Program MARK

Link: http://warnercnr.colostate.edu/~gwhite/mark/mark.htm

 

Kommende Workshop Meddelelser:

Program MARK mellemniveau workshop, Fort Collins, CO, maj 31-Juni 5, 2015. Registraion Tilgængelig nu. Flere detaljer her.
Smithsonian-Mason Konservatorskolen Kursus MCC’er 0511: Estimering Animal Overflod og Belægning, Front Royal, Virginia 27. april-8 maj 2015.
MARK LISTSERV:

Program MARK hypertekst-baserede online diskussionsforum, analyse af data fra Markerede Enkeltpersoner, der findes på: http://www.phidot.org/forum/index.php.

Indledning

Program MARK, en Windows Vista eller XP-program, giver parameterestimater fra mærkede dyr, når de igen stødt på et senere tidspunkt. Re-møder kan være fra døde inddrivelser (f.eks dyret høstes), levende genfangede individer (f.eks dyret igen fanget eller re-seende), radio sporing, eller fra en kombination af disse kilder til re-møder. Tidsintervallerne mellem re-møder behøver ikke at være lige, men antages at være 1 tidsenhed hvis ikke angivet. Mere end en tilknyttet gruppe af dyr kan modelleres, f.eks behandling og kontroldyr, og kovariater specifikke for gruppe eller det enkelte dyr kan anvendes. Den grundlæggende input til programmet MARK er mødet historie for hvert dyr. MARK kan også give skøn over befolkningens størrelse for lukkede befolkninger. Capture (p) og re-capture (c) sandsynligheder for lukkede modeller kan modelleres ved attribut grupper, og som en funktion af tiden, men ikke som en funktion af individuelle-specifikke kovariater.

Parametre kan være tvunget til at være den samme på tværs af re-encounteroccasions, eller alder, eller efter gruppe, ved hjælp af parameteren indeks matrix (PIM). Et sæt fælles modeller til screening af data oprindeligt er forsynet med tiden effekter, gruppe effekter, tid * gruppe effekter og en null model for ingen af ​​ovenstående fastsat for hver parameter. Udover logit-funktionen at sammenkæde design matrix til modellens parametre, andre link funktioner omfatter log-log, gratis log-log, sinus, log, og identitet.

Program MARK beregner overslag over modelparametre via numeriske maksimale sandsynlighed teknikker. Det FORTRAN program, der gør denne beregning bestemmer også numerisk antallet af parametre, der er agtværdig i modellen, og rapporterer sin gæt på en parameter, der ikke er agtværdig, hvis en eller flere parametre ikke er agtværdig. Antallet af agtværdige parametre anvendes til at beregne den kvasi-sandsynligheden AIC værdi (QAICc) for modellen.

Udgange til forskellige modeller, som brugeren har bygget (passer) gemmes i en database, kendt som resultatdatabasen. Input data gemmes også i thisdatabase, hvilket gør det en komplet beskrivelse af modellen byggeprocessen. Databasen ses og manipuleres i et Resultater browservindue.

Resuméer rådighed fra Resultater Browser-vinduet inkluderer visning og udskrivning model output (skøn, standardfejl og godhed-of-fit tests), afvigelser restprodukter fra modellen (herunder grafik og peg og klik evne til at se mødet historie ansvarlig for en bestemt resterende), sandsynligheden ratio og analyse af afvigelser (ANODEV) mellem modeller, og justeringer for over spredning. Modeller kan også hentes og modificeres til at skabe yderligere modeller.

Disse funktioner er implementeret i et Microsoft Windows-grænseflade. Kontekstafhængig hjælp skærme fås med Hjælp klik knapper og på F1. Shift-F1 kan også bruges til at undersøge funktionen af ​​et bestemt kontrol eller menupunkt. Hjælp skærme inkluderer hypertekst links til andre hjælp skærme, med den hensigt at give alle de nødvendige program dokumentation online med hjælp System.

Den teori og metoder, der anvendes i Program MARK er beskrevet mere detaljeret i en “elektronisk bog”.

Seksten forskellige parameterizations af støder data providedin Program MARK.

Cormack-Jolly-Seber Model

Levende genfangede individer er grundlaget for standard Cormack-Jolly-Seber. Markerede dyr frigives i befolkningen, ofte ved at fange dem fra befolkningerne. Derefter er markeret dyr stødt ved at fange dem i live og re-frigive dem. Hvis markeret dyr frigives i befolkningen på lejlighed 1, så hver efterfølgende capture lejlighed er én støder lejlighed. Overvej følgende scenario:

Frigivelse —- S (1) —–> Encounter 1 ——- S (2) ——> Encounter 2

Dyr overlever fra første udgivelse til den første re-møde med sandsynlighed S (1), andfrom det første møde lejlighed til den anden støder lejlighed med sandsynlighed S (2). Generobringen sandsynlighed ved støder lejlighed 1 er p (2), og p (3) er den generobringen sandsynligheden ved støde lejlighed 2. Mindst 2 støder lejligheder er forpligtet til at estimere overlevelsesraten mellem den første udgivelse lejlighed og det første møde lejlighed dvs., S (1). Overlevelsesraten mellem de to sidste støder lejligheder er ikke agtværdig fordi kun et produkt af overlevelse og generobringen sandsynlighed til denne lejlighed kan identificeres.

Generelt er overlevelsesrater for CJS modellen mærket som phi (1), phi (2), osv, fordi den anslåede mængde er sandsynligheden for at forblive tilgængelige for genbeskatning. Således dyr, udvandring fra undersøgelsesområdet er ikke tilgængelige forrecapture, så synes at være døde i denne model. Således phi (i) = S (i) (1 – E (i)), hvor E (i) er sandsynligheden for at emigrere fra undersøgelsesområdet.

Lebreton et al. (1992) at udvikle denne model, og brug SURGE (Pradel og Lebreton 1993) at give parameterestimater. MARK giver de samme funktioner som SURGE, plus yderligere typer af modeller. Et andet program for levende genfangede individer er POPAN, som indeholder bestemmelser om vurdering af befolkningens størrelse og rekruttering med Jolly-Sebermodel. Et tredje program er SURPH, som issimilar i sin evne til at mærke for levende genbeskatning og kendte skæbne data. Ingen af ​​de ovennævnte 3 programmer vil håndtere band inddrivelse modeller, fælles levende generobre og døde recovery-modeller, robust design model, eller flere tilstande model.

Bandet Genvinding Godkendelse

Med døde inddrivelser, er markeret dyr frigives i befolkningen, og re-stødt som døde dyr, typisk høstet. Denne teori er blevet udviklet af Brownie et al. (1985). Parametre skønnede overlevelsesraten, S (I), og båndet rapporteringsrate, r (i), således Seber (1970). Den primære model, der anvendes af MARK adskiller sig noget fra parametrering af Brownie et al. (1985), fordi f (i) Brownie et al. er reparameterized som (1 – S (i)) r (i). Den primære parametrering af MARK resulterer i bedre numerisk estimering egenskaber, plus, gør bandet recovery-modeller er forenelige med parametrering af CJS modeller. Især anvendelsen af ​​kovariater med S (i) og r (i) er rimeligt, fordi hver parameter repræsenterer en bestemt proces i den overordnede band gendannelsesprocessen (i modsætning til f (i) parameter i Brownie et al. Model ). Men den sidste S (i) og r (i) er forvirret. Desuden med S (i) og r (i) parametrisering, S (I) er altid udgøre mellem nul og én. Men når estimatet for S (i) er på grænsen, dvs. tæt på eller lig med en, standardfejlen skønnes ikke korrekt. En tilsvarende situation opstår med binomialfordelingen når enten ingen succeser forekommer i data eller alle succeser opstår i dataene, og standardafvigelsen er estimeret som nul. Både S (i), R (I) og S (i), f (i) parmeterizations af bandet gendannelsesmodel indgår i MARK.

