Incorporar la estructura de edad
El problema
En primer lugar, el significado de "edad" en los modelos de CJS puede ser confuso. Fundamentalmente, la interpretación de la edad puede depender de (entre otras cosas)
¿Cuál es la identificación de campo en cuanto a la edad (es decir, la edad cronológica específica frente a las clases de edad)?
¿Cómo se recopilan los datos y por lo tanto si los grupos de edad pueden ser identificados?
Un segundo y un tanto tema relacionado es el momento de la transición de una edad a la próxima, y cómo se relaciona con los intervalos entre períodos de recaptura.
Los estudios de aves paseriformes tipifican estas cuestiones. Por lo general, las aves pueden ser identificados como el año de la eclosión (edad de cero años) o adultos (edad > 0) y, a veces en subadultos (edad segundo año = 1), pero no se puede identificar en campo las edades > 1 año menos que los fueron capturados originalmente como la edad 0, y los animales posteriormente recapturado o reavistaron (por ejemplo, las aves se capturan como pollitos en 2000, recuperada en 2005, sino que se sabe que es de 5 años). Por otro lado, si las aves son capturadas por primera vez como "adultos" (edad> 1) a menudo no hay manera fácil de decir la edad exacta, y las aves en la clase de edad "adulta", en cualquier caso suele ser mezclas de aves de diferentes cohortes de los polluelos.
Ciertos tipos de estructuras de datos pueden proporcionar inferencia de la supervivencia específica de la edad; otros no lo pueden. Por ejemplo, si marcamos y luego los recapturamos o los veremos visualement una cohorte de animales de edad determinada a través del tiempo, nuestras observaciones de sus destinos dependen (además de las tasas de recaptura) en su supervivencia a lo largo de cada año posterior de la vida. Pero que la supervivencia se verá influenciada no sólo por factores de edad, sino también por la variación ambiental. De hecho, en algunos años, los animales de todas las edades presentan mayor (o menor) de supervivencia que en otros años, debido a los efectos ambientales. Con el fin de separar los efectos de edad de los efectos temporales, que normalmente necesitamos observar la superposición de cohortes de animales - así, las detecciones de animales que fueron incubados (nacidos) en diferentes ejercicios anteriores.
Si estamos marcando continuamente animales de nuevas cohortes, y volver a capturarlos en años posteriores, se obtiene este tipo de datos de supervivencia de cohorte. Como acotación al margen, este tipo de información es deficiente en los estudios de recuperación de marcas de animales marcados solamente como jovenes, como veremos más si tenemos en cuenta este tipo de datos más tarde.
Otro - y la manera muy común - que tenemos la información que permita la separación de la edad y los efectos del tiempo, es decir, si tenemos por lo menos algunas capturas y sueltas de ambos 'juveniles' (edad = 0) y "adultos" (edad> 0) animales en cada año. Por lo tanto, para las aves, esto significa que capturamos y marcamos tanto juveniles como adultos cada año. Si sólo capturamos adultos, todavía podemos estimar efectos temporales (pero no por edad), de supervivencia. Si sólo capturamos juveniles, pero lo hacen de la forma solapada anterior, podemos todavía ser capaz de obtener tanto la edad y el tiempo de los efectos.
Dado que el análisis de los animales capturados, tanto como la edad y la edad = 0> 0 permite la separación de la edad y el tiempo de los efectos, tanto en sistemas de recuperación de datos de la etiqueta y la CMR, voy a dar este tipo de datos en particular énfasis, pero tenga en cuenta que la superposición de datos de cohortes con CMR también permite análisis muy robusto (y en cierto modo más simple).
Como se notó anteriormente, el momento de la transición de edad con respecto a la toma de muestras es también un problema en estudios de CMR. A menudo, las ocasiones son espacios de un año de diferencia, y para muchos organismos (como las aves) un año corresponde estrechamente al intervalo en el que el "envejecimiento" se lleva a cabo, por lo que si capturamos las aves de este año a la edad = 0 serán edad = 1 el próximo año, etc. Sin embargo, podemos fácilmente imaginar diferentes escenarios, tales como intervalos de CMR <1 año (recapturas de temporada o más frecuentes), en los que la transición a las edades mayores puede tomar varias ocasiones. Otras situaciones pueden ocurrir, tales ocasiones espacios > 1 año de diferencia, por lo que la transición a edades ocurrirá entre las ocasiones de captura. Este ejemplo se basa en un muestreo anual de un pájaro, el caso más "normal", pero otros casos puede ser manejado por la adecuada interpretación y modelización del tiempo y de los índices de cohortes en los datos de diseño.
