Assessing bias in demographic estimates from joint live and dead encounter models
Notice bibliographique
Résumé
Joint encounter (JE) models estimate demographic rates using live recapture and dead recovery data. The extent to which limited recapture or recovery data can hinder estimation in JE models is not completely understood. Yet limited data are common in ecological research. We designed a series of simulations using Bayesian multistate JE models that spanned a large range of potential recapture probabilities (0.01–0.90) and two reported mortality probabilities (0.10, 0.19). We calculated bias by comparing estimates against known probabilities of survival, fidelity and reported mortality. We explored whether sparse data (i.e., recapture probabilities <0.02) compromised inference about survival by comparing estimates from dead recovery (DR) and JE models using an 18-year data set from a migratory bird, the lesser snow goose ( Anser caerulescens caerulescens ). Our simulations showed that bias in probabilities of survival, fidelity and reported mortality was relatively low across a large range of recapture probabilities, except when recapture and reported mortality probabilities were both lowest. While bias in fidelity probability was similar across all recapture probabilities, the root mean square error declined substantially with increased recapture probabilities for reported mortality probabilities of 0.10 or 0.19, as expected. In our case study, annual survival probabilities for adult female snow geese were similar whether estimated with JE or DR models, but more precise from JE models than those from DR models. Thus, our simulated and empirical data suggest acceptably minimal bias in survival, fidelity or reported mortality probabilities estimated from JE models. Even a small amount of recapture information provided adequate structure for JE models, except when reported mortality probabilities were <0.10. Thus, practitioners with limited recapture data should not be discouraged from use of JE models. We recommend that ecologists incorporate other data types as frequently as analytically possible, since precision of focal parameters is improved, and additional parameters of interest can be estimated.
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 | 0,000 | 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 ».