Fælles levende og døde møder

Den fælles levende og døde model bygger på teori udviklet byBurnham (1993). Parameteren rum består af overlevelsesrater [S (i)], generobre satser [p (i)], rapportering satser [r (i)], og troskab [F (i)]. En udvidelse udviklet af Barker (1997), der tillader levende aflæsninger i intervallet mellem levende genfangede individer er også tilgængelig. Barkers model udvider evne Burnham model, plus mulighed for mulighed for ingen døde inddrivelser og levende genfangede individer og levende aflæsninger.

Kendt Fate Model

Kendt skæbnen data forudsætter, at der ikke er nogen generende parametre involveret med animalsk fanger eller aflæsninger. Dataene stammer fra radio-sporing undersøgelser, selv om nogle radio-tracking studier undlader at følge alle de markerede dyr, og så ville der ikke opfylder forudsætningerne for denne model. Et diagram, der illustrerer dette scenario er

Frigivelse —– S (1) —-> Encounter 2 —– S (2) —-> Encounter 3 —– S (3) —-> Encounter 4. ..

hvor sandsynligheden for møder hver gang er 1, hvis dyret er levende eller død.

Lukket Optager Modeller

De lukkede opfanger modeller tillader modellering af det oprindelige captureprobability (p), og generobringen sandsynlighed (c) at anslå populationsize (N). Denne datatype er den samme som analyseres med Program CAPTURE (White et al. 1982). Alle sandsynligheden modeller i CAPTURE kan duplikeres i MARK. Men MARK giver yderligere modeller ikke er tilgængelige i CAPTURE, plus comparisonsbetween grupper og inkorporering af tid-specifikke og / eller gruppe-specifikke covariatesinto modellen.

Individuel Covariatescannot bruges med lukkede type fanger data, fordi dyr, der aldrig blev fanget (og dermed, hvis individuelle kovariater aldrig kunne måles) er indarbejdet i thelikelihood som en del af skøn over befolkningens størrelse (N). Modeller, der canincorporate individuelle kovariater eksisterende i litteraturen (Huggins 1989 1991) havebeen implementeret i MARK. Skøn over befolkningens størrelse er givet for de Huggins’models, men disse skøn er ikke helt så effektive som de lukkede opfanger data typewhere de statistiske modeller svarer til dem i Program CAPTURE. , Evnen til at inkorporere individuelle kovariater gør imidlertid Huggins ‘modeller moreappropriate hvis der findes individuelle heterogenitet i dataene. Endvidere synes Huggins modeller til at give mere rimelige skøn over N, når næsten hele befolkningen er blevet fanget. De Huggins modeller giver befolkningen størrelse som en afledt parameter, og MARK tillader disse afledte parametre, der skal anvendes i model gennemsnitsperioder og varianskomponenter analyser.

Desuden har de Pledger (2000) modeller anvendelse af blandinger af p-værdier til at modellere individuel heterogenitet blevet indarbejdet i alle de lukkede capture modeller til rådighed i MARK. Der er således i alt 6 forskellige forskellige datatyper, der kan anvendes til at estimere befolkningens størrelse.

Robust design Modeller

Robust design modeller er en kombination af CJS levende recapturemodel og lukkede capture modeller, og er beskrevet i detaljer af Kendall et al. (1997,1995) og Kendall og Nichols (1995). I stedet for blot 1 capture lejlighed betweensurvival intervaller, flere (> 1) capture gange bruges der er tæt sammen Intime. Betegnes Disse tætsiddende støder lejligheder “sessioner”.

For hver fældefangst session (j), sandsynligheden for første fangst (p (ji)), og sandsynligheden for genbeskatning (c (ji)) anslås (hvor jeg indekserer antallet af fældefangst lejligheder inden sessionen), sammen med antallet af dyr i thepopulation (N (j)). For intervallerne mellem sessioner, er sandsynligheden for overlevelse (S (j)), at sandsynligheden for udvandring fra det undersøgte område eller mere præcist, sandsynligheden for, at dyret ikke være til rådighed for fangst på j’te lejlighed da det var tilgængelig på j-1st lejlighed (gamma ” (j)), og sandsynligheden for opholder sig væk fra det undersøgte område eller sandsynligheden af ​​et dyr ikke er til rådighed forcapture på j’te lejlighed, da det ikke var til rådighed for fangst på j-1stoccasion (gamma «(j)) vurderes. Indeksering af disse parametre følger thenotation af Kendall et al. (1997). Således gamma ” (2) gælder for den anden fældefangst session, og gamma «(2) vurderes ikke, fordi der ikke er nogen markante dyr uden undersøgelsesområdet på det tidspunkt. At give identificerbarhed af parametrene for Markovian udvandring model, Kendall et al. (1997) foreslår at gamma ” (k-1) = gamma ” (k) og gamma (k-1) = gamma “(k), hvor k er antallet af fældefangst sessioner. Til obtainthe “Ingen Emigration” model, indstille alle gamma parametre til nul. For at opnå den “Random Emigration” model, sæt gamma ‘(i) = gamma’ ‘(i).

Individuelle Kovariater kan bruges til at modellere parametrene S, gamma ”, og gamma ‘i Robust design datatype. Individuelle Kovariater kan ikke bruges med Robust design datatype for p s, C’er, og N er det med lukkede capture modeller, som inkluderer N fordi dyr, der aldrig blev fanget (og dermed, hvis individuelle kovarianser aldrig kunne måles) er indarbejdet i sandsynligheden som en del af skøn over befolkningens størrelse (N). Modeller, der kan optage individuelle kovariater eksisterende i litteraturen (Huggins 1989 1991) er implementeret i MARK, og individuelle kovariater kan bruges til at modellere p s og C ‘s. Skøn over befolkningens størrelse er givet for Huggins ‘modeller, men disse skøn er ikke helt så effektive som den lukkede type fanger data, hvor de statistiske modeller for M0, Mt, og Mb svarer til dem i Program CAPTURE. Men evnen til at inkorporere individuelle kovariater gør Huggins ‘modeller mere hensigtsmæssigt, hvis der findes individuelle heterogenitet i dataene. De Pledger (2001) modeller er også tilgængelige til at modellere individuel heterogenitet i capture sandsynligheder.

Multi-state Modeller

Den multi-state model af Brownie et al. (1993) og Hestbeck et al. (1991) tillader, at dyr til at bevæge sig mellem stater med overgangen sandsynligheder. På dette tidspunkt er det kun bevægelsen model uden hukommelse gennemføres. En udvidelse til flere tilstande model til at omfatte døde inddrivelser også gennemført, samt de robuste design multi-strata datatyper.

Yderligere udvidelser multi-state modeller omfatter åbne robust design med flere tilstande model (Kendall og Bjorkland 2001), og multi-state modeller med misklassifikation (Kendall).

Jolly-Seber Modeller

Jolly-Seber modeller (Jolly 1965 Seber 1965, 1982, 1986, 1992;. Pollock et al 1990, Schwarz og Arnason 1996) udvide CJS levende genfangede individer modeller toinclude rekruttering til bestandene. Ud over de åbenlyse overlevelse og genbeskatning sandsynligheder af Cormack-Jolly-Seber model (genfangede individer eneste model), Jolly-Seber model giver mulighed estimering af befolkningen størrelse (N) i starten afde undersøgelsen, plus hastigheden af ​​befolkningen ændring ( lambda) for hvert interval. Også inkluderet i MARK er de 3 modeller udviklet af Pradel (1996) hvor kun rekruttering skønnes, begge rekruttering og tilsyneladende overlevelse estimeret, og tilsyneladende overlevelse og hastigheden af ​​befolkningen ændring skønnes. Den POPAN Modellen fås også i MARK for Jolly-Seber situationen.

