如何在二项模型中对序列相关性建模？海滩动物采样比例趋势分析求助

解决方案 #

你可以直接在glmmTMB框架内加入一阶自回归（AR1）结构处理时间序列相关性，不需要更换工具包，具体操作步骤如下：

步骤1：数据预处理 #

glmmTMB的AR1随机效应要求时间变量为有序因子，先对year做格式转换：

dat$year_fac <- factor(dat$year, ordered = TRUE)

你的数据每个海滩刚好对应12个完整年度的观测，没有缺失值，完全满足AR1结构对时间点等间隔、无缺失的要求。

步骤2：拟合加入自相关结构的模型 #

在随机效应部分指定每个海滩分组下的AR1自相关结构：

require(glmmTMB)
dat.TMB_ar1 <- glmmTMB(
  cbind(notthisbeach, thisbeach) ~ year * fBeach,
  family = "betabinomial",
  random = ~ ar1(year_fac + 0 | fBeach),
  data = dat
)

步骤3：验证自相关是否消除 #

用DHARMa重新做杜宾-沃森检验，确认序列相关问题已经解决：

require(DHARMa)
simres_ar1 <- simulateResiduals(dat.TMB_ar1, plot = T)
res_ar1 <- recalculateResiduals(simres_ar1, group = dat$year)
testTemporalAutocorrelation(res_ar1, time = unique(dat$year))

如果DW检验p值大于0.05，说明自相关已经被有效控制。

步骤4：提取每个海滩的单独趋势检验结果 #

使用emmeans包提取交互项中每个海滩对应的年份斜率和显著性：

require(emmeans)
# 提取每个海滩的year趋势值
beach_trends <- emtrends(dat.TMB_ar1, ~ fBeach, var = "year")
print(beach_trends)

输出结果中会直接给出每个海滩的趋势估计值、标准误、95%置信区间和对应p值，满足你单独做趋势检验的需求。

备选方案 #

如果glmmTMB的AR1结构无法完全消除自相关，可以改用brms包拟合贝叶斯beta二项模型，支持更灵活的自相关结构指定，参考代码：

require(brms)
dat_brm <- brm(
  cbind(notthisbeach, thisbeach) ~ year * fBeach + ar(year, gr = fBeach),
  family = "beta_binomial2",
  data = dat,
  chains = 4,
  cores = 4
)

内容的提问来源于stack exchange，提问作者Lisa