビット・リンクで生成されたデータに対してロジット・リンクを用いて適合させることでテストした。

2. 実証データ分析:

   • モデルは、フランスのヌーヴェル＝アキテーヌ地域における298,389件のチョウの記録（2000年〜2023年）を、1 km²のグリッドセルに集計した不均一なデータセットに適合させた。
   • 2種の焦点種（Polyommatus icarus: ミドリシジミ属の一種、および Lycaena dispar: ダイダイチョウ）を分析した。
   • 分析は、データの密度とギャップ構造の変化による性能をテストするため、「グレーター・ボルドー・エリア」のサブセットと全地域に対して行われた。
   • 事前分布と事後分布の重なり（PPO）を計算し、データが事後分布に情報を与えているのか、あるいは事前分布が支配的なのかを評価した。

主な結果

• 不均一性と重複に対する堅牢性: モデルは、調査数の偏った分布（ポアソン設計）や、占有サブモデルと検出サブモデル間の共変量の重複に対して堅牢性を示した。深刻なデータギャップがないシナリオでは、モデルは共変量が占有と検出に与える影響をうまく区別でき、占有率の推定値は真の値に対してバイアスがなく保たれた。
• 時空間的ギャップの影響: 時空間的ギャップを導入した場合（研究3、シナリオ3-2および3-3）、モデルは顕著なバイアスを示した。サイト占有率（$\hat{\psi}_{it}$）は平均的な占有率へと偏り、その平均自体も過大評価されていた。この「平均への回帰」は、シミュレーション内のデータが豊富な領域においてさえ発生した。
• 識別性の問題:
  • 空間パラメータ: 空間的減衰パラメータ（$\phi$）と空間分散（$\sigma^2$）は、識別性が弱かった。空間的減衰が高く分散が低いシナリオでは、結合事後密度が細長くなった。モデルは頻繁に高い $\phi$ を推定し（これは短い自己相関範囲を意味する）、空間的ランダム効果を構造化されていないノイズとして扱った。
  • 時間パラメータ: 時間的自己相関（$\rho$）と分散（$\sigma^2_T$）は一貫して過小評価され、結果として構造化されていない時間的ランダム効果となった。
  • 結果: これらの識別性の問題により、モデルはデータギャップの影響を補正することができなかった。近隣のデータから強さを借りる（borrow strength）代わりに、モデルは未観測サイトに対してほぼ一定の予測値を生成し、それはバイアスのかかった平均的な占有率を反映していた。
• 実証的知見: 実証分析において、モデルはグレーター・ボルドー・サブセットに対しては妥当な平均占有率の傾向を示したが、全データセットに対しては苦戦した。空間的および時間的自己相関のパラメータ推定値は、事前分布と事後分布の重なりが高く、データが事前分布を更新するのに不十分であることを示した。空間的ランダム効果は、短距離の自己相関（あるいは自己相関なし）を示し、未観測エリアへの予測は平坦であった。

意義および主張
本論文は、空間的および時間的自己相関を伴う多シーズン占有モデルは、不均一なサンプリング努力量や共変量の重複に対しては堅牢であるが、深刻な時空間的ギャップが存在するデータセットに適用される場合には、実用的な識別性の問題に直面することを主張している。

著者らは以下の通り結論付けている：

1. 「分数反復」のアプローチ（自己相関を使用して反復訪問を代替する手法）は、データギャップが最小限であり、サンプリング設計が高度にクラスタリングされていない場合にはうまく機能する。
2. しかし、（機会的なデータセットに共通する）深刻なデータギャップや時空間的なクラスタリングが存在する場合、モデルは分散と自己相関パラメータを正しく推定できない。
3. これらの推定の失敗は予測を汚染し、サイトレベルの占有率を、過大評価されたグローバルな平均へと回帰させる。
4. 著者らはこのモデルが役に立たないと主張しているのではなく、その適用にはデータギャップとパラメータの識別可能性を注意深く評価する必要があると警告している。情報的な事前分布の使用や、代替的なモデル構造（例：INLAによるフルガウス過程）を用いても、彼らの特定の文脈における問題を完全には解決できなかったことを指摘しており、これは、疎で不均一なデータからこれらのパラメータを推定することにおける根本的な限界が存在することを示唆している。