Reden Overlevelse Godkendelse

Estimering af reden overlevelse har været et problem af interesse siden Mayfield estimatoren. Reden overlevelse model implementeret i MARK tillader estimering af daglige reden overlevelse som funktion af både tid for sæsonen og alder reden (Dinsmore et al. 2002). Reden overlevelse model er også nyttigt for “laset” radio-tracking datasæt, hvor alle dyr i rekvireret befolkning ikke kontrolleres samtidigt, som det kræves til det kendte skæbne model.

Belægning Modeller

Skøn over andelen af ​​lokaliteter besatte er et fælles problem i økologi. MacKenzie et al. (2002) har formaliseret modellen at indarbejde sandsynligheden for påvisning af en art på et sted. MacKenzie et al. Model, plus en robust design forlængelse, (MacKenzie et al. 2003) er begge blevet implementeret i MARK. Hertil kommer, at single-sæsonen belægningsprocent model af Royle og Nichols (2003), plus nogle udvidelser, er blevet gennemført. Andre belægning modeller omfatter multi-site belægning model (Nichols et al. 2008), og single-sæson og multi-sæson belægning modeller med flere stater og statslige usikkerhed (Nichols et al. 2007 MacKenzie et al. 2009).

Forhøjede Modeller

Estimering af befolkningens størrelse, når mærkerne anvendes kun én gang kan udføres med modellerne i NOREMARK software. Imidlertid har Brett McClintock udviklet likelihood-baserede modeller, der giver forbedringer over NOREMARK modeller, plus med at blive implementeret i MARK, tillader model markering med AICC, model gennemsnitsberegning af estimater for populationen, og varianskomponenter analyse.

Møde Historier

Mødet Historier File er den fil, der indeholder de encounterhistories, dvs, de rå data, der er nødvendige af Program MARK. Format af filen afhænger af den datatype og eksempler er givet i hjælpefilen. Konventionen af ​​Program Mark er, at denne filnavnet skal ende i INP endelsen. Roden del af filnavnet dikterer navnet på den dBASE-fil bruges til at holde modelresultater. For eksempel ville inddatafilen MULEDEER.INP producere en Resultater fil med navnet MULEDEER.DBF og 2 ekstra filer (MULEDEER.FPT og MULEDEER.CDX), der vil indeholde memo felter og indeks orderings hhv. MULEDEER.CDX vil blive slettet ved udrejse fra MARK.

Encounter Histories filer indeholder ikke PROC udsagn, men kun støder historier eller andre specielle formater såsom nyttiggørelse matricer. Du kan have gruppe label udtalelser og kommentar udsagn i input-filen, bare for at hjælpe dig med at huske, hvad filen indeholder. Den interaktive brugerflade tilføjer de nødvendige program erklæringer for at producere parameterestimater med den numeriske algoritme baseret på modellen.

Når støder historier filen er oprettet med en ASCII tekst editor, det næste skridt er at udføre programmet og vælge Filer, Ny. Du kan derefter indtaste antallet af Encounter Begivenheder, antal grupper, og datatype. Efter denne indgang er forudsat, er Parameter Matricer skabt, en for hver parameter og gruppe. Disse matricer standard til Time matricer, som du derefter kan ændre til andre muligheder ved hjælp af menupunkter. Hvis du ikke har brug for yderligere begrænsninger, som kan angives via Design Matrix, vælg derefter Kør menupunkt for at producere de numeriske beregninger. Vinduet Kør har yderligere anmodninger om input, herunder Run Titel, Modelnavn, tidsintervaller og Encounter Historier Filnavn. Når du klikker på OK-knappen for at køre beregne de numeriske beregninger, skal du vente på, processen for at fuldføre, før du fortsætter. På det tidspunkt vil en Resultater database skal oprettes (hvis du beder om det), og output er gemt i databasen for sammenligning med andre modeller, som du kan give.

Input-filen for eksempel data fra amerikanske Fiskeri Monograph No. 5 (Burnham et al. 1987) er tilvejebragt som AFSMONGR.INP. Dette Cormack-Jolly-Seber datasættet har 5 re-støder lejligheder, 2 grupper, og er levende generobre data. Angiv disse værdier, når du starter programmet fra Filer | Nye menuvalg. I filnavnet dialogvinduet, vælg AFSMONGR.INP fil som Encounter Historier Input fil. Alternativt resultater database for dette eksempel også følger med programmet i eksempler undermappe. Brug Filer | Åbne menuvalg til at åbne denne fil, og gennemgå de modelresultater forudsat.

Dokumentation

Dokumentation Intet papir er tilgængelig for MARK. Elektronisk dokumentation findes i Windows Hjælp-fil, der følger med programmet og tilgængelig her som HTML-filer. Åbne Hjælp-dokument med programmet, og læse nogle af dokumentationen, eller tjek HTML-versionen. Du kan udskrive noget af dette materiale, hvis du virkelig ønsker papirudgave.

En rimeligt komplet beskrivelse af Program MARK blev udviklet til EURING 97 konferencen, tilgængelig som en PDF-fil. Jeg betragter dette papir som den primære citation for Program MARK:

White, G. C. og K. P. Burnham. 1999. Program MARK: Overlevelse estimering fra populationer af mærkede dyr. Bird Study 46 Supplement, 120-138.

En elektronisk bog, Program MARK A Gentle Introduktion, er ved at blive udviklet af Evan Cooch ved Cornell University. For fuldstændig novice, er dette stedet at begynde at lære at køre MARK. Denne vejledning er et arbejde i gang, så er ikke komplet, og heller ikke nogensinde vil blive, så længe MARK continutes skal udvikles.

Noter vedrørende teori og brug af MARK fra graduate kursus undervist på Colorado State University: FW663, Analyse af Vertebrate populationer, er tilgængelige. Dette er det samme materiale, som “Teknisk baggrund” fra Evan websted henvises til i det foregående afsnit.

Et sæt af dias, der illustrerer begreberne MARK er til rådighed for visning. Disse slides giver et generelt overblik, og dele af dem er brugt i slide samtaler, der er anført nedenfor.

En en-dags workshop om Program MARK blev givet på den anden internationale Wildlife Management kongres i Gdll, Ungarn, den 2. juli, 1999. Følgende er slide foredrag:

bullet Introduktion til Program MARK – Gary C. White
bullet Udforskning økologiske forhold i overlevelse og estimere priser for Befolkning Change Brug Program MARK – Alan B. Franklin
bullet Robust Design for Capture-generobre Studies: Analyse ved hjælp af Program MARK – William L. Kendall
bullet Fælles Analyse levende og døde Encounters hjælp MARK – Richard J. Barker
bullet avancerede funktioner i Program MARK – Gary C. White
Derudover blev følgende papirer offentliggjort af denne workshop.

bullet Første trin med Program MARK: Lineære Modeller – Evan Cooch
bullet Udforskning økologiske forhold i overlevelse og estimere priser for Befolkning Change Brug Program MARK – Alan B. Franklin
bullet Robust Design for Capture-generobre Studies: Analyse ved hjælp af Program MARK – William L. Kendall
bullet Fælles Analyse levende og døde Encounters hjælp MARK – Richard J. Barker og Gary C. White
bullet avancerede funktioner i Program MARK – Gary C. Hvid, Kenneth P. Burnham, og David R. Anderson
Et af problemerne med at få software fra nettet, er, at papirkopi dokumentation ikke er tilgængelig, dette er tilfældet for Program MARK. Følgende websted indeholder oplysninger om, hvordan at citere elektroniske dokumenter: MLA-Style citater.

Downloader MARK

Standard Version af MARK genereres ved hjælp af visuelle objekter 2.8

Kopier enkelt filen setup.exe til harddisken, og udføre den for at installere MARK. Denne opsætning fil skal placere et mærke ikon på skrivebordet, registrere de nødvendige DLL filer, og sætte de distribuerede med programmet i et eksempler undermappe under MARK biblioteket eksempler. Hvis du har en nyere downloades installeret, kan du opdatere netop de kritiske filer ved at installere dem fra update.zip.

