A Method for Detecting Positive Growth Autocorrelation without Marking Individuals
Notice bibliographique
Résumé
In most ecological studies, within-group variation is a nuisance that obscures patterns of interest and reduces statistical power. However, patterns of within-group variability often contain information about ecological processes. In particular, such patterns can be used to detect positive growth autocorrelation (consistent variation in growth rates among individuals in a cohort across time), even in samples of unmarked individuals. Previous methods for detecting autocorrelated growth required data from marked individuals. We propose a method that requires only estimates of within-cohort variance through time, using maximum likelihood methods to obtain point estimates and confidence intervals of the correlation parameter. We test our method on simulated data sets and determine the loss in statistical power due to the inability to identify individuals. We show how to accommodate nonlinear growth trajectories and test the effects of size-dependent mortality on our method's accuracy. The method can detect significant growth autocorrelation at moderate levels of autocorrelation with moderate-sized cohorts (for example, statistical power of 80% to detect growth autocorrelation ρ (2) = 0.5 in a cohort of 100 individuals measured on 16 occasions). We present a case study of growth in the red-eyed tree frog. Better quantification of the processes driving size variation will help ecologists improve predictions of population dynamics. This work will help researchers to detect growth autocorrelation in cases where marking is logistically infeasible or causes unacceptable decreases in the fitness of marked individuals.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».