A species that, coming from a source population, appears in a new environment where it was not present before is named alien. Due to the harm it poses to biodiversity and the expenses associated with its control, the phenomenon of alien species invasions is currently under careful examination. Although the presence of a considerable literature on the subject, the formulation of a dedicated statistical model has been deemed essential. The objective is to overcome current computational constraints while also correctly accounting for the dynamics behind the spread of alien species. A first record can be seen as a relational event, where the species (the sender) reaches a region (the receiver) for the first time in a certain year. As a result, whenever an alien species is introduced, the relational event graph adds a time-stamped edge. Besides potentially time-varying exogenous and endogenous covariates, our smooth relational event model (REM) also incorporates time-varying and random effects to explain the invasion rate. Particularly, we aim to track temporal variations in impacts' direction and magnitude of the ecological, socioeconomic, historical, and cultural forces at work. Network structures of particular interest (such as species' co-invasion affinity) are inspected as well. Our inference procedure relies on case-control sampling, yielding the same likelihood as that of a logistic regression. Due to the smooth nature of the incorporated effects, we may fit a generalised additive model where random effects are also estimated as 0-dimensional splines. The consequent computational advantage makes it possible to simultaneously examine many taxonomies. We explore how vascular plants and insects behave together. The goodness of fit of the smooth REM may be evaluated by means of test statistics computed as region-specific sums of martingale-residuals.


翻译:来自源群体并出现在以前不存在的新环境中的物种被称为异种物种。由于其对生物多样性造成的伤害以及其控制所需的费用,异种物种入侵现象目前正在得到仔细研究。尽管已经有相当多的文献资料,但制定专门的统计模型被认为是必要的。目标是克服当前的计算约束,同时正确考虑异种物种传播背后的动态。首次记录可以看作是一种关系事件,物种(发送方)在某个年份第一次到达一个地区(接收方)。因此,每当引入异种物种时,关系事件图会添加一个时间戳的边缘。除了潜在的时变外生和内生协变量外,我们的平滑关系事件模型(REM)还包括时变和随机效应,以解释入侵率。特别是,我们旨在跟踪生态、社会经济、历史和文化力量的方向和数量的时间变化。还检查了特定的网络结构(如物种共同入侵的亲和力)。我们的推断过程依赖于病例对照抽样,产生与逻辑回归相同的似然函数。由于纳入的效应具有平滑性质,因此我们可以拟合一个广义加性模型,其中随机效应也被估计为零维样条。由此带来的计算优势使我们能够同时研究许多分类。我们探索了维管植物和昆虫如何一起行动。平滑REM的适合性可以通过计算马丁格尔残差的区域特定求和来评估。

0
下载
关闭预览

相关内容

不可错过!700+ppt《因果推理》课程!杜克大学Fan Li教程
专知会员服务
69+阅读 · 2022年7月11日
机器学习组合优化
专知会员服务
108+阅读 · 2021年2月16日
专知会员服务
42+阅读 · 2020年12月18日
因果关联学习,Causal Relational Learning
专知会员服务
182+阅读 · 2020年4月21日
自动结构变分推理,Automatic structured variational inference
专知会员服务
38+阅读 · 2020年2月10日
GNN 新基准!Long Range Graph Benchmark
图与推荐
0+阅读 · 2022年10月18日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
灾难性遗忘问题新视角:迁移-干扰平衡
CreateAMind
17+阅读 · 2019年7月6日
深度卷积神经网络中的降采样
极市平台
12+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
VIP会员
相关VIP内容
不可错过!700+ppt《因果推理》课程!杜克大学Fan Li教程
专知会员服务
69+阅读 · 2022年7月11日
机器学习组合优化
专知会员服务
108+阅读 · 2021年2月16日
专知会员服务
42+阅读 · 2020年12月18日
因果关联学习,Causal Relational Learning
专知会员服务
182+阅读 · 2020年4月21日
自动结构变分推理,Automatic structured variational inference
专知会员服务
38+阅读 · 2020年2月10日
相关资讯
GNN 新基准!Long Range Graph Benchmark
图与推荐
0+阅读 · 2022年10月18日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
灾难性遗忘问题新视角:迁移-干扰平衡
CreateAMind
17+阅读 · 2019年7月6日
深度卷积神经网络中的降采样
极市平台
12+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Top
微信扫码咨询专知VIP会员