Model selection with overdispersed distance sampling data
Notice bibliographique
Résumé
Abstract Distance sampling (DS) is a widely used framework for estimating animal abundance.DSmodels assume that observations of distances to animals are independent. Non‐independent observations introduce overdispersion, causing model selection criteria such asAICorAICcto favour overly complex models, with adverse effects on accuracy and precision. We describe, and evaluate via simulation and with real data, estimators of an overdispersion factor ( ), and associated adjusted model selection criteria (QAIC) for use with overdispersedDSdata. In other contexts, a single value of is calculated from the “global” model, that is the most highly parameterised model in the candidate set, and used to calculateQAICfor all models in the set; the resultingQAICvalues, and associated ΔQAICvalues andQAICweights, are comparable across the entire set. Candidate models of theDSdetection function include models with different general forms (e.g. half‐normal, hazard rate, uniform), so it may not be possible to identify a single global model. We therefore propose a two‐step model selection procedure by whichQAICis used to select among models with the same general form, and then a goodness‐of‐fit statistic is used to select among models with different forms. A drawback of this approach is thatQAICvalues are not comparable across all models in the candidate set. Relative toAIC,QAICand the two‐step model selection procedure avoided overfitting and improved the accuracy and precision of densities estimated from simulated data. When applied to six real datasets, adjusted criteria and procedures selected either the same model asAICor a model that yielded a more accurate density estimate in five cases, and a model that yielded a less accurate estimate in one case. ManyDSsurveys yield overdispersed data, including cue counting surveys of songbirds and cetaceans, surveys of social species including primates, and camera‐trapping surveys. Methods that adjust for overdispersion during the model selection stage ofDSanalyses therefore address a conspicuous gap in theDSanalytical framework as applied to species of conservation concern.
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 | 0,026 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».