Windows XP Setup Problemer

Nogle folk har problemer henter MARK på Windows XP-operativsystemer. Problemet vedrører programmet setup.exe, der ønsker at oprette en fil med titlen TGETUP9 når XP allerede har en. Her er det arbejde rundt fra Jon Runge:

1. Gennem Window Explorer gå til Værktøjer: Folder Options: View. Check “Vis skjulte filer og mappen” boksen og fjern markeringen i “Skjul beskyttede operativsystemfiler filer” boksen.

2. Gå til mappen C: \ WINDOWS: \ TEMP. Omdøb TGSETUP9.TMP til noget som TGSETUP ~ 9.TMP.

3. Kør Setup.exe varemærke.

4. Når du er færdig, skal du gå tilbage og gendanne TGSETP9 oprindelige navn.

Mac og Linux-maskiner

Hvis du vil køre MARK på en Mac (fra Evan Cooch):

Udstyr Prøvet: Macintosh PowerBook G3 (Lombard) 333 MHz med 192 MB RAM (bemærk, at Mac-ur hastighed numre er IKKE det samme som Windows / Intel clockspeeds, dvs, en 333 MHz Mac er hurtigere end en sammenlignelig Wintel maskine).

Software: Virtual PC-version 3.0.3 med Windows 98. Stand til at bruge MARK under Virtual PC med Windows 98. Også i stand til at bruge Microsoft Access under Virtual PC.

Anbefalinger: Jo mere RAM du har, jo bedre. Indstil din Virtual PC-program hukommelse til så meget ram som du har råd til. Emulator programmet (Virtual PC) faktisk kører Windows ved hjælp af mængden af ​​ram, du afsat til emulatoren. Jeg indstille Virtual PC til at bruge 69MB hukommelse og finde, at dette giver Windows / Dos software til at køre så hurtigt som en rigtig moderne Wintel maskine. Også, jeg har haft de bedste resultater, der kører Mac OS med en forkortet sæt Extensions. Du kan nemt gøre dette ved at oprette et nedsat sæt med Extension Manager (dette er en Kontrolpanel).

Update (2/3/06) fra Martin Renner:

Testet udstyr: 800 Mhz G4 Dual Processor, Mac OX 10.3.9, Virtual PC 6 kører Windows 98 og MARK-version 4.10.

Mens ikke virkelig hurtig, denne konfiguration er perfekt brugbar. Allokering mere RAM hjælper.

Ved udarbejdelsen .inp filer på Macintosh det synes at være vigtigt at konvertere end-of-line karakter fra mac <CR> eller unix <LF> til DOS / Windows <CR / LF>. Dette kan nemt gøres i BBEdit, en række gratis værktøjer, eller ved at åbne og gemme filen i WordPad.
Hvis du vil køre MARK på en Linux-maskine (fra Len Thomas):

Software: VMWare – en BIOS emulator til både Linux og WinNT, der effektivt kan du køre en eller flere “virtuelle computere” inde i dit nuværende operativsystem. Så, for eksempel, kan du åbne en Win95 vindue fra din linux box, og alt inden for dette vindue tænker dens i Windows 95. Selvfølgelig du behøver en Win95 licens til denne, men mindst det bliver omkring problemet om at ville køre linux for de fleste ting, men at have nogle arv softwarein vinduer.

Mange mennesker bruger VMWare, fordi de gør de fleste ting i linux (Splus, C ++, F90), men så nogle mennesker ønsker eller nødt til at bruge MS Office for deres tekstbehandling, f.eks. Jeg bruger det den anden vej rundt: Jeg gør de fleste ting i WinNT (Visual Basic, osv), men har brug for at være i stand til at teste mine programmer i “vanilla” Windows NT, 98, 95, 2000-systemer, så jeg kan køre disse inde min vigtigste maskine.

Kommunikation mellem virtuelle computere er via virtuelle netværk.

På dette tidspunkt MARK aldrig er blevet testet under VMWare i linux, men MSOffice fungerer, så MARK forventes at fungere.

 

Seneste ændringer

Ældre ændringer gemmes her. Seneste ændringer omfatter følgende:

Februar 2011

190. Det robuste design med flere tilstande datatype med åbne primære sessioner og mis-klassificering af stater arbejder nu korrekt. Flere oplysninger findes i hjælpefilen.

191. data kloning er implementeret som en indstilling i Resultater Browser under Output | Specifikke model Output menuvalg. Kloning data er nyttige til bestemmelse estimability parametre. Output fra analysen præsenteres i et Excel spreadsheeet.

April 2011

192. En model navn vises nu i overskriften af ​​designet matrix billedtekst, sammen med et menuvalg (inkluderet i højreklik-knappen lokalmenuen) for brugeren at ændre modelnavnet.

August 2011

193. En fejl i de robuste design Pradel modeller, der omfattede N blev fastsat. Den første c parameter i den sidste primære session var at få sat til en log link i stedet for den værdi, der er angivet for PIM (dvs. blev den første c parameter behandles som et N parameter, der får linket log som standard). Denne fejl kun dukkede op i modeller, der indgår N i sandsynligheden, ikke de Huggins parameterizations, der ikke omfatter N.

194. En option fra Resultater Browser | Menuen Filer blev tilføjet for at erstatte den støder historier filen og kør alle de eksisterende modeller. Hvis du udskifter inputdata med et andet datasæt, er du nødt til at køres igen alle de modeller, fordi chaning data betyder, at ingen af ​​de resultater i Resultater Browser er nu korrekte.

195. En mulighed for at se den støder historier filen i editoren blev givet under Resultater Browser | Output menuvalg. Bemærk, at input data summarisk fremgangsmåde er også tilgængelig i den samme menu.

196. odds-ratio estimatoren for lambda til multi-sæson belægning modeller (mærket lambda ‘på side 200 i MacKenzie et al. Belægning bog) blev tilsat som en afledt parameter for parameterizations af multi-sæsonen belægning modeller.

197. Den numeriske output fra tilfældige effekter model, der er placeret i Resultater browseren, når en AICC værdi beregnes er nu gemt i området for Resultater Browser Model Notes.

198. De data, bootstrap estimator blev modificeret til at løse 2 spørgsmål. Først støder historier filer med aggregerede frekvens tæller nu deaggregeres så de enkelte støder historier udtages, selv om at angive en kovariat at klynge Mødet historier stadig virker korrekt. For det andet er antallet af støder historier i de oprindelige data for hver gruppe anvendes til at bestemme antallet af bootstrap prøver at omfatte, i stedet for antallet af klynger var hvad der tidligere blev gjort. For det tredje, specifikation af vekselstrøm (over-dispersion) parameteren> 1 i simuleringen indtastningsvinduet betyder, at denne værdi vil blive anvendt i løbet af resampling. Som et eksempel en værdi på c = 1,5 betyder, at ca. 1/2 af mødet historier i stikprøven får en frekvens optælling af 1, og den anden 1/2 en værdi på 2. Det samlede antal støder historier vil forblive omtrent det samme som de oprindelige data for hver gruppe.

199. psiB (belægningsprocent arternes B) og psiAB (fælles brugsret begge arter) parametre blev tilføjet som afledte parametre for 2-arter betingede belægningsprocent model af Richmond, OMW, JE Hines, og SR Beissinger. 2010. To arter belægning modeller: en ny parametrisering anvendt til at co-forekomst af hemmelighedsfulde skinner. Økologiske Applikationer 20: 2036-2046.

Oktober 2011

200. En fejl i de robuste design belægning modeller med heterogenitet (blandinger til p) blev fastsat i alle tre parameterizations.

Februar 2012

201. Simulatorer blev sat til CJS Pleder, CJS tilfældige effekter, single-sæson multipel tilstand belægning og multiple-season flere statslige belægning datatyper.

