MétaCan
Menu
Retour à la cohorte
Enregistrement W2141702741 · doi:10.1111/j.1365-2656.2008.01428.x

Using likelihood to test for Lévy flight search patterns and for general power‐law distributions in nature

2008· article· en· W2141702741 sur OpenAlexaff
Andrew M. Edwards

Notice bibliographique

RevueJournal of Animal Ecology · 2008
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueDiffusion and Search Dynamics
Établissements canadiensFisheries and Oceans Canada
Organismes subventionnairesBritish Antarctic SurveyNatural Environment Research Council
Mots-clésLawLévy flightPower lawStatisticsFlight testEconometricsMathematicsStatistical physicsPolitical scienceComputer sciencePhysicsSimulation

Résumé

récupéré en direct d'OpenAlex

1 Ecologists are obtaining ever-increasing amounts of data concerning animal movement. A movement strategy that has been concluded for a broad variety of animals is that of Lévy flights, which are random walks whose step lengths come from probability distributions with heavy power-law tails. 2 The exponent that parameterizes the power-law tail, denoted µ, has repeatedly been found to be within the Lévy range of 1 < µ ≤ 3. Here, we use Monte Carlo simulations to show that the methods used to infer the value of µ are inaccurate. 3 The widely used method of simply logarithmically transforming a standard histogram of movement lengths has been shown elsewhere to be problematic. Here, we further demonstrate how poor it is, and show that it actually biases estimates of µ towards the Lévy range of 1 < µ ≤ 3, and can bias estimates towards the value of µ = 2. Thus, previous reports of animals undergoing Lévy flights, or of µ being close to the reported optimal value of µ = 2, may simply be a consequence of the bias generated by this method. 4 A technique that has been recently recommended is to logarithmically bin the data and then normalize the resulting histogram. We show that this technique also produces biased results, and suffers from similar problems as those just outlined, although to a lesser extent. 5 The proposed solution is to use likelihood. We find that calculating the maximum likelihood estimate of µ gives the most accurate results (having also tested the rank/frequency method). Likelihood has the further advantages of being the easiest method to implement, and of yielding accurate confidence intervals. Results are applicable to power-law distributions in general, and so are not restricted to inference of Lévy flights. 6 We also re-analyse a data set of grey seal movements that was originally reported to demonstrate Lévy flight behaviour. Using Akaike weights, we test four models, and find no evidence for Lévy flights. Overall, our results suggest that Lévy flights might not be as common as previously thought.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,120
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,120
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0010,002
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,325
Écart entre enseignants0,305 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations111
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Animal EcologyMême sujetDiffusion and Search DynamicsTravaux en français237 207