Coping with unobservable and mis-classified states in capture-recapture studies

• Autores: William L. Kendall
• Localización: Animal Biodiversity and Conservation, ISSN 2014-928X, Vol. 27, Nº. 1, 2004, págs. 97-107
• Idioma: inglés
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Cómo abordar los estados inobservables y clasificados incorrectamente en los estudios de captura� recaptura.� Los métodos de marcaje�recaptura de estados múltiples brindan un excelente marco conceptual para considerar la estimación en los estudios de animales marcados. Los métodos tradicionales incluyen las dos hipótesis siguientes: (1) cada uno de los estados que ocupa un animal es observable; (2) el estado se asigna correctamente en cada momento. Fallos con cualquiera de estas dos hipótesis pueden traducirse en estimaciones sesgadas de parámetros demográficos. El presente estudio analiza las opciones de diseño y análisis para minimizar o eliminar estos sesgos. Los estados inobservables pueden ajustarse incluyéndolos en el espacio de estados del modelo estadístico, con cero probabilidades de captura, e incorporando el diseño robusto u observando los animales en estado inobservable mediante telemetría, recuperaciones de marcas u observaciones fortuitas. La clasificación errónea puede ajustarse mediante datos auxiliares o incorporando el diseño robusto, con objeto de estimar la probabilidad de detectar el estado que ocupa un animal. Tanto para los estados inobservables como para los clasificados erróneamente, la característica clave del diseño robusto se basa en la hipótesis de que el estado del animal es estático como mínimo en dos muestreos.

  • English

    Coping with unobservable and mis�classified states in capture�recapture studies.� Multistate mark� recapture methods provide an excellent conceptual framework for considering estimation in studies of marked animals. Traditional methods include the assumptions that (1) each state an animal occupies is observable, and (2) state is assigned correctly at each point in time. Failure of either of these assumptions can lead to biased estimates of demographic parameters. I review design and analysis options for minimizing or eliminating these biases. Unobservable states can be adjusted for by including them in the state space of the statistical model, with zero capture probability, and incorporating the robust design, or observing animals in the unobservable state through telemetry, tag recoveries, or incidental observations. Mis�classification can be adjusted for by auxiliary data or incorporating the robust design, in order to estimate the probability of detecting the state an animal occupies. For both unobservable and mis�classified states, the key feature of the robust design is the assumption that the state of the animal is static for at least two sampling occasions.