水鸟物种缺失计数的插补：零膨胀生物多样性监测数据处理方法的比较

1. 物种监测项目经常会遇到数据缺失问题，这使种群规模估计或时间趋势检测等任务更加复杂。因此，选择适合数据特征的插补方法是一项重要的实践挑战，尤其是对于表现出过度离散和零膨胀特征的物种而言。 2. 我们比较了17种插补方法，包括13种基于泊松分布的统计模型（考虑过度离散和零膨胀，并涵盖固定效应、随机效应及多变量结构）以及4种基于对比的方法（LORI、MICE、missForest和对应分析）。我们使用了4套完整的水鸟物种监测数据集，这些数据集来自法国和意大利、历时21年的调查，体现了多种丰度分布特征。随后，我们在符合现实情境的随机缺失（Missing At Random，MAR）机制下，以5%至70%的缺失率引入缺失观测值。我们从计算负担、正计数和零计数的预测准确性、不确定性的量化，以及种群规模估计的准确性等方面，对所有方法进行了评估。 3. 没有任何一种方法能够在所有评价标准上占据优势。统计模型与基于对比的方法能够产生相近的点预测结果，但只有统计模型能够提供真正意义上的不确定性度量。在预测零计数和获得可靠预测区间方面，同时考虑过度离散与零膨胀的模型表现最佳；归根结底，最适用的方法取决于目标物种的丰度分布。 4. 这些结果为生态学家选择不完整计数数据的插补策略提供了实践指导，并突出了预测准确性、计算成本，以及在后续生态学分析（如种群趋势估计）中传递不确定性这一能力之间的权衡。

1. 物种监测项目经常会遇到数据缺失问题，这使得种群规模估计或时间趋势检测等任务更加复杂。因此，选择适合数据特征的插补方法是一项重要的实践挑战，尤其是对于表现出过度离散和零膨胀特征的物种而言。

2. 我们比较了17种插补方法，包括13种基于泊松分布的统计模型（考虑过度离散和零膨胀，并涵盖固定效应、随机效应和多变量结构）以及4种基于对比的方法（LORI、MICE、missForest和对应分析）。我们使用了4套完整的水鸟物种监测数据集，这些数据集来自法国和意大利、历时21年的调查，展示了多种丰度分布特征。随后，我们依据现实的随机缺失（Missing At Random，MAR）机制，以5%至70%的缺失率人为引入缺失观测值。我们从计算负担、正计数和零计数的预测准确性、不确定性的量化，以及种群规模估计的准确性等方面，对所有方法进行了评估。

3. 没有任何单一方法能够在所有评价标准下均占据优势。统计模型与基于对比的方法能够产生相似的点预测结果，但只有统计模型能够提供真正的不确定性度量。在预测零计数和获得可靠预测区间方面，同时考虑过度离散和零膨胀的模型表现最佳；而最终最适用的方法取决于目标物种的丰度分布特征。

4. 这些结果为生态学家选择不完整计数数据的插补策略提供了实践指导，并强调了预测准确性、计算成本以及将不确定性传递至后续生态学分析（如种群趋势估计）能力之间的权衡。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.24.753523v1?rss=1

🏷️ 生物多样性监测 缺失数据插补 零膨胀模型 过度离散 水鸟种群估计