Modeling nest-survival data: a comparison of recently developed methods that can be implemented in MARK and SAS

• Autores: Jay J. Rotella, Stephen J. Dinsmore, Terry L. Shaffer
• Localización: Animal Biodiversity and Conservation, ISSN 2014-928X, Vol. 27, Nº. 1, 2004, págs. 187-205
• Idioma: inglés
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Modelización de datos de supervivencia en nidos: estudio comparativo de varios métodos desarrollados recientemente que pueden implementarse en MARK y SAS.� La estimación del éxito de nidificación y la evaluación de los factores potencialmente relacionados con las tasas de supervivencia de los mismos son aspectos clave de numerosos estudios sobre poblaciones de aves. El gran interés por el éxito de nidificación se ha traducido en una rica literatura que detalla varios métodos de estimación de esta tasa vital. En los últimos años, los enfoques de modelización han experimentado un rápido desarrollo. No obstante, pese a estos avances, la mayoría de los investigadores siguen empleando el método ad�hoc de Mayfield (Mayfield, 1961) o, en algunos casos, el estimador de probabilidad máxima de Johnson (1979) y Bart & Robson (1982). Tales métodos permiten el análisis de datos estratificados, pero, en cambio, no permiten modelos más complejos y realistas de la tasa de supervivencia en nidos cuando se incluyen covariantes que cambian según el individuo, la edad del nido, el tiempo, etc., y que pueden ser continuas o categóricas. Actualmente, con la ayuda de Program MARK, así como de Proc GENMOD y Proc NLMIXED de SAS, es posible implementar métodos que permiten a los investigadores evaluar rigurosamente la importancia de varios factores biológicos susceptibles de incidir en las tasas de supervivencia en nidos. Por consiguiente, no está justificada la utilización del estimador de Mayfield sin antes evaluar la necesidad de emplear modelos más complejos para determinar la tasa de supervivencia en nidos. Con objeto de incrementar el empleo de métodos más flexibles, primero describimos la probabilidad empleada para estos modelos, para posteriormente tomar en consideración cuál es el tamaño de muestra eficaz para el cálculo de AICc. Seguidamente, tomamos en consideración las ventajas y desventajas de estos programas por lo que respecta a la facilidad de introducción de datos y de construcción de modelos, la utilidad/flexibilidad de las estimaciones y predicciones generadas, la facilidad de la selección de modelos y la capacidad para estimar los componentes de la varianza. A continuación, analizamos un conjunto de datos de ejemplo utilizando los programas MARK y SAS con objeto de demostrar la implementación de los métodos con varios modelos que contienen nido�, grupo� (o bloque�), y covariantes específicas al tiempo. Por último, comentamos varias mejoras que, si estuvieran disponibles, fomentarían una mejor comprensión general de las tasas de supervivencia en nidos.

  • English

    Modeling nest-survival data: a comparison of recently developed methods that can be implemented in MARK and SAS.¿ Estimating nest success and evaluating factors potentially related to the survival rates of nests are key aspects of many studies of avian populations. A strong interest in nest success has led to a rich literature detailing a variety of estimation methods for this vital rate. In recent years, modeling approaches have undergone especially rapid development. Despite these advances, most researchers still employ Mayfield-s ad-hoc method (Mayfield, 1961) or, in some cases, the maximum¿likelihood estimator of Johnson (1979) and Bart & Robson (1982). Such methods permit analyses of stratified data but do not allow for more complex and realistic models of nest survival rate that include covariates that vary by individual, nest age, time, etc. and that may be continuous or categorical. Methods that allow researchers to rigorously assess the importance of a variety of biological factors that might affect nest survival rates can now be readily implemented in Program MARK and in SAS¿s Proc GENMOD and Proc NLMIXED. Accordingly, use of Mayfield-s estimator without first evaluating the need for more complex models of nest survival rate cannot be justified. With the goal of increasing the use of more flexible methods, we first describe the likelihood used for these models and then consider the question of what the effective sample size is for computation of AICc. Next, we consider the advantages and disadvantages of these different programs in terms of ease of data input and model construction; utility/flexibility of generated estimates and predictions;

    ease of model selection; and ability to estimate variance components. An example data set is then analyzed using both MARK and SAS to demonstrate implementation of the methods with various models that contain nest¿, group¿ (or block¿), and time¿specific covariates. Finally, we discuss improvements that would, if they became available, promote a better general understanding of nest survival rates.