R语言 unmarked包 pcount()函数中文帮助文档(中英文对照)

loveR

pcount(unmarked)
pcount()所属R语言包：unmarked

                                        Fit the N-mixture model of Royle (2004)
                                         适合N-混合模型的罗伊尔（2004年）

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

Fit the N-mixture model of Royle (2004)
适合N-混合模型的罗伊尔（2004年）


用法----------Usage----------





参数----------Arguments----------

参数：formula
Double right-hand side formula describing covariates of detection and abundance, in that order
双右手边的公式描述的顺序检测和丰富的协变量，


参数：data
an unmarkedFramePCount object supplying data to the model.
unmarkedFramePCount对象提供数据的模型。


参数：K
Integer upper index of integration for N-mixture. This should be set high enough so that it does not affect the parameter estimates. Note that computation time will increase with K.
指数的集成N-混合整数上。这应设置足够高，以便它不会影响参数估计。需要注意的是，计算时间越长K.


参数：mixture
character specifying mixture: either "P" or "NB".
字符，指定混合物：无论是“P”或“NB”。


参数：starts
vector of starting values
向量的初始值


参数：method
Optimization method used by optim.
优化所使用的方法optim。


参数：se
logical specifying whether or not to compute standard errors.
逻辑指定是否计算标准误差。


参数：engine
Either "C" or "R" to use fast C++ code or native R code during the optimization.
无论是“C”或“R”使用快速的C + +代码或本机在优化过程中的R代码。


参数：...
Additional arguments to optim, such as lower and upper bounds
其他参数OPTIM，如上限和下限


Details

详细信息----------Details----------

This function fits N-mixture model of Royle (2004) to spatially replicated count data.
此功能适合N-混合模型的罗伊尔（2004）的空间复制的计数数据。

See unmarkedFramePCount for a description of how to format data for pcount.
见unmarkedFramePCount的说明如何格式化数据pcount的。

This function fits the latent N-mixture model for point count data (Royle 2004, K茅ry et al 2005).
此功能适合潜点计数数据（罗伊尔2004，柯瑞等人，2005年）的N-混合模型。

The latent abundance distribution, f(N | theta) can be set as a Poisson, negative binomial, or zero-inflated Poisson random variable, depending on the setting of the mixture argument, mixture = "P", mixture = "NB", mixture = "ZIP" respectively.  For the first two distributions, the mean of N_i is lambda_i.  If N_i ~ NB, then an additional parameter, alpha, describes dispersion (lower alpha implies higher variance). For the ZIP distribution, the mean is lambda*(1-psi), where psi is the