Growing the biphasic framework: Techniques and recommendations for fitting emerging growth models
Notice bibliographique
Résumé
Abstract Several new growth models have been proposed to account for the life‐history trade‐offs that occur when indeterminately growing species allocate energy between somatic growth and reproduction. These models can improve the understanding of lifetime growth and life history, but can be more difficult to fit than conventional growth models. Increased data demands, multiple growth phases and increased parameterization all serve as barriers to the adoption and proper use of these new models. We review and comment on confounding issues during model fitting for several of these models, and provide advice on surmounting such issues. We then simulation‐test an example model, the Lester biphasic growth model, using several common fitting approaches. We highlight the biases and precision of each approach and provide guiding documents using r and jags code. The Bayesian Markov chain Monte Carlo and likelihood profiling approaches generally provided the best fits. Simpler approaches can be unbiased and precise if sampled data are of relatively high quality (e.g. moderate sample sizes for juvenile and adult phases) and model assumptions are met. Bayesian hierarchical approaches can accommodate more complicated data scenarios (e.g. unbalanced design across multiple populations); we provide an example of such an approach by recovering growth trajectories and inferring growth‐associated trait variation and environmental effects across multiple populations. Conventional growth models provide limited inference on life history. Many biphasic growth models can provide direct inference on multiple life‐history traits, but can be difficult to fit. The recommended approaches herein provide a path forward for fitting biphasic growth models in a variety of scenarios, allowing for wider application and tests of life history and ecological theory.
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 | 0,002 | 0,001 |
| 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 | 0,002 | 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 ».