library(spAbundance)Warning: package 'spAbundance' was built under R version 4.3.2Clase 9- Introducción a spAbundance
El paquete spAbundance ajusta modelos univariados (es decir, de una sola especie) y multivariados (es decir, de múltiples especies) de mezcla espacial N, modelos jerárquicos de muestreo de distancia y modelos mixtos generalizados lineales utilizando cadenas de Markov Monte Carlo (MCMC). Los modelos espaciales se ajustan utilizando Procesos Gaussianos de Vecino más Cercano (NNGPs) para facilitar el ajuste del modelo a grandes conjuntos de datos espaciales. spAbundance utiliza una sintaxis análoga a su “paquete hermano” spOccupancy (Doser et al. 2022). A continuación, proporcionamos una introducción muy breve a algunas de las funcionalidades del paquete e ilustramos solo una de las funciones de ajuste del modelo. Para obtener más información, consulta los recursos referenciados al final de esta página y la pestaña “Artículos” en la parte superior de la página.
En esta clase, vamos a explorar el paquete spAbundance y comparar su implementación con los paquetes Distance y Unmarked.
Model1 <- abund(formula = ~ abund.cov.1 + abund.cov.2 + abund.cov.3 +
(1 | abund.factor.1),
data = data.list,
n.batch = n.batch,
batch.length = batch.length,
inits = inits.list,
tuning = tuning,
priors = prior.list,
accept.rate = 0.43,
n.omp.threads = 1,
verbose = TRUE,
n.report = 1,
n.burn = n.burn,
n.thin = n.thin,
n.chains = n.chains) ----------------------------------------
Preparing to run the model
----------------------------------------No prior specified for sigma.sq.mu.ig.
Setting prior shape to 0.1 and prior scale to 0.1sigma.sq.mu is not specified in initial values.
Setting initial values to random values between 0.05 and 1----------------------------------------
Model description
----------------------------------------
Poisson abundance model fit with 225 sites.
Samples per Chain: 125 (5 batches of length 25)
Burn-in: 0
Thinning Rate: 1
Number of Chains: 1
Total Posterior Samples: 125
Source compiled with OpenMP support and model fit using 1 thread(s).
Adaptive Metropolis with target acceptance rate: 43.0
----------------------------------------
Chain 1
----------------------------------------
Sampling ...
Batch: 1 of 5, 20.00%
Parameter Acceptance Tuning
beta[1] 40.0 0.10000
beta[2] 28.0 0.09802
beta[3] 32.0 0.09802
beta[4] 40.0 0.10000
-------------------------------------------------
Batch: 2 of 5, 40.00%
Parameter Acceptance Tuning
beta[1] 8.0 0.09900
beta[2] 16.0 0.09704
beta[3] 44.0 0.09900
beta[4] 24.0 0.09900
-------------------------------------------------
Batch: 3 of 5, 60.00%
Parameter Acceptance Tuning
beta[1] 16.0 0.09802
beta[2] 20.0 0.09608
beta[3] 32.0 0.09802
beta[4] 24.0 0.09802
-------------------------------------------------
Batch: 4 of 5, 80.00%
Parameter Acceptance Tuning
beta[1] 24.0 0.09704
beta[2] 16.0 0.09512
beta[3] 20.0 0.09704
beta[4] 28.0 0.09704
-------------------------------------------------
Batch: 5 of 5, 100.00%summary(Model1)
Call:
abund(formula = ~abund.cov.1 + abund.cov.2 + abund.cov.3 + (1 |
abund.factor.1), data = data.list, inits = inits.list, priors = prior.list,
tuning = tuning, n.batch = n.batch, batch.length = batch.length,
accept.rate = 0.43, n.omp.threads = 1, verbose = TRUE, n.report = 1,
n.burn = n.burn, n.thin = n.thin, n.chains = n.chains)
Samples per Chain: 125
Burn-in: 0
Thinning Rate: 1
Number of Chains: 1
Total Posterior Samples: 125
Run Time (min): 0.0023
Abundance (log scale):
Mean SD 2.5% 50% 97.5% Rhat ESS
(Intercept) 0.5845 0.2745 0.2914 0.4465 1.0748 NA 3
abund.cov.1 -1.1401 0.4094 -1.5384 -1.2679 -0.2137 NA 2
abund.cov.2 0.2462 0.1147 0.1250 0.1991 0.5210 NA 3
abund.cov.3 -0.8142 0.1822 -1.0062 -0.8690 -0.2980 NA 4
Abundance Random Effect Variances (log scale):
Mean SD 2.5% 50% 97.5% Rhat ESS
(Intercept)-abund.factor.1 1.6958 0.5268 0.869 1.6671 2.7789 NA 16