问题描述
我正在根据声学标签检测对河流中的鱼类深度进行建模(这意味着数据并不是完全间隔开的连续时间序列)。我预测深度会根据河流中的空间位置而有所不同,因为不同的区域有不同的可用深度,一天中的时间因为深度对光有反应,一年中的一天出于相同的原因,并且因人而异。那么基本模型是
深度 ~ s(lon,lat) + s(hour) + s(yday) + s(ID,bs="re")
有几百万次检测,所以模型很糟糕,所以
bam(depth ~ s(lon,bs="re")
每个人的深度应该与之前的记录自相关(当然这取决于最近一次注册的时间,但我不太知道如何解释时间上的离散间隔)。
我知道在 bam 中使用 rho 参数作为一种 corAR1 函数,我想这可以解释自相关。我还考虑将滞后(深度,by=ID)作为预测变量,它表现得相当好,但我不确定这种方法的有效性。
我跟踪了几个面包屑,发现可以从没有相关结构的模型中估计出 rho2-
对于每个人,我添加了一个 ARSTART 变量来调用 AR.start = df$ARSTART 来说明个人之间不同的时间序列 - 所以我的模型是
m2<-bam(depth~s(lon,lat)+s(yday)+s(hour,bs="cc")+s(fID,bs="re"),AR.start=df$ARSTART,discrete=T,rho=rho,data=df)
一切顺利,根据 AIC,具有自相关结构的模型拟合得更好(更好),但对效应的后验估计非常不准确(或缩放不当)。与没有结构的模型相比,根据 lon、lat 平滑器的空间效应变得极端(和同质),其中空间平滑器似乎非常有效地捕捉空间方差,表明它们被预测在更深的区域更深在较浅的区域更浅。
如果需要,我可以提供示例代码,但问题是,本质上,与模型相比,自相关结构会如此显着地改变后验估计的值是否有意义,并且时间自相关结构是否吸收了所有与空间效应相关的方差(在具有自相关结构的模型中似乎被否定)?
一些想法 - 我不知道什么是最好的:
- 盲目地遵循 AIC,而没有真正理解为什么后验估计如此奇怪(巨大)或为什么空间效应消失,尽管基于系统的生物学知识显然很重要
- 报告我们对数据拟合了自相关结构,它拟合得很好,但没有改变关系的形状,因此我们展示了没有结构的模型的结果
- 没有自相关结构但具有 s(lagDepth) 变量作为固定效应的模型
- 模型在深度而不是深度上发生变化,这似乎消除了一些自相关。
非常感谢所有帮助 - 非常感谢
解决方法
暂无找到可以解决该程序问题的有效方法,小编努力寻找整理中!
如果你已经找到好的解决方法,欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@)