State-space models (SSMs) are a popular tool for modeling animal abundances. Inference difficulties for simple linear SSMs are well known, particularly in relation to simultaneous estimation of process and observation variances. Several remedies to overcome estimation problems have been studied for relatively simple SSMs, but whether these challenges and proposed remedies apply for nonlinear stage-structured SSMs, an important class of ecological models, is less well understood. Here we identify improvements for inference about nonlinear stage-structured SSMs fit with biased sequential life stage data. Theoretical analyses indicate parameter identifiability requires covariates in the state processes. Simulation studies show that plugging in externally estimated observation variances, as opposed to jointly estimating them with other parameters, reduces bias and standard error of estimates. In contrast to previous results for simple linear SSMs, strong confounding between jointly estimated process and observation variance parameters was not found in the models explored here. However, when observation variance was also estimated in the motivating case study, the resulting process variance estimates were implausibly low (near-zero). As SSMs are used in increasingly complex ways, understanding when inference can be expected to be successful, and what aids it, becomes more important. Our study illustrates (i) the need for relevant process covariates and (ii) the benefits of using externally estimated observation variances for inference about nonlinear stage-structured SSMs.

中文翻译：

---

在给定有偏差的顺序生命阶段数据的情况下改进动物种群动态非线性状态空间模型的推理

状态空间模型 (SSM) 是一种用于模拟动物丰度的流行工具。简单线性 SSM 的推理困难是众所周知的，特别是与过程和观察方差的同时估计有关。已经针对相对简单的 SSM 研究了几种克服估计问题的补救措施，但是这些挑战和提议的补救措施是否适用于非线性阶段结构的 SSM，一类重要的生态模型，尚不清楚。在这里，我们确定了关于非线性阶段结构 SSM 与有偏差的顺序生命阶段数据拟合的推理的改进。理论分析表明参数可识别性需要状态过程中的协变量。模拟研究表明，插入外部估计的观测方差，而不是与其他参数联合估计它们，减少估计的偏差和标准误差。与之前简单线性 SSM 的结果相比，在此处探索的模型中没有发现联合估计过程和观测方差参数之间的强烈混淆。然而，当在激励案例研究中也估计了观察方差时，由此产生的过程方差估计值低得难以置信（接近零）。随着 SSM 的使用方式越来越复杂，了解推理何时可以成功以及什么有助于推理变得更加重要。我们的研究说明了 (i) 对相关过程协变量的需求和 (ii) 使用外部估计的观察方差来推断非线性阶段结构 SSM 的好处。在这里探索的模型中没有发现联合估计过程和观察方差参数之间的强烈混淆。然而，当在激励案例研究中也估计了观察方差时，由此产生的过程方差估计值低得难以置信（接近零）。随着 SSM 的使用方式越来越复杂，了解推理何时可以成功以及什么有助于推理变得更加重要。我们的研究说明了 (i) 对相关过程协变量的需求和 (ii) 使用外部估计的观察方差来推断非线性阶段结构 SSM 的好处。在这里探索的模型中没有发现联合估计过程和观察方差参数之间的强烈混淆。然而，当在激励案例研究中也估计了观察方差时，由此产生的过程方差估计值低得难以置信（接近零）。随着 SSM 的使用方式越来越复杂，了解推理何时可以成功以及什么有助于推理变得更加重要。我们的研究说明了 (i) 对相关过程协变量的需求和 (ii) 使用外部估计的观察方差来推断非线性阶段结构 SSM 的好处。由此产生的过程方差估计值低得令人难以置信（接近零）。随着 SSM 的使用方式越来越复杂，了解推理何时可以成功以及什么有助于推理变得更加重要。我们的研究说明了 (i) 对相关过程协变量的需求和 (ii) 使用外部估计的观察方差来推断非线性阶段结构 SSM 的好处。由此产生的过程方差估计值低得令人难以置信（接近零）。随着 SSM 的使用方式越来越复杂，了解推理何时可以成功以及什么有助于推理变得更加重要。我们的研究说明了 (i) 对相关过程协变量的需求和 (ii) 使用外部估计的观察方差来推断非线性阶段结构 SSM 的好处。