Partial and complete dependency among data sets has minimal consequence on estimates from integrated population models
Notice bibliographique
Résumé
Integrated population models (IPMs) are widely used to combine disparate data sets in joint analysis to better understand population dynamics and provide guidance for conservation activities. An often-cited assumption of IPMs is independence among component data sets within the combined likelihood. Dependency among data sets should lead to underestimation of variance and bias because individuals contribute data to more than one data set. In practice, studied individuals often occur in multiple data sets in IPMs (i.e., overlap), which is one way for the independence assumption to be violated. Such cases have the potential to dissuade practitioners and limit application of IPMs to solve emerging ecological problems. We assessed precision and bias of demographic rates estimated from IPMs using a complete gradient (0-100%) of overlap among data sets, wide ranges in demographic rates (e.g., survival 0.1-0.8) and sample sizes (100-1,200 individuals) and variable data sources. We compared results from our simulations with those from IPMs constructed using empirical data on tree swallows (Tachycineta bicolor) where data sets either had complete overlap or included different individuals. Contrary to previous investigators, we found no substantive bias or uncertainty in any demographic rate from IPMs derived from data sets with complete overlap. While variability in demographic rates was greater at low sample sizes (i.e., low capture, recapture, and survey probabilities), there were negligible differences in the posterior mean or root mean square error of demographic rates among IPMs with strong dependence vs. complete independence among data sets. Our simulations suggest IPMs can be designed using only capture-recapture data or harvest and capture-recovery data where population estimates are obtained from the same data as survival and productivity data. While we encourage researchers to carefully consider the modeling approach best suited for their data sets, our results suggest that dependence among data sets does not generally compromise IPM estimates. Thus, violation of the independence assumption should not dissuade researchers from the application of IPMs in ecological research.
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 | 0,041 | 0,244 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 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 ».