Evaluating sources of censoring and truncation in telemetry‐based survival data
Notice bibliographique
Résumé
ABSTRACT Bias in vital rate estimation may come from failing to meet a variety of assumptions during the stages of sampling, monitoring, and analysis, though most are not commonly addressed in published studies. Here, we pay specific attention to various forms of censoring and truncation that present challenges for telemetry‐based monitoring of survival. We use simulations to assess how uncertainty about times of death and imperfect detection probabilities affect Kaplan–Meier survival estimates. We then treat monitoring of threatened woodland caribou ( Rangifer tarandus caribou ) in west‐central Alberta as a case study to test for potential effects of non‐random right censoring and interval censoring on survival estimates. We report that monitoring frequency (e.g., daily vs. monthly) and associated uncertainty about the exact time of death do not inherently induce bias on Kaplan–Meier point estimates of survival nor affect estimates of variance. Removing individuals from the at‐risk pool during intervals for which they were not detected did induce a negative bias on resulting survival estimates when the probability of detection was independent of the animals' fates. We recommend using subsequent detections to impute animals' fates during missed intervals in such cases when all animals' fates are eventually known or permanently right censored and when missed detections are not related to changes in mortality risk. Although some assumptions remain difficult to test and of continued concern, we find no evidence of biases in the methodology of Alberta's woodland caribou monitoring program. Our results lend credence to recent evidence of widespread declines in woodland caribou populations across the province. © 2015 The Wildlife Society.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».