Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Cải thiện độ chính xác và dễ hiểu trong việc ra quyết định
Tóm tắt
Việc ra quyết định dựa trên rủi ro một cách dễ hiểu và chính xác đòi hỏi một sự cân bằng phức tạp giữa thông tin từ nhiều nguồn khác nhau, phân tích thống kê thích hợp về thông tin này và những suy diễn thông minh và quyết định được đưa ra dựa trên những phân tích này. Điều quan trọng là việc này yêu cầu một sự công nhận rõ ràng về tính không chắc chắn trong các đầu vào và đầu ra của mô hình thống kê. Mục tiêu của bài báo này là tiến hành thảo luận về những vấn đề này trong bối cảnh của một số vấn đề thúc đẩy liên quan đến lĩnh vực sản xuất nông nghiệp rộng lớn hơn. Những vấn đề này bao gồm thiết kế giám sát an toàn sinh học, xâm nhập sâu bệnh, giám sát môi trường và đánh giá rủi ro nhập khẩu. Thông tin cần được tích hợp bao gồm dữ liệu quan sát và thử nghiệm, dữ liệu từ cảm biến từ xa và thông tin từ các chuyên gia. Chúng tôi mô tả những nỗ lực của mình trong việc giải quyết những vấn đề này bằng cách sử dụng các mô hình Bayes và mạng Bayes. Những phương pháp này cung cấp một khung hợp lý và minh bạch cho việc mô hình hóa các hệ thống phức tạp, kết hợp các nguồn thông tin khác nhau, và cho phép tính không chắc chắn trong các đầu vào và đầu ra. Trong khi lý thuyết cơ sở của mô hình hóa Bayes có một lịch sử lâu dài và được thiết lập tốt, việc áp dụng của nó chỉ bây giờ mới trở nên khả thi hơn cho các vấn đề phức tạp, nhờ vào sự gia tăng sẵn có của các công cụ phương pháp và tính toán. Tất nhiên, vẫn còn nhiều rào cản và hạn chế, mà chúng tôi cũng đề cập đến thông qua việc chia sẻ những nỗ lực và kinh nghiệm của mình.
Từ khóa
#ra quyết định #mô hình Bayes #không chắc chắn #sản xuất nông nghiệp #bảo mật sinh họcTài liệu tham khảo
Alston C, Steven A, Farthing B, Mengersen K (2010) Summarising and monitoring key characteristics of chlorophyll levels derived from satellite images. (submitted)
Barrett S, Whittle P, Mengersen K, Stoklosa R (2009) Biosecurity threats: the design of surveillance systems, based on power and risk. Environ Ecol Stat 17:503–519. doi:10.1007/s10651-009-0113-4
Berger JO (2003) Could Fisher, Jeffreys and Neyman have agreed on testing? Stat Sci 18(1):1–32
Bernardo J, Smith A (2000) Bayesian theory. Wiley series in probability and statistics. Wiley, New York
Burgman M, Mittinty M, Whittle P, Mengersen K (2010) Comparing biosecurity risk assessment systems. ACERA project 0709. Australian Centre for Excellence in Risk Analysis, Melbourne
Congdon P (2006) Bayesian statistical modelling, 2nd edn. Wiley, Chichester. doi:10.1002/9780470035948
Donald M, Mengersen K, Tose S, Sidhu J, Cook C (2011) Incorporating parameter uncertainty into quantitative microbial risk assessment (QMRA). J Water Health 9:10–26
Ellison AM (2004) Bayesian inference in ecology. Ecol Lett 7(6):509–520. doi:10.1111/j.1461-0248.2004.00603.x
Falk M, Alston C, Pettitt A, McGrory C, Walsh C, Mengersen K (2010) Recent Bayesian approaches for spatial inference with application to environmental modeling. Biometrics (Accepted November 2009)
FAO-IPPC (2002) International standard for phytosanitary measures no. 14, The use of integrated measures in a systems approach for pest risk management. FAO-International Plant Protection Convention, Rome
Field SA, Tyre AJ, Jonzén N, Rhodes JR, Possingham HP (2004) Minimizing the cost of environmental management decisions by optimizing statistical thresholds. Ecol Lett 7(8):669–675. doi:10.1111/j.1461-0248.2004.00625.x
Jarrad F, Barrett S, Murray J, Stoklosa R, Whittle P, Mengersen K (2011a) Ecological aspects of biosecurity surveillance design for the detection of multiple invasive animal species. Biol Invasions 13:803–881. doi:10.1007/s10530-010-9870-0
Jarrad FC, Barrett S, Murray J, Parkes J, Stoklosa R, Mengersen K, Whittle P (2011b) Improved design method for biosecurity surveillance and early detection of nonindigenous rats. NZ J Ecol 35(2):1–13. http://www.nzes.org.nz/nzje/new_issues/NZJEcol_JarradIP.pdf
Johnson S, Hamilton G, Fielding F, Mengersen K (2010) An integrated Bayesian Network approach to Lyngbya majuscule bloom initiation. Marine Environ Res 69:27–37
Low Choy S, O’Leary R, Mengersen K (2009) Elicitation by design in ecology: using expert opinion to inform priors for Bayesian statistical models. Ecology 90(1):265–277
Low Choy S, Murray J, James A, Mengersen K (2010) Indirect elicitation from ecological experts: from methods and software to habitat modelling and rock-wallabies. In: O’Hagan A, West M (eds) The Oxford handbook of applied Bayesian analysis. Oxford University Press, Oxford, pp 511–544
Marcot BG, Steventon JD, Sutherland GD, McCann RK (2006) Guidelines for developing and updating Bayesian belief networks applied to ecological modeling and conservation. Can J For Res 36:3063–3074
Stanaway M, Mengersen K, Reeves R (2010) Hierarchical Bayesian modelling of early detection surveillance for plant pest invasions. Environ Ecol Stat doi:10.1007/s10651-010-0152-x
Strickland CM, Simpson DP, Turner IW, Denham R, Mengersen KL (2011) Fast Bayesian analysis of spatial dynamic factor models for multitemporal remotely sensed imagery. J R Stat Soc Ser C Appl Stat 60:109–124. doi:10.1111/j.1467-9876.2010.00739.x
Vose D (2008) Risk analysis: a quantitative guide. 3rd edn. Wiley, New York
Whittle P, Quinlan M, Mumford J, Mengersen K (2010) Beyond compliance: integrated systems approach for pest risk management in SE Asia. Summary of a meeting funded by Project Preparation Grant (PPG) 328 from the WTO Standards and Trade Development Facility (STDF)