Varying effort in capture–recapture studies
Notice bibliographique
Résumé
Summary The standard spatial capture–recapture design for sampling animal populations uses a fixed array of detectors, each operated for the same time. However, methods are needed to deal with the unbalanced data that may result from unevenness of effort due to logistical constraints, partial equipment failure or pooling of data for analysis. We describe adjustments for varying effort for three types of data each with a different probability distribution for the number of observations per individual per detector per sampling occasion. A linear adjustment to the expected count is appropriate for P oisson‐distributed counts (e.g. faeces per searched quadrat). A linear adjustment on the hazard scale is appropriate for binary ( B ernoulli‐distributed) observations at either traps or binary proximity detectors (e.g. automatic cameras). Data pooled from varying numbers of binary detectors have a binomial distribution; adjustment is achieved by varying the size parameter of the binomial. We compared a hazard‐based adjustment to a more conventional covariate approach in simulations of one temporal and one spatial scenario for varying effort. The hazard‐based approach was the more parsimonious and appeared more resistant to bias and confounding. We analysed a dataset comprising DNA identifications of female grizzly bears U rsus arctos sampled asynchronously with hair snares in B ritish C olumbia in 2007. Adjustment for variation in sampling interval had negligible effect on density estimates, but unmasked an apparent decline in detection probability over the season. Duration‐dependent decay in sample quality is an alternative explanation for the decline that could be included in future models. Allowing for known variation in effort ensures that estimates of detection probability relate to a consistent unit of effort and improves the fit of detection models. Failure to account for varying effort may result in confounding between effort and density variation in time or space. Adjustment for effort allows rigorous analysis of unbalanced data with little extra cost in terms of precision or processing time. We suggest it should become routine in capture–recapture analyses. The methods have been made available in the R package secr.
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 | 0,001 | 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 ».