Simulation-based inference for close-kin mark-recapture: implications for small populations and nonrandom mating
Notice bibliographique
Résumé
Close-kin mark-recapture (CKMR) uses data on the frequency of kin pair relationships (e.g. parent-offspring, half siblings) in genetic samples from animal populations to estimate parameters such as abundance and adult survival probability. To date, most applications of CKMR have relied on a pseudo-likelihood approximation where pairwise comparisons of relatedness are assumed to be independent. This approximation works well when abundance is high and the sampled fraction of the population is low (as with many marine fisheries), but resultant estimators have inflated nominal confidence interval coverage when applied to small populations. Small populations and nonrandom mating structures also lead to problems with using second-order kin for estimation because one cannot typically differentiate half-siblings from other kin pair types like aunt-niece. In this paper, I assess the utility of approximate Bayesian computation (ABC) as a way of relaxing the pseudo-likelihood independence assumption. Under this approach, one only needs the ability to simulate population and sampling dynamics and to summarize resulting statistics in an informative way (e.g., number of kin pairs of different types). After exploring bias and interval coverage in several simulation studies, I illustrate these procedures on CKMR data from a Canadian caribou population. I show that ABC substantially improves interval coverage, and allows inference for difficult biologies where it would be difficult to calculate the analytical probabilities necessary for a binomial pseudo-likelihood. Simulation-based approaches to inference have great potential for expanding the application of CKMR to small populations and for breeding dynamics that are difficult to model.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».