202. En option blev tilføjet til menuen Hjælp valg til at liste ud alle de typer til rådighed i MARK data.

203. Kode blev sat til at kontrollere den sande model, når der er angivet i simlation modulet at se, om en simulator er faktisk til rådighed for specifiedd datatype. Plus, kan du liste alle de datatyper, der kan simuleres med en option under Simulation menuvalg.

Marts 2012

204. Barker robust design model blev opdateret til en ordentlig definition af de midlertidige udvandring parametre: gamma s blev ændret til en s (tilgængelighed) til korrekt afspejler deres betydning. Også denne datatype nu korrekt håndterer ulige tidsintervaller (L) mellem primære sessioner. S og F er korrigeret som S ^ L og F ^ L og R og R ‘parametre er korrigeret som 1 – (1 – R) ^ L og 1 – (1 – R’) ^ L. A ” og en ‘parametre kan ikke korrigeres for uens tidsintervaller, så skal forblive tid-specifikke. Ingen korrektion er nødvendig for r, fordi uanset hvor længe det tidsinterval, kan et dyr kun dø én gang.

205. Barker-modellen blev opdateret til korrekt håndtere uens tidsintervaller (L). S berigtiges S ^ L og R og R ‘parametre er korrigeret som 1 – (1 – R) ^ L og 1 – (1 – R’) ^ L. F og F ‘parametre kan ikke korrigeres for uens tidsintervaller, så skal forblive tid-specifikke. Ingen korrektion er nødvendig for r, fordi uanset hvor længe det tidsinterval, kan et dyr kun dø én gang.

206. Den regelmæssige robust design model blev opdateret til at ændre virkningen af ​​ulige tidsintervaller (L) mellem primære sessioner. S stadig korrigeres som S ^ L. Men fordi gamma ” og gamma «parametre ikke kan korrigeres for uens tidsintervaller, skal de forblive tid-specifikke til at rumme ulige intervaller. For det tilfælde, hvor tidsintervaller er multipla, f.eks, L = 1 og L = 2, kan en dummy primær session bruges med alle værdier lig med prikker (.). Men du bedre forstå, hvilke parametre forbliver agtværdig, og som vil blive uidentificerbare når du gør dette.

April 2012

207. En fejl med prikker i mødet historien blev fastsat i Huggins robust design datatyper, så estimatet af N er nu korrekt beregnet. Desuden blev de robuste design datatyper med N i i sandsynligheden ændret til ikke tillade prikker i mødet historie, fordi N ikke kan skønnes korrekt i disse datatyper, når prikker er i mødet historier.

208. multi-sæsonen belægningsprocent modeller med gamma (kolonisering) og epsilon (udslettelse) blev opdateret til ikke korrigere for uens tidsintervaller hjælp L som en magt. Denne ændring blev foretaget, fordi den tidligere korrektion ikke virkede korrekt.

Maj 2012 (version 6.2)

209. To versioner af FORTRAN numeriske estimering kode leveres nu med MARK i filen setup.exe, med både nu til med gfortran compiler. Afhængigt af om du kører en 32-bit eller 64-bit version af operativsystemet, enten 32-bit eller 64-bit versionen af ​​mark.exe fil bruges til numerisk beregning. Begge omfatter parallel behandling ved hjælp af flere tråde Du kan angive antallet af tråde der skal bruges til parallel behandling i Filer | Menuen Indstillinger valg. Rapporteres antallet af tråde der anvendes, og den maksimale tilgængelige på toppen af ​​den fulde output tekstfil.

Juli 2012

210. Pledger og Schwarz (2002) blanding model for Seber (1970) band opsving model blev tilføjet, tilgængelig fra “Change Data Type” menuen fra enten Seber eller Brownie døde inddrivelser datatype.

211. Den enkelte heterogenitet tilfældige effekter model for Seber (1970) band opsving model blev tilføjet, tilgængelig fra “Change Data Type” menuen fra enten Seber eller Brownie døde inddrivelser datatype. Selv om både Sigmas og Sigmar er inkluderet i modellen, Sigmar parameter ikke kan identificeres.

Februar 2013 Presto (Piping) Plover Version (Version 7.1)

212. Richmond et al. (2010) 2-arter belægning model blev udvidet til et multi-sæsonen model ved hjælp overgangsmatricen beskrevet i Miller et al. (2012). Den hjælp-filen har titlen “Occupancy Estimation Robust design 2 Arter”.

213. Simmulation kapacitet til enkelt-sæsonen Richmond et al. (2010) 2-arter belægning model blev tilsat.

214. Simmulation kapacitet til multi-sæsonen Richmond et al. (2010) 2-arter belægning model blev tilsat.

215. To bugs med specifikationen af ​​tråde blev fastsat, således at flere tråde nu køre som specificeret.

Marts 2013

216. datatype navne for de lukkede Optager datatyper blev ændret til at være mere informativ. Dette ændrer også navnene på alle robuste design datatyper.

217. De døde inddrivelser datatyper blev konsolideret i en enkelt post på den nye dataanalyse skærm. Disse datatyper var Seber, Brownie et al. og BTO døde inddrivelser.

218. En fejl, der blev tilsyneladende indført i december 2012, om hentning af PIM’er der var fuldt specificerede blev fastsat.

219. Tilføjet den afledte parameter for overlevelse i alle lejligheder til datatypen Lukacs overlevelse af unge med en markant voksen.

April, 2013

220. Produktet af kolonner menuvalg blev modificeret til at bruge design matrix produkt funktion for kolonner, der indeholder enkelte kovariater.

221. Vi har gjort følgende ændring af multistate robuste design (åben og lukket) med state usikkerhed (3 datatyper). Vi har reparameterized blandingen parametre for den første primære periode så PI1 ^ s = w1 ^ s * p1 ^ * s / sum [w1 ^ s * p1 ^ * s] (se Kendall et al. 2012 Ecology). Derfor PI1 ikke længere eksisterer som en parameter i sandsynligheden, og der er nu K-2 parametre i pi PIM’er, hvor K er antallet af primære perioder. Den første parameter er angivet er for primær periode 2, og den sidste pi er for primær periode K-1. Der er en pi estimat kun for den første S – 1 stater, hvor S er antallet af tilstande. Pi for den sidste tilstand opnås ved subtraktion. Vi har lavet denne ændring, fordi det for det fælles sag, hvor en given tilstand er aldrig kendt med sikkerhed, PI1 og dermed overlevelse og overgangssandsynligheder for primær perioden 1. til at staten ikke var agtværdig.

222. Muligheden for at “lasso” blokke i PIM Chart blev forlænget, så når du har lassoed et sæt af blokke, som vist ved at skifte til grøn i stedet for blå, kan du højreklikke og bruge Constant, Time, alder eller Alle forskellige pop-up-menuvalg for at gøre den valgte ændring af lassoed blokke. Bemærk, at for at lasso en blok, behøver du kun at omfatte det nederste venstre hjørne inde i lasso rektangel. Du lasso blokke ved at holde shift-tasten nede og derefter venstre museknap og draging ud den resulterende rektangel at fange blokke.

223. indestængt parameter af datatyper (1) Åbn Robust Design Multi-state, og (2) Åbn Robust Design Multi-state med usikkerhed klassificering, er blevet ændret for at opnå den sidste værdi ved subtraktion, snarere end den første, som var oprindeligt programmeret. Denne ændring gør det lettere at montere lineære og kvadratiske modeller til sandsynligheden for post parameter i disse modeller.

224. Open Robust design Multi-stat med staten Usikkerhed datatype blev udvidet til at skabe en ny type data, der giver mulighed for sæsonudsving. Ideen er, at den egenskab, der tillader bestemmelse af staten ikke kan være identificerbare, så et ekstra sæt parametre, alfa (PIM for hver primær session og hver stat) for at gøre det muligt for attribut for at blive identificeres er blevet tilføjet. Desuden kan attributten gå væk, så endnu et andet sæt parametre, c (igen med et PIM for hver primær lejlighed og tilstand) blev tilføjet for at tillade attributten til at ophøre. Se opdaterede hjælp fil for flere detaljer om disse modeller.

