Diagnosing model deviations in the N-Mixture models: A case study of Binomial N-Mixture models.

Abstract

Økologer har alltid vært opptatt av å estimere overflod av arter i et spesifisert samfunn. Denne forskningen undersøker effektene av valget av parametere og distribusjon på bruddene i N-Mixture-modellene; på kvasi-variasjonskoeffisienten, godhet av passformtester og finne måter å oppdage disse avvikene. Abundansestimater var forspent når det var tilfeldig dobbelttall og uendret variasjon i deteksjonssannsynlighetene; selv ved grunnlinjen. Valget av parametrene som ble brukt i simuleringsstudier for den umodellerte variasjonen i deteksjonssannsynligheten, hadde en signifikant effekt på kvasi-koeffisienten av variasjon og tiltakene av overdispersjon og ikke på godhet av passformtester. Videre hadde valg av fordelingen for de tilfeldige dobbelttallene en signifikant effekt på tiltakene av overdispersjon og godhet av pasientforsøk, men ingen effekt på den kvasi-variasjonskoeffisienten. Det ble bemerket at Freeman-Tukey chi-firkanten ikke bør inkluderes som godhet av passformtester, selv om de har høyere kraft til å oppdage modellavvik i enkelte modeller. Gitt observerte data, kan kvasi-koeffisienten brukes før modellene bygges for å oppdage umodell variasjon i deteksjonssannsynlighet; og den foreslåtte estimator gamma-hatten kan brukes til å oppdage tilfeldige dobbelttall. I videre arbeid kan disse konseptene utvides til uendret variasjon i overflod. Vi konkluderer med at mye innsats bør legges på å få tilleggsinformasjon som gjengivelser av merkede dyr for å få pålitelige estimater.

Ecologists have always been concerned with estimating the abundance of species in a specified community. This research explores the effects of the choice of parameters and distribution on the violations in the N-Mixture models; on the quasi coefficient of variation, goodness of fit tests and find ways to detect these deviations. Abundance estimates were biased when there were accidental double counts and unmodelled variation in the detection probabilities; even at the baseline. The choice of the parameters used in simulation studies for the unmodelled variation in detection probability had a significant effect on the quasi coefficient of variation and the measures of overdispersion and not on the goodness of fit tests. Moreover, the choice of the distribution for the accidental double counts had a significant effect on the measures of overdispersion and goodness of fit tests but no effect on the quasi coefficient of variation. It was noted that the Freeman-Tukey chi-square should not be included as goodness of fit tests although they have higher power to detect model deviations in some models. Given observed data, the quasi coefficient can be used prior to building the models to detect the unmodelled variation in detection probability; and the proposed estimator gamma hat can be used to detect accidental double counts. In further works, these concepts can be extended to unmodelled variation in abundance. We conclude that much effort should be placed on getting additional information such as recaptures of marked animals to get reliable estimates.