基于主体模型为动物社交网络分析抽样设计提供依据：提升研究精度与可靠性

《Behavioral Ecology and Sociobiology》：Using an agent-based model to inform sampling design for animal social network analysis

在动物社交网络分析（SNA）中，数据收集时的抽样策略影响结论准确性。研究人员运用基于主体模型（ABM），探究抽样覆盖、频率和持续时间对网络指标精度的影响。结果显示不同指标受各抽样维度影响不同，该研究为优化抽样策略提供了指导。

　　在动物行为研究领域，社交网络分析（SNA）是探索动物群体社交关系结构、动态及功能的有力工具。然而，收集构建网络所需的充足数据却困难重重。一方面，全面观察群体中的众多个体成本高昂，在自由放养种群中更是难以实现；另一方面，空间覆盖不足、抽样位置有偏、抽样持续时间和强度不够，以及抽样偏差等问题，都会导致网络表示不完整、不准确或有偏差，影响研究结论的可靠性 。但此前研究在如何克服抽样限制方面缺乏有效指导，因此，探索合理的抽样策略迫在眉睫。

为了解决这些问题，来自都柏林大学学院、苏黎世大学等机构的研究人员展开了深入研究。他们运用基于主体模型（ABM）的方法，研究成果发表于《Behavioral Ecology and Sociobiology》。该研究聚焦于通过动物遥测收集实证数据时的权衡问题，重点关注沿抽样工作的三个轴（抽样覆盖、抽样频率和抽样持续时间）移动时社交网络指标估计的准确性。

研究人员在研究中用到了多种关键技术方法。首先是基于主体模型的构建，按照 “概述、设计概念和细节”（ODD）标准，在 R 软件中设计了自定义 ABM。模型将动物表示为具有决策能力和与环境互动能力的主体，模拟了包含资源分布的二维网格环境，设定了动物的初始状态、能量水平和社交偏好 。其次是数据收集，在设定好模型参数后，进行 4380 个时间点的模拟，每个时间点跨度为两小时，模拟动物一年的运动轨迹，收集不同抽样覆盖、频率和持续时间下的数据。最后是数据分析，从收集的数据中获取 64 个网络结构，分析三个全局网络指标（边缘密度、 assortativity 和传递性）和三个个体层面网络指标（度、强度和中介中心性），通过计算绝对相对误差和皮尔逊相关系数来评估网络指标的准确性。

研究结果主要包括以下几个方面：

1. 全局网络指标误差：边缘密度误差受抽样持续时间和频率影响最大，受抽样覆盖影响最小，在抽样持续时间和频率最高时误差最低；assortativity 误差整体较小，受抽样覆盖影响相对明显，较低的抽样覆盖会使误差略有升高；传递性误差受抽样频率影响显著，其次是抽样持续时间，受抽样覆盖影响较小，当抽样频率降至 1.5 次 / 天（fixes per day）时，误差大幅上升。
2. 节点级网络指标的相关系数：度受抽样持续时间影响最大，当抽样持续时间缩短至 91 天，即使全覆盖和高频率，相关系数也会降至 0.4 以下；强度受抽样覆盖影响显著，其次是抽样持续时间，高覆盖和长持续时间对捕捉强度相关性至关重要；中介中心性受抽样覆盖影响最小，但受三个抽样轴综合影响大，当抽样持续时间小于 274 天、频率低于 12 次 / 天、覆盖小于 50% 时，相关系数会降至 0.7 以下。
3. 抽样轴之间的权衡：对于边缘密度和传递性，在样本数量固定时，增加抽样持续时间、降低抽样频率通常能获得更好的结果；对于度，在样本数量固定时，优先考虑抽样持续时间比抽样频率能获得更好的相关性，但对于强度和中介中心性，没有明显趋势，且在低抽样覆盖下，较高的抽样覆盖对提高相关性很重要。
4. 随机抽样与分组抽样：对于全局网络指标，随机抽样和分组抽样的误差差异大多不明显，但边缘密度和传递性分组抽样误差更低，assortativity 随机抽样误差更低；对于个体层面网络指标，度在随机抽样下相关性更好，强度在低覆盖时分组抽样相关性更好，中介中心性在低抽样覆盖时，随机抽样在高频率和长持续时间下相关性更好。

研究结论和讨论部分指出，ABM 为研究提供了灵活的环境，能有效捕捉个体和环境异质性，模拟复杂社会现象和网络特征，验证关于抽样制度的假设。研究发现不同抽样轴对不同网络指标影响各异，为优化抽样策略提供了依据。例如，高抽样覆盖对计算依赖于整个网络的指标（如 assortativity 和中介中心性）很重要；高抽样持续时间和频率对局部网络指标（如边缘密度、传递性、强度和度）的准确性至关重要。同时，研究也指出了 ABM 存在的局限性，如模型中主体行为和模拟环境不够真实，社会偏好静态、资源再生和消耗模型简单等，但这些可通过进一步细化和添加复杂元素来改进。

总的来说，该研究强调了根据研究问题和网络指标精心设计抽样策略的重要性，为动物社交网络分析提供了实用的指导，有助于更准确地理解动物行为和网络动态，推动了该领域研究方法的发展 。