Juli 2013

225. Muligheden for at gemme summariske statistikker fra MCMC proceduren i en fil CSV (komma september arated variabel), der kan læses af Excel blev tilføjet. Hvis filnavnet er indstillet til tom, så ingen CSV-fil vil blive oprettet. Tilføjelsen af ​​denne mulighed til MCMC dialogvinduet tvang en omformatering af vinduet.

August 2013

226. En option blev tilføjet til fil | Preferences dialogvindue til at gøre den første række af den tid, effekt i et design matrix reference rækken, i stedet for den sidste række som tidligere var standard. Denne indstilling påvirker Fuld Design Matrix og Foruddefinerede Modeller, der bygger et design matrix.

227. MCMC produktion omfatter nu 80%, 90% og 95% højeste posterior densitet (HPD) troværdige intervaller (CI) for hver parameter posterior distribution. Desuden er disse værdier også gemmes i CSV-filen.

November, 2013

228. Den multi-skala belægning model (datatype nummer 123) blev ændret til at være lettere at forstå og notationen standardiseret med det oprindelige papir. Jeg har ændret navnet på p PIM’er, at være ‘Primær’ i stedet for ‘Sampling Anledning «som tidligere. Således en sag med L = 16 enheder og K = 3 besøg stadig resulterer i 16 p PIM’er, hver med 3 indgange. Men p PIM’er nu mærkes som “Primary 1 ‘,’ Primary 2 ‘, osv Eksisterende DBF og FPT filer vil ikke fungere korrekt med den nye version lige installeret på nettet, i, at denne navneændring betyder, at du kan hente en model, men ikke køre det igen på grund af navneændring. Mødet historier filen behøver ikke at blive ændret, da det stadig er organiseret på samme måde. Den hjælp-filen er også blevet udvidet og mere fuldstændigt forklarer definitionen af ​​parametre i PIM’er, hvordan at indtaste parametrene K og L, plus hvordan man organiserer Mødet historier. Simulatoren stadig virker for denne datatype.

229. Den belægning model med korrelerede detektioner (Hines, JE, JD Nichols, JA Royle, DI MacKenzie, AM Gopalaswamy, NS Kumar, og KU Karanth 2010. Tigers på stier:.. Belægningsprocent modellering til klynge prøveudtagning Økologiske Applikationer 20: 1456- 1466.) sættes til MARK (datatype 143). Modellen blev udvidet til at håndtere flere sekundærdelene inden for hvert segment.

230. belægning modellen afslappende antagelse lukningen (. Kendall, WL, JE Hines, JD Nichols, og EHC Grant 2013. Afslappende antagelse lukningen i belægningsprocent modeller: forskudte ankomst- og afgangstider Økologi 94.. 610-617) blev tilsat til MARK (datatype 144).

December, 2013

231. En mulighed var addd til fil | Indstillinger for at bruge 32-bit mark.exe fil (for mere hastighed) i stedet for 64-bit-versionen (for meget store opgaver med behov for ekstra hukommelse).

232. En temmelig alvorligt problem blev afsløret med gfortran compiler, når en “store” problem er optimeret i mark.exe kode. Problemet opstod på alle maskiner kører gfortran kode: PC, Cray, eller Unix. Specifikt da blev brugt et design matrix af dimension 460 x 460, cpu tid til at afsætte tråd-specifikke kopier for flere tråde var ~ 100 gange, hvad der ville tage en køre uden flere tråde. Adskillige ændringer blev foretaget for at omgå dette problem. Til analyser uden individuelle kovariater, er der kun behov det oprindelige design matrix – ikke flere kopier – så en test for at afgøre denne betingelse blev tilføjet og behandling uden flere kopier fortsætter derefter. Endvidere en mulighed blev tilsat til ikke at bruge parallel behandling med en enkelt tråd, og dermed undgå overhead af OpenMP med flere tråde. Hvis du opdager, at en “stor” design matrix med individuelle kovariater tager en ublu beløb af tid, så prøv at angive tråde = 1.

Januar 2014

233. Output fra variansen komponenter / tilfældige effekter analyse blev bedre mærket, og designet matrix er nu opført på bunden af ​​produktionen. Alt dette output lagres som en model memo når modellen køres for at opnå vægte.

Maj 2014

234. De varianskomponenter / tilfældige effekter analyse blev omskrevet til at give flere fejlmeddelelser under udførelse. Jeg har haft problemer med at køre denne moodification på 32-bit XP-maskiner. Hvis du har problemer, så lad mig det vide.

Juni 2014 Version 8.0 California Sea Lion

235. N parameter i alle de lukkede fanger datatyper og robust design derivater er blevet ændret til at være mærket F0 at forhindre brugere i fejlagtigt tænker indstilling af N-parametre lig evaluerer denne hypotese. N er stadig tilvejebragt som en afledt parameter.

236. tilfældige effekter version af Huggins estimatoren er blevet tilføjet til lukkede fanger, robuste design, lukkede flere tilstande, og Pradel robust design. Estimatoren bruger Gauss-Hermite kvadratur at integrere individuelle tilfældige effekter på afsløring sandsynlighed, s. Befolkning skøn er tilvejebragt som afledte parametre baseret på den estimerede gennemsnitlige afsløring sandsynlighed.

237. Fletcher chat estimator (Fletcher 2012) er blevet tilføjet til den fulde output filen, og også for indsamling af simulatoren. Denne estimator kræver at kende det samlede antal mulige støder historier, hvilket kan være problematisk, når parameterestimater udelukker nogle historier. Eksempler på dette problem er p = 0 i CJS datatype eller overgangssandsynligheder (PSI) er fastgjort til 0 eller 1 i multi-state modeller. Andre lignende problemer er forårsaget af prikker i mødet historie, eller tab ved indfangning.

238. Den tilfældige effekter version af belægning estimatoren er blevet tilføjet til enkelt-sæsonen belægningsprocent, og multi-sæson robust design. Estimatoren bruger Gauss-Hermite kvadratur at integrere individuelle tilfældige effekter på afsløring sandsynlighed, s.

239. Den tilfældige virkninger version af den kendte skæbnen estimator er blevet tilføjet, primært til anvendelse som en måde at simulere overdispersion i form af individuelle heterogenitet eller parameter heterogenitet. Estimatoren bruger Gauss-Hermite kvadratur at integrere individuelle tilfældige effekter på overlevelse, S. Men fordi den mættede model er en af ​​de nyttige modeller for kendte skæbne data, den tilfældige effekter estimatoren for sigma vil være ikke-identificerbar, hvis den mættede model anvendes.

Juli 2014

240. Evnen til at vælge en delmængde af de PIMs og se delmængde i PIM figur er blevet tilføjet. Udvælgelse af PIM’er at se kan gøres fra et menuvalg under PIM hovedmenuen højreklikke på PIM Chart, eller ved hjælp af lasso og højreklikke på PIM Chart.

241. En menu valg under Kør menuen i Resultater Browser er blevet tilføjet til beregne variable vægte, når et sæt af modeller er konstrueret med den “Undersæt af DM Modeller«. Omhu i at navngive de variabler, når du opretter modellerne bør anvendes for at undgå utilsigtet overlap af variable navne. Brugeren skal være omhyggelig med at ikke igennem en yderligere modeller i Resultater Browser, der vil medføre de beregnede vægte for at være ugyldige. Grundlæggende bør det sæt af modeller være et afbalanceret sæt af modeller for variablerne under overvejelse.

November, 2014

242. Beregning af p * for zPNE mark-resight model blev ændret for at give en bedre tilnærmelse, når der er en masse af individuel heterogenitet.