Ilustro la estructura de datos CJS por edad y modelos con un ejemplo de verdecillos (un pinzón) anillado en el noreste de España a partir de 1990. Las aves fueron anilladas como segundo-año ("juveniles") y después de su segundo año ("adultos ") y clasificados como machos y hembras (los datos de los polluelos, cuyos sexos no se pueden determinar con certeza, están excluidos). Los datos se analizaron inicialmente en MARK y así tienen que ser convertidos al formato de RMark. Tenga en cuenta que los cuatro grupos de aves se identifican, con base en el sexo y la edad de la primera captura:
> #set a working directory for reading and writing files
> #setwd("c:/mydir")
>
> #data_dir<-"C:/Documents and Settings/conroy/My Documents/Dropbox/teaching/WILD8390/spring2014/CJS")
> data_dir<-"C:/users/mike/Dropbox/teaching/WILD8390/spring2014/CJS"
> setwd(data_dir)
> rm(list=ls())
> #serin data in MARK format
> input.file<-"serin2age.inp"
> #define group labels
> group.df<-data.frame(sex = c("M","M","F","F"),age=c("A","Y","A","Y"))
> #convert to RMark format
> serins<-convert.inp(input.file,group.df=group.df)
> serins.processed=process.data(serins,model="CJS",begin.time=1990,groups=c("sex","age"))
> serins.ddl=make.design.data(serins.processed)
En este punto, tenemos que definir una variable de la edad adecuada para el esquema de diseño y la recopilación de datos. Podemos hacer esto (hay probablemente otras maneras, este funciona) mediante la creación de una variable que comienza como 0 para SY y 1 como ASY basa en la edad de primera captura (initial.age.class, parte de la definición ddl) . A esto se añade "Age", una variable que comienza como 0 en la cohorte de la suelta y se incrementa en 1 por cada año subsiguiente. Puesto que necesitamos sólo para clasificar a los animales como SY o ASY ("Y" o "A"), este cálculo tiene que ser reducida a 0 (SY) o 1 (AHY años o más), y se lleva a cabo por el siguiente:
> #create a age.now variable. This is 0 if SY bird and 1 if ASY at current occasion
> #e.g., if a bird was captured as 0 in 1990 it transitions to 1 in 1991 and stays 1
> # if it is 1 in 1991 it stays 1 (nothing happens)
> #note this is done only for Phi by definition first recapture always occurs as 'adult' so p is not age-specific
> serins.ddl$Phi$age.now<-(((serins.ddl$Phi$initial.age.class=="A")*1+serins.ddl$Phi$Age)>0)*1
The new "age.now" variable is what will be used in subsequent modeling of age effects.
> #parameter formulas. Include age.now as age variable in all the relevant formulas
> Phi.dot=list(formula=~1)
> Phi.sex=list(formula=~sex)
> Phi.age=list(formula=~age.now)
> Phi.Sex.Age=list(formula=~sex*age.now)
> Phi.sex.age=list(formula=~sex+age.now)
> Phi.t=list(formula=~time)
> Phi.sex.t=list(formula=~sex+time)
> Phi.age.t=list(formula=~age.now+time)
> Phi.sex.age.t=list(formula=~age.now+sex+time)
>
> p.dot=list(formula=~1)
> p.sex=list(formula=~sex)
> p.t=list(formula=~time)
> p.sex.t=list(formula=~sex+time)
>
Por último, estas formulaciones de parámetros se ponen juntos en una serie de combinaciones para formar modelos (36 en total), y producir estimados bajo los modelos, y estimados de promedio ponderado para los parámetros reales (véase el guión adjunta).
Este tipo de estructura y análisis de datos permite a algunas preguntas muy generales que deben abordarse, que podrían incluir:
Las pruebas para la edad y sexo de especificidad en la supervivencia
Separación de los efectos edad específica de los tiempo específicos efectos (ambientales)
Modelado de los efectos de las covariables individuales y tiempo específicos
Siguiente - Ejercicios