Bloque 2 Modelos más avanzados
Parte 2 Modelos N-mixture (N-mezclas)
IREC, 14/05/2024
Javier Fernández-López, Valentin Lauret
\[~\] \[~\] \[~\] \[~\] \[~\] \[~\]
Invalid Date
En el menú…
- Día 1:
- Modelos Generalizados Lineales con R: Distribuciones de probabilidad, programación básica, simulaciones y modelos en ecología.
- Intrducción al análisis Bayesiano con NIMBLE: Inferencia Bayesiana, NIMBLE y modelos en ecología
- Día 2:
- Modelos de ocupación: Detectabilidad imperfecta y probabilidad de presencia
- Modelos N-mixture: Detectabilidad imperfecta y abundancia
- Modelos de Captura-Recaptura espaciales (SCR)
- Día 3:
- Caso de estudio con Pepe Jiménez
- Trabajo personal con datos propios
Modelos N-mixture
- Podría decirse que son la versión de los modelos de ocupación para abundancias (conteos repetidos)
- Los conteos son “baratos” en comparación con el marcaje y recaptura
- No requieren de información complementaria como la distancia, etc.
- Tienen algunas controversias: Barker et al. (2017), Kery (2017), Link et al. (2018)
Modelos N-mixture
\[\begin{equation}
N_i \sim Poisson(\lambda_i)
\end{equation}\]
\[\begin{equation}
log(\lambda_i) = \beta_0 + \beta_1X1_i
\end{equation}\]
Modelos N-mixture
\[\begin{equation}
N_i \sim Poisson(\lambda_i)
\end{equation}\]
\[\begin{equation}
log(\lambda_i) = \beta_0 + \beta_1X1_i
\end{equation}\]
\[~\]
\[\begin{equation}
C_{ij}|N_i \sim Binomial(N_i,p_{ij})
\end{equation}\]
\[\begin{equation}
logit(p_{ij}) = \alpha_0 + \alpha_1X2_{ij}
\end{equation}\]
Modelos N-mixture
- La abundancia de un sitio no varía durante el periodo de estudio (población cerrada, no hay muertes, nacimientos ni migración)
- Las distribuciones utilizadas (Poisson y binomial) son las adecuadas
- La abundancia en cada sitio es independiente del resto de sitios
- No hay dobles conteos
- Todos los individuos tienen la misma probabilidad de detección
- No hay heterogeneidad no modelada