243. Tidligere antallet af point til at udføre den numeriske integration i sigma individuelle heterogenitet modeller var 15. Denne værdi blev ændret til 101 for at give en bedre tilnærmelse af denne integral. For en enkelt integration, stigningen i beregningen tid er ikke så dårligt. Men når du har dobbelt integraler, vil denne ændring noticely sinke optimeringsproces.

Januar 2015

244. En fejl i at erstatte den effektive stikprøvestørrelse værdi, når du bruger erstatte data mulighed blev fastsat. Denne fejl påvirkede værdien af ​​AICC i Resultater Browser.

245. lejligheder-specifikke estimater for populationen blev tilføjet som en afledt parameter til indvandringen-udvandring mark-resight estimator.

April, 2015

246. Muligheden for at genberegne reelle og afledte parameterestimater i Resultater Browser uden re-optimere modellen blev tilføjet. Evnen er nyttig, når du ikke har været i overensstemmelse med de værdier for enkelte kovariater anvendes til at beregne de reelle og afledte parametre, men nu ønsker at modellere gennemsnit et sæt af dem. Denne indstilling er tilgængelig under Resultater Browser menuvalg Kør | Regenerere Rigtige og beregnede ansættelser.

247. Model-gennemsnit en individuel kovariat plot er nu muligt med menuvalg fra Resultater Browser output | Model Gennemsnit | Indiviudal kovariat Plot.

Maj 2015

248. Evnen til at klikke på modelnavnet eller antallet af parametre i Resultater Browser og ændre deres værdi er fastsat, så du nu få de samme resultater, som hvis du havde brugt de menuvalg til at foretage ændringer.

249. Afledte parametre er blevet tilføjet til Robust Design Multi-tilstand Betinget Occupancy datatype (= 124) for de psi estimater gennem tiden.

250. En fejl blev rettet, der resulterede i en fejlmeddelelse, når du har forsøgt at hente en model med PIM Chart åben.

Juli 2015

251. De falsk positive modeller af Miller et al., Både single og multi-sæsonen, er gennemført.

252. prædefinerede modeller mulighed blev modificeret til at tilvejebringe standard lukket indfanger modeller, når lukkede fanger bliver brugt.

August, 2015

253. Tre nye mark-resight modeller blev tilføjet, at passende håndtere mærkede dyr, der ikke er individuelt identificeret. En ekstra parameter, r, modeller sandsynligheden for, at en markant dyr identificeres til individ, og ikke kun anerkendt som markeret.

254. Huggins tilfældige effekter estimator var føje til listen over modeller til brug med tæthed estimering hjælp telemetri data.

Rapportering af problemer

For spørgsmål eller for at lade mig vide, om problemer, du er stødt på, sende e-mail. Prøv at give så meget dokumentation som muligt for at hjælpe mig med at duplikere dit problem. Især vil jeg gerne have input fil, der forårsagede problemet, og de værdier, du indtastet for antallet af lejligheder, antallet af grupper, og datatype. Yderligere, hvis du har oprettet en resultatorienteret fil, skal du sende disse via en zip vedhæftet fil. Både * .dbf og * .FPT filer skal sendes – begge er nødvendige for at se de modeller, som du har bygget.

E-mail: Gary.White på ColoState.edu

Kommende workshops

Et alternativ til en ugelang workshop er at tage FW663, Analyse af Vertebrate Befolkninger, en 5-kredit graduate kursus undervises af Larissa Bailey og William Kendall i alternative foråret semestre på Colorado State. Out-of-state undervisning for kurset er ca $ 2700, og billigere for Colorado beboere. Klassen møder MWF 8-12 fra medio januar indtil den første af april. Klassen vil næste blive undervist forårssemestret 2014, begynder midten af ​​januar og slutter begyndelsen af ​​april.

En anden mellemliggende niveau workshop er planlagt til 1-6, 2014 i Fort Collins, Colorado.

Formel Kursusaktiviteter

Personer som ønsker en omfattende behandling af baggrundsmaterialet for Program MARK, og få en fortrolighed med at bruge programmet, opfordres til at tage kurset FW663, prøveudtagning og analyse af Vertebrate populationer, co-undervist af Larissa Bailey og William L. Kendall. Kurset mødes fra medio januar indtil den sidste uge af marts, MWF fra 8-12. Klassen vil næste blive undervist forårssemesteret, 2014. Vi opfordrer på det kraftigste de studerende fra lande uden Colorado State University for at deltage i dette kursus.

Kendte problemer

Nogle kendte problemer, som du bør være opmærksom på:

Den afvigelse for lukkede fanger model divideret med sine frihedsgrader er ikke en gyldig estimat af c-hat. Dette problem bærer over til det robuste design model. Jeg mener, at problemet skyldes, at disse modeller ikke er i den eksponentielle familie, og denne type estimat af c-hat er kun gyldig for modeller i den eksponentielle familie. Dette problem også strækker sig til det robuste design model.
Den afvigelse er ikke en god test af godhed-of-fit af modellen for sparsomme data. Sparsomme data kan skyldes nogle få udgivelser, men selv med masser af udgivelser og et stort antal støder lejligheder, vil dataene være sparsomme. Sparsomme data resulterer i små forventede værdier for masser af capture historier. For at have observeret en fange historie, skal mindst 1 dyr er blevet observeret med denne historie. For en lille forventede værdi, bidraget til afvigelse er stort, dvs (1 – Forventet) ^ 2 / Forventet er stort. En pooling algoritme ikke synes muligt, der vil løse dette problem. For at få en gyldig test af godhed-of-fit af modellen, samt et passende estimat af c-hat, har en parametrisk bootstrap procedure blevet implementeret i Tests menuvalg.
Når konstruktionen matrix åbnes med nøjagtigt 66 rækker, kun 65 er vist. Én løsning til at få browseren til at vise den sidste række er at angive en skæringspunkt, der skriver et “1” til den 66. række.
Nogle Windows 7-systemer genererer ensartede 0,1 tilfældige tal, der er negative. Jeg har indsat en test, når MARK begynder at se, om dit system genererer invalidd tilfældige tal. Hvis dit system ikke består testen, så send mig detaljerne, især en kopi af dit system skærmen fra Kontrolpanel.
Litteratur Citeret

Barker, R. J. 1997. Joint modeling of live-recapture, tag-resight, and tag-recovery data. Biometrics 53:666-677.

Barker, R. J. 1999. Joint analysis of mark-recapture, resighting and ring-recovery data with age-dependence and marking-effect. Bird Study 46 Supplement:82-91.

Barker, R. J., and G. C. White. 2001. Joint analysis of live and dead encounters of marked animals. Pages 361-367 in R. Field, R. J. Warren, H. Okarma, and P. R. Sievert, editors. Wildlife, land, and people: priorities for the 21st century. Proceedings of the Second International Wildlife Management Congress. The Wildlife Society, Bethesda, Maryland, USA.

Barker, R. J., G. C. White, and M. McDougal. 2005. Movement of paradise shelduck between molt sites: a joint multistate-dead recovery mark recapture model. Journal of Wildlife Management 69:1194-1201.

Brownie, C., D. R. Anderson, K. P. Burnham, and D. S. Robson. 1985. Statistical inference from band recovery data a handbook. 2 Ed. U. S. Fish and Wildlife Service, Resource Publication 156. Washington, D. C., USA. 305pp.

Brownie, C., J. E. Hines, J. D. Nichols, K. H. Pollock, and J. B. Hestbeck. 1993. Capture-recapture studies for multiple strata including non-Markovian transitions. Biometrics 49:1173-1187.

Burnham, K. P., D. R. Anderson, G. C. White, C. Brownie, and K. H. Pollock. 1987. Design and analysis methods for fish survival experiments based on release-recapture. American Fisheries Society Monograph No. 5. Bethesda, Maryland, USA. 437pp.

Burnham, K. P. 1993. A theory for combined analysis of ring recovery and recapture data. Pages 199-213 in J.-D. Lebreton and P. M. North, editors. Marked individuals in the study of bird population. Birkhauser Verlag, Basel, Switzerland.

