Resumen de Density dependence in North American ducks

Lara E. Jamieson, S. P. Brooks

• español

  Dependencia de la densidad en los ánades norteamericanos.� La existencia o ausencia de efectos dependientes de la densidad en una población puede acarrear importantes repercusiones para la gestión de la misma. En este artículo empleamos estimaciones de abundancia obtenidas a partir de recuentos aéreos anuales de las principales áreas de reproducción de diversas especies de ánades norteamericanos, utilizando un modelo de estados espaciales para separar los procesos de observación y los procesos del sistema ecológico. Este enfoque basado en estados espaciales nos permite imponer una estructura que depende de la densidad de la población subyacente real, más que de las estimaciones, además de demostrar la robustez mejorada de este procedimiento para detectar la dependencia de la densidad en la población. Para el ajuste de modelos adoptamos un planteamiento bayesiano, utilizando los métodos de Monte Carlo basados en cadenas de Markov (MCMC), así como un programa MCMC de salto reversible para calcular, por ejemplo, las probabilidades posteriores de los modelos que asignan probabilidades a la presencia de una dependencia de la densidad en la población. También demostramos cómo pueden emplearse estas probabilidades para discriminar entre modelos o para proporcionar predicciones promediadas entre modelos que tengan totalmente en cuenta tanto la incertidumbre referente a parámetros como a modelos.

• English

  Density dependence in North American ducks.� The existence or otherwise of density dependence within a population can have important implications for the management of that population. Here, we use estimates of abundance obtained from annual aerial counts on the major breeding grounds of a variety of North American duck species and use a state space model to separate the observation and ecological system processes. This state space approach allows us to impose a density dependence structure upon the true underlying population rather than on the estimates and we demonstrate the improved robustness of this procedure for detecting density dependence in the population. We adopt a Bayesian approach to model fitting, using Markov chain Monte Carlo (MCMC) methods and use a reversible jump MCMC scheme to calculate posterior model probabilities which assign probabilities to the presence of density dependence within the population, for example. We show how these probabilities can be used either to discriminate between models or to provide model�averaged predictions which fully account for both parameter and model uncertainty.