DOI: https://doi.org/10.1007/s10651-025-00643-z
تاريخ النشر: 2025-02-18
المؤلف: Fernando Baltazar‐Larios وآخرون
الموضوع الرئيسي: طرق إحصائية واستدلال بايزي
نظرة عامة
في هذه الورقة، يحقق المؤلفون في التكيفات العشوائية لثلاثة نماذج نمو كلاسيكية—غومبيرتس، فون برتالانفي، ومعادلات لوجستية تفاضلية—من خلال صياغتها كمعادلات تفاضلية عشوائية (SDEs). يستخدمون تقدير الاحتمالية القصوى (MLE) لتقدير المعلمات الأساسية لهذه المعادلات، مستفيدين من MLE لسيناريوهين ومن التباين التربيعي للبيانات لنموذج واحد لتقدير معامل الانتشار. يتم تطبيق معيار معلومات أكايك (AIC) لتحديد النموذج الأنسب لمجموعات البيانات المحاكاة، مع التركيز على معامل الانجراف.
تُحقق المنهجية من خلال تجارب عددية وتُطبق لاحقًا على بيانات العالم الحقيقي، مما يُظهر قابليتها للتطبيق على مجموعات البيانات ذات الملاحظات المتقطعة والنادرة. من الجدير بالذكر أن النهج يظل فعالًا حتى عندما يتوفر ملاحظة واحدة فقط لكل مسار، بشرط أن تكون هناك مسارات كافية. في حالات الملاحظات غير المكتملة، يقترح المؤلفون خوارزمية توقع التعظيم (EM) لتقدير المعلمات، مما يبرز أهميتها في مجالات مثل مصايد الأسماك حيث تكون أنماط البيانات هذه شائعة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على ضرورة استخدام المعادلات التفاضلية العشوائية (SDEs) لنمذجة النمو في البيانات البيولوجية عبر مجالات مختلفة، بما في ذلك علم الأحياء البحرية، والبيئة، وعلم الأورام، وعلم الحفريات. يجادل المؤلفون بأن الأنظمة الواقعية تتأثر بقوى عشوائية خارجية، مما يجعل SDEs خيارًا أكثر ملاءمة للنمذجة مقارنةً بالمعادلات التفاضلية العادية (ODEs). تمتد تطبيقات SDEs عبر عدة تخصصات مثل المالية وديناميات السكان، مما يشير إلى اهتمام واسع في ملاءمة هذه النماذج للبيانات التجريبية.
تضع الورقة ملاءمة المعادلات التفاضلية كمشكلة عكسية كلاسيكية، تم استكشافها سابقًا من قبل العديد من الباحثين. بينما تم دراسة ملاءمة ODE بشكل مكثف، يؤكد المؤلفون على تركيزهم على SDEs، خاصةً تحت فرضية أن هذه المعادلات تحتوي على عدد محدود من المعلمات الحاسمة للتقدير. يتماشى هذا النهج مع الأدبيات الحالية التي تتناول تقدير المعلمات في SDEs، مما يساهم في النقاش المستمر في هذا المجال.
نقاش
في هذا البحث، يتناول المؤلفون تقدير المعلمات للمعادلات التفاضلية العشوائية (SDEs) ذات الصلة بنماذج النمو البيولوجي، وبشكل خاص نماذج غومبيرتس، فون برتالانفي، واللوجستية. يقترحون نهجًا منهجيًا لتقدير المعلمات بناءً على ثلاثة سيناريوهات ملاحظات: ملاحظات كاملة، ملاحظات متقطعة (نادرة)، وقياسات فردية من عدة أفراد. تؤكد الدراسة على قيود الملاحظة المستمرة في التطبيقات العملية وتقترح أن خوارزمية توقع التعظيم (EM) يمكن أن تستعيد المعلمات بفعالية من البيانات غير المكتملة. يتم استخدام معيار معلومات أكايك (AIC) لاختيار أفضل نموذج ملائم من بين المرشحين.
يبرز المؤلفون أهمية منهجيتهم من خلال إظهار قابليتها للتطبيق على البيانات الحقيقية، وخاصة في مصايد الأسماك، ويحققون صحة نهجهم من خلال المحاكاة. يوضحون عملية تقدير الاحتمالية القصوى (MLE) لكل نموذج، مشيرين إلى أن معامل الانجراف، الذي يمثل معدل النمو الجوهري، هو موضع اهتمام خاص. تختتم الورقة بأن طرقهم تنتج مقدرات موثوقة عبر السيناريوهات المختلفة، مما يعزز أهمية اختيار النموذج وتقدير المعلمات في فهم الأنظمة البيولوجية المعقدة.
DOI: https://doi.org/10.1007/s10651-025-00643-z
Publication Date: 2025-02-18
Author(s): Fernando Baltazar‐Larios et al.
Primary Topic: Statistical Methods and Bayesian Inference
Overview
In this paper, the authors investigate stochastic adaptations of three classical growth models—Gompertz, von Bertalanffy, and logistic differential equations—by formulating them as stochastic differential equations (SDEs). They employ maximum likelihood estimation (MLE) to estimate essential parameters of these SDEs, utilizing MLE for two scenarios and the quadratic variation of the data for one model to estimate the diffusion parameter. The Akaike information criterion (AIC) is applied to determine the most suitable model for simulated datasets, with a focus on the drift parameter.
The methodology is validated through numerical experiments and subsequently applied to real-world data, demonstrating its applicability to datasets with discrete and sparse observations. Notably, the approach remains effective even when only a single observation per trajectory is available, provided there are enough trajectories. In cases of incomplete observations, the authors propose an expectation maximization (EM) algorithm to estimate parameters, highlighting its relevance in fields such as fisheries where such data patterns are common.
Introduction
The introduction of this research paper highlights the necessity of employing Stochastic Differential Equations (SDEs) for modeling growth in biological data across various fields, including marine biology, ecology, oncology, and paleontology. The authors argue that real-world systems are influenced by external stochastic forces, making SDEs a more appropriate modeling choice compared to Ordinary Differential Equations (ODEs). The application of SDEs spans multiple disciplines such as finance and population dynamics, indicating a broad interest in fitting these models to empirical data.
The paper positions the fitting of differential equations as a classic inverse problem, previously explored by numerous researchers. While ODE fitting has been extensively studied, the authors emphasize their focus on SDEs, particularly under the assumption that these equations contain a limited number of crucial parameters to estimate. This approach aligns with existing literature that addresses parameter estimation in SDEs, thereby contributing to the ongoing discourse in the field.
Discussion
In this research, the authors address the parameter estimation of stochastic differential equations (SDEs) relevant to biological growth models, specifically the Gompertz, von Bertalanffy, and logistic models. They propose a systematic approach to estimate parameters based on three observational scenarios: complete observations, discrete (sparse) observations, and single measurements from multiple individuals. The study emphasizes the limitations of continuous observation in practical applications and suggests that the expectation maximization (EM) algorithm can effectively recover parameters from incomplete data. The Akaike information criterion (AIC) is employed to select the best-fitting model among the candidates.
The authors highlight the significance of their methodology by demonstrating its applicability to real data, particularly in fisheries, and validate their approach through simulations. They detail the maximum likelihood estimation (MLE) process for each model, noting that the drift parameter, which represents the intrinsic growth rate, is of particular interest. The paper concludes that their methods yield reliable estimators across the different scenarios, reinforcing the importance of model selection and parameter estimation in understanding complex biological systems.