Hidden Markov models (HMMs) that include individual-level random effects have recently been promoted for inferring animal movement behaviour from biotelemetry data. These "mixed HMMs" come at significant cost in terms of implementation and computation, and discrete random effects have been advocated as a practical alternative to more computationally-intensive continuous random effects. However, the performance of mixed HMMs has not yet been sufficiently explored to justify their widespread adoption, and there is currently little guidance for practitioners weighing the costs and benefits of mixed HMMs for a particular research objective. We performed an extensive simulation study comparing the performance of a suite of fixed and random effect models for individual heterogeneity in the hidden state process of a 2-state HMM. We focused on sampling scenarios more typical of telemetry studies, which often consist of relatively long time series (30-250 observations per animal) for relatively few individuals (5-100 animals). We generally found mixed HMMs did not improve state assignment relative to standard HMMs. Reliable estimation of random effects required larger sample sizes than are often feasible in telemetry studies. Continuous random effect models performed reasonably well with data generated under discrete random effects, but not vice versa. Random effects accounting for unexplained individual variation can improve estimation of state transition probabilities and measurable covariate effects, but discrete random effects are a relatively poor (and potentially misleading) approximation for continuous variation. When weighing the costs and benefits of mixed HMMs, three important considerations are study objectives, sample size, and model complexity. HMM applications often focus on state assignment with little emphasis on heterogeneity in state transition probabilities, in which case random effects in the hidden state process simply may not be worth the additional effort. However, if explaining variation in state transition probabilities is a primary objective and sufficient explanatory covariates are not available, then random effects are worth pursuing as a more parsimonious alternative to individual fixed effects. To help put our findings in context and illustrate some potential challenges that practitioners may encounter when applying mixed HMMs, we revisit a previous analysis of long-finned pilot whale biotelemetry data.

中文翻译：

---

值得努力？隐马尔可夫模型中用于动物遥测数据的随机效应的实践检验

最近已经提出了包括个体水平随机效应的隐马尔可夫模型（HMM），用于根据生物遥测数据推断动物的运动行为。这些“混合的HMM”在实现和计算方面付出了巨大的代价，并且已经提倡使用离散随机效应作为计算量更大的连续随机效应的实用替代方案。但是，尚未充分探索混合HMM的性能以证明其被广泛采用的合理性，并且目前对于从业人员权衡混合HMM的成本和收益以实现特定研究目标的指导很少。我们进行了广泛的仿真研究，比较了在两态HMM的隐藏状态过程中针对个体异质性的一组固定和随机效应模型的性能。我们专注于遥测研究中更典型的采样场景，该场景通常由相对较长的时间序列（每只动物30-250次观察）组成，只针对相对少数的个体（5-100只动物）。通常，我们发现相对于标准HMM，混合HMM不能改善状态分配。可靠地估计随机效应需要比遥测研究中通常可行的样本量更大的样本量。连续随机效应模型在离散随机效应下生成的数据表现良好，但反之则不然。考虑到无法解释的个体变异的随机效应可以改善状态转移概率和可测量的协变量效应的估计，但是离散随机效应对于连续变异而言相对较差（可能会产生误导）。在权衡混合HMM的成本和收益时，研究目标，样本量和模型复杂度是三个重要的考虑因素。HMM应用程序通常将重点放在状态分配上，而很少强调状态转换概率中的异构性，在这种情况下，隐藏状态过程中的随机效应可能根本不值得付出额外的努力。但是，如果解释状态转换概率的变化是主要目标，并且没有足够的解释协变量，那么随机效应应作为个体固定效应的更简约替代品来追求。为了帮助将我们的发现结合起来，并说明从业人员在应用混合HMM时可能会遇到的一些潜在挑战，我们将重新研究以前对长鳍鲸鱼生物遥测数据的分析。和模型的复杂性。HMM应用程序通常将重点放在状态分配上，而很少强调状态转换概率中的异构性，在这种情况下，隐藏状态过程中的随机效应可能根本不值得付出额外的努力。但是，如果解释状态转换概率的变化是主要目标，并且没有足够的解释协变量，那么随机效应应作为个体固定效应的更简约替代品来追求。为了帮助将我们的发现结合起来，并说明从业人员在应用混合HMM时可能会遇到的一些潜在挑战，我们将重新研究以前对长鳍鲸鱼生物遥测数据的分析。和模型的复杂性。HMM应用程序通常将重点放在状态分配上，而很少强调状态转换概率中的异构性，在这种情况下，隐藏状态过程中的随机效应可能根本不值得付出额外的努力。但是，如果解释状态转换概率的变化是主要目标，并且没有足够的解释协变量，那么随机效应应作为个体固定效应的更简约替代品来追求。为了帮助将我们的发现结合起来，并说明从业人员在应用混合HMM时可能会遇到的一些潜在挑战，我们将重新研究以前对长鳍鲸鱼生物遥测数据的分析。在这种情况下，隐藏状态过程中的随机效应可能根本不值得付出额外的努力。但是，如果解释状态转换概率的变化是主要目标，并且没有足够的解释协变量，那么随机效应应作为个体固定效应的更简约替代品而值得追求。为了帮助将我们的发现结合起来，并说明从业人员在应用混合HMM时可能会遇到的一些潜在挑战，我们将重新研究以前对长鳍鲸鱼生物遥测数据的分析。在这种情况下，隐藏状态过程中的随机效应可能根本不值得付出额外的努力。但是，如果解释状态转换概率的变化是主要目标，并且没有足够的解释协变量，那么随机效应应作为个体固定效应的更简约替代品来追求。为了帮助将我们的发现结合起来，并说明从业人员在应用混合HMM时可能会遇到的一些潜在挑战，我们将重新研究以前对长鳍鲸鱼生物遥测数据的分析。那么随机效应作为个体固定效应的一种更简约的替代方法值得追求。为了帮助将我们的发现结合起来，并说明从业人员在应用混合HMM时可能会遇到的一些潜在挑战，我们将重新研究以前对长鳍鲸鱼生物遥测数据的分析。那么随机效应作为个体固定效应的一种更简约的替代方法值得追求。为了帮助将我们的发现结合起来，并说明从业人员在应用混合HMM时可能会遇到的一些潜在挑战，我们将重新研究以前对长鳍鲸鱼生物遥测数据的分析。