Dinsmore, S. J., G. C. White, and F. L. Knopf. 2002. Advanced techniques for modeling avian nest survival. Ecology 83:3476-3488.

Fletcher, D. J. 2012. Estimating overdispersion when fitting a generalized linear model to sparse data. Biometrika 99:230�237.

Hestbeck, J. B., J. D. Nichols, and R. A. Malecki. 1991. Estimates of movement and site fidelity using mark-resight data of wintering Canada geese. Ecology 72:523-533.

Huggins, R. M. 1989. On the statistical analysis of capture-recapture experiments. Biometrika 76:133-140.

Huggins, R. M. 1991. Some practical aspects of a conditional likelihood approach to capture experiments. Biometrics 47:725-732.

Jolly, G. M. 1965. Explicit estimates from capture-recapture data with both death and immigration stochastic model. Biometrika 52:225-247.

Kendall, W. L. 1999. Robustness of closed capture-recapture methods to violations of the closure assumption. Ecology 80:2517-2525.

Kendall, W. L., and J. D. Nichols. 1995. On the use of secondary capture-recapture samples to estimate temporary emigration and breeding proportions. Journal of Applied Statistics 22:751-762.

Kendall, W. L., K. H. Pollock, and C. Brownie. 1995. A likelihood-based approach to capture-recapture estimation of demographic parameters under the robust design. Biometrics 51:293-308.

Kendall, W. L., J. D. Nichols, and J. E. Hines. 1997. Estimating temporary emigration using capture-recapture data with Pollock’s robust design. Ecology 78:563-578.

Kendall, W.L. and R. Bjorkland. 2001. Using open robust design models to estimate temporary emigration from ca pture-recapture data.  Biometrics 57(4): 1113-1122.

Kendall, W. L. and J. D. Nichols. 2002. Estimating state-transition probabilities for unobservable states using capture-recapture/resighting data. Ecology 83:3276-3284.

Lebreton, J-D., K. P. Burnham, J. Clobert, and D. R. Anderson. 1992. Modeling survival and testing biological hypotheses using marked animals: a unified approach with case studies. Ecological Monographs. 62:67-118.

Link, W. A., and R. J. Barker. 2005. Modeling association among demographic parameters in analysis of open population capture-recapture data. Biometrics 61:46–54.

Lukacs, P. M., V. J. Dreitz, F. L. Knopf, and K. P. Burnham. 2004. Estimating survival probabilities of unmarked dependent young when detection is imperfect. Condor 106:926-931.

Lukacs, P. M., and K. P. Burnham. 2005. Estimating population size from DNA-based closed capture-recapture data incorporating genotyping error. Journal of Wildlife Management 69:396-403.

MacKenzie, D. I., J. D. Nichols, G. B. Lachman, S. Droege, J. A. Royle, and C. A. Langtimm. 2002. Estimating site occupancy when detection probabilities are less than one. Ecology 83:2248-2255.

MacKenzie, D. I., J. D. Nichols, J. E. Hines, M. G. Knutson, and A. B. Franklin. 2003. Estimating site occupancy, colonization and local extinction probabilities when a species is not detected with certainty. Ecology 84:2200-22078.

MacKenzie, D. I., L. L. Bailey, and J. D. Nichols. 2004. Investigating species co-occurrence patterns when species are detected imperfectly. Journal of Animal Ecology 73:546.

MacKenzie, D. I., J. D. Nichols, M. E. Seamans, and R. J. Gutierrez. 2009. Modeling species occurrence dynamics with multiple states and imperfect detection. Ecology 90:823-835.

McClintock, B. T. and G. C. White. 2009. A less field-intensive robust design for estimating demographic parameters with mark-resight data. Ecology 90:313-320.

McClintock, B. T., G. C. White, M. F. Antolin, and D. W. Tripp. 2009a. Estimating abundance using mark-resight when sampling is with replacement or the number of marked individuals is unknown. Biometrics 65:237-246.

McClintock, B. T., G. C. White, K. P. Burnham, and M. A. Pryde. 2009b. A generalized mixed effects model of abundance for mark-resight data when sampling is without replacement. Pages 271-289 in D. L. Thomson, E. G. Cooch, and M. J. Conroy, editors. Modeling Demographic Processes in Marked Individuals. Springer, New York, USA.

Nichols, J. D., J. E. Hines, D. I. MacKenzie, M. E. Seamans, and R. J. Gutierrez. 2007. Occupancy estimation and modeling with multiple states and state uncertainty. Ecology 88:1395-1400.

Nichols, J. D. L. L. Bailey, A. F. O’Connell, N. W. Talancy, E. H. C. Grant, A. T. Gilbert, E. M. Annand, T. P.Husband, and J. E. Hines. 2008. Multi-scale occupancy estimation and modelling using multiple detection methods. Journal of Applied Ecology 45:1321-1329.

Pledger, S. 2000. Unified maximum likelihood estimates for closed capture-recapture models using mixtures. Biometrics 56:434-442.

Pledger, S., K. H. Pollock, and J. L. Norris. 2003. Open capture-recapture models with heterogeneity: I. Cormack-Jolly-Seber model. Biometrics 59:786-794.

Pradel, R. 1996. Utilization of capture-mark-recapture for the study of recruitment and population growth rate. Biometrics 52:703-709.

Pradel, R., R. Choquet, M. A. Lima, J. Merritt, and L. Crespin. 2009. Estimating population growth rate from capture-recapture data in presence of capture heterogeneity. Journal of Agricultural, Biological, and Environmental Statisitics.

Pollock, K. H., J. D. Nichols, C. Brownie, and J. E. Hines. 1990. Statistical inference for capture-recapture experiments. Wildlife Monographs 107. 97pp.

Pradel, R. 1989. User’s manual for program SURGE 4.0. C.E.P.E./C.N.R.S. Montpellier, France. Unpubl. Rept.

Pradel, R. 1996. Utilization of capture-mark-recapture for the study of recruitment and population growth rate. Biometrics 52:703-709.

Royle, J. A., and J. D. Nichols. 2003. Estimating abundance from repeated presence-absence data or point counts. Ecology 84:777–790.

Schwarz, C. J., and A. N. Arnason. 1996. A general methodology for the analysis of capture-recapture experiments in open populations. Biometrics 52:860-873.

Seber, G. A. F. 1965. A note on the multiple recapture census. Biometrika 52:249-259.

Seber, G. A. F. 1970. Estimating time-specific survival and reporting rates for adult birds from band returns. Biometrika 57:313-318.

Seber, G. A. F. 1982. The estimation of animal abundance and related parameters. 2nd ed. Macmillan, New York, New York, USA. 654pp.

Seber, G. A. F. 1986. A review of estimating animal abundance. Biometrics 42:267-292.

Seber, G. A. F. 1992. A review of estimating animal abundance II. Reviews of the International Statistics Institute 60:129-166.

White, G. C., D. R. Anderson, K. P. Burnham, and D. L. Otis. 1982. Capture-recapture and removal methods for sampling closed populations. Los Alamos National Laboratory Rep. LA-8787-NERP, Los Alamos, New Mexico, USA. 235pp.

White, G. C. 1996. NOREMARK: population estimation from mark-resighting surveys. Wildlife Society Bulletin 24:50-52.

White, G. C., and K. P. Burnham. 1999. Program MARK: survival estimation from populations of marked animals. Bird Study 46 Supplement:120-138.

White, G. C., K. P. Burnham, and D. R. Anderson. 2001. Advanced features of Program Mark. Pages 368-377 in R. Field, R. J. Warren, H. Okarma, and P. R. Sievert, editors. Wildlife, land, and people: priorities for the 21st century. Proceedings of the Second International Wildlife Management Congress. The Wildlife Society, Bethesda, Maryland, USA.

Comments are closed.