Prior choice and data requirements of Bayesian multivariate mixed effects models fit to tag-recovery data: the need for power analyses
Notice bibliographique
Résumé
1. Recent empirical studies have quantified correlation between survival and recovery by estimating these parameters as correlated random effects with Bayesian multivariate mixed effects models fit to tag-recovery data. In these applications, increasingly negative correlation between survival and recovery indicates increasingly additive harvest mortality. The power of mixed effects models to detect non-zero correlations has rarely been evaluated and these few studies have not focused on a common data type in the form of tag recoveries. 2. We assessed the power of multivariate mixed effects models to estimate negative correlation between annual survival and recovery. Using three priors for multivariate normal distributions, we fit mixed effects models to a mallard (Anas platyrhychos) tag-recovery dataset and to simulated data with sample sizes corresponding to different levels of monitoring intensity. We also demonstrate a method of calculating effective sample size for capture-recapture data. 3) Different priors lead to different inference about additive harvest when we fit our models to the mallard data. Our power analysis of simulated data indicated most prior distribution and sample size combinations resulted in correlation estimates with substantial bias and imprecision. Many correlation estimates spanned the available parameter space (–1,1) and were biased towards zero. Only one prior combined with our most intensive monitoring scenario allowed our models to consistently recover negative correlation without bias. Underestimating the magnitude of correlation coincided with overestimating the variability of annual survival, but not annual recovery. 4) The inadequacy of prior distributions and sample size combinations typically assumed adequate for robust inference represents a concern in the application of Bayesian mixed effects models for the purpose of informing harvest management. Our analysis approach provides a means for examining prior influence and sample size on mixed-effects models fit to capture-recapture data while emphasizing transferability of results between empirical and simulation studies.
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 | 0,126 | 0,455 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 ».