如何基于R语言Distance包的ds()函数比较两个检测模型的密度估计

实现逻辑 #

针对独立数据集训练的两个ds()模型，我们可以手动提取密度估计值及标准误，构造Welch两样本t检验来比较差异，无需依赖Distance包内置功能。

具体操作步骤 #

1. 提取模型核心结果
   从两个训练好的ds模型对象中，取出密度估计值、标准误和自由度：

   # 假设两个模型分别为model1和model2
   # 提取模型1的密度估计、标准误、自由度
   dens1 <- model1$dht$individuals$D$Estimate
   se1 <- model1$dht$individuals$D$SE
   df1 <- model1$dht$individuals$D$df
   # 提取模型2的对应值
   dens2 <- model2$dht$individuals$D$Estimate
   se2 <- model2$dht$individuals$D$SE
   df2 <- model2$dht$individuals$D$df
   

2. 计算Welch t检验统计量
   采用Welch方法（不要求方差齐性，适用性更广）：

   # 计算方差
   var1 <- se1^2
   var2 <- se2^2
   # 计算Welch自由度
   df_welch <- (var1 + var2)^2 / (var1^2/(df1 - 1) + var2^2/(df2 - 1))
   # 计算t值
   t_stat <- (dens1 - dens2) / sqrt(var1 + var2)
   # 计算双侧p值
   p_value <- 2 * pt(abs(t_stat), df = df_welch, lower.tail = FALSE)
   

3. 结果解读

   • 若p_value < 0.05（常用显著性水平），可认为两个模型的密度估计存在显著差异；
   • 若p_value >= 0.05，则没有足够统计证据支持密度估计存在差异。

关键注意点 #

• 必须确保两个模型的密度估计是同一空间单位（比如均为每平方公里个体数），否则比较无意义；
• Welch t检验的前提是密度估计近似服从正态分布，ds模型的密度估计在样本量充足时通常满足该假设；
• 若样本量极小，正态性假设不成立，可手动实现独立样本Bootstrap检验：对每个数据集重复抽样训练模型，生成密度估计的分布，再通过分布重叠程度或百分位数法判断差异显著性。

内容的提问来源于stack exchange，提问作者Blake Baum