Biodiversity indicators summarise extensive, complex ecological data sets and are important in influencing government policy. Component data consist of time-varying indices for each of a number of different species. However, current biodiversity indicators suffer from multiple statistical shortcomings. We describe a state-space formulation for new multispecies biodiversity indicators, based on rates of change in the abundance or occupancy probability of the contributing individual species. The formulation is flexible and applicable to different taxa. It possesses several advantages, including the ability to accommodate the sporadic unavailability of data, incorporate variation in the estimation precision of the individual species’ indices when appropriate, and allow the direct incorporation of smoothing over time. Furthermore, model fitting is straightforward in Bayesian and classical implementations, the latter adopting either efficient Hidden Markov modelling or the Kalman filter. Conveniently, the same algorithms can be adopted for cases based on abundance or occupancy data—only the subsequent interpretation differs. The procedure removes the need for bootstrapping which can be prohibitive. We recommend which of two alternatives to use when taxa are fully or partially sampled. The performance of the new approach is demonstrated on simulated data, and through application to three diverse national UK data sets on butterflies, bats and dragonflies. We see that uncritical incorporation of index standard errors should be avoided. Supplementary materials accompanying this paper appear online.

中文翻译：

---

使用间歇数据估计和平滑多物种生物多样性指标的通用方法

生物多样性指标概括了广泛、复杂的生态数据集，对影响政府政策很重要。成分数据由许多不同物种中的每一个的时变指数组成。然而，当前的生物多样性指标存在多种统计缺陷。我们根据贡献的单个物种的丰度或占有概率的变化率，描述了新的多物种生物多样性指标的状态空间公式。配方灵活，适用于不同的分类群。它具有几个优点，包括能够适应数据的零星不可用，在适当的时候结合个别物种指数的估计精度的变化，并允许随着时间的推移直接结合平滑。此外，模型拟合在贝叶斯和经典实现中很简单，后者采用有效的隐马尔可夫建模或卡尔曼滤波器。方便的是，可以对基于丰度或占用数据的案例采用相同的算法——只是随后的解释不同。该过程消除了可能令人望而却步的引导程序的需要。我们建议在对分类群进行完全或部分采样时使用两种替代方法中的哪一种。新方法的性能在模拟数据上得到了证明，并通过应用于三个不同的英国国家蝴蝶、蝙蝠和蜻蜓数据集。我们看到应该避免不加批判地纳入索引标准错误。本文随附的补充材料出现在网上。后者采用有效的隐马尔可夫建模或卡尔曼滤波器。方便的是，可以对基于丰度或占用数据的案例采用相同的算法——只是随后的解释不同。该过程消除了可能令人望而却步的引导程序的需要。我们建议在对分类群进行完全或部分采样时使用两种替代方法中的哪一种。新方法的性能在模拟数据上得到了证明，并通过应用于三个不同的英国国家蝴蝶、蝙蝠和蜻蜓数据集。我们看到应该避免不加批判地纳入索引标准错误。本文随附的补充材料出现在网上。后者采用有效的隐马尔可夫建模或卡尔曼滤波器。方便的是，可以对基于丰度或占用数据的案例采用相同的算法——只是随后的解释不同。该过程消除了可能令人望而却步的引导程序的需要。我们建议在对分类群进行完全或部分采样时使用两种替代方法中的哪一种。新方法的性能在模拟数据上得到了证明，并通过应用于三个不同的英国国家蝴蝶、蝙蝠和蜻蜓数据集。我们看到应该避免不加批判地纳入索引标准错误。本文随附的补充材料出现在网上。对于基于丰度或占用数据的案例，可以采用相同的算法——只是随后的解释不同。该过程消除了可能令人望而却步的引导程序的需要。我们建议在对分类群进行完全或部分采样时使用两种替代方法中的哪一种。新方法的性能在模拟数据上得到了证明，并通过应用于三个不同的英国国家蝴蝶、蝙蝠和蜻蜓数据集。我们看到应该避免不加批判地纳入索引标准错误。本文随附的补充材料出现在网上。对于基于丰度或占用数据的案例，可以采用相同的算法——只是随后的解释不同。该过程消除了可能令人望而却步的引导程序的需要。我们建议在对分类群进行完全或部分采样时使用两种替代方法中的哪一种。新方法的性能在模拟数据上得到了证明，并通过应用于三个不同的英国国家蝴蝶、蝙蝠和蜻蜓数据集。我们看到应该避免不加批判地纳入索引标准错误。本文随附的补充材料出现在网上。新方法的性能在模拟数据上得到了证明，并通过应用于三个不同的英国国家蝴蝶、蝙蝠和蜻蜓数据集。我们看到应该避免不加批判地纳入索引标准错误。本文随附的补充材料出现在网上。新方法的性能在模拟数据上得到了证明，并通过应用于三个不同的英国国家蝴蝶、蝙蝠和蜻蜓数据集。我们看到应该避免不加批判地纳入索引标准错误。本文随附的补充材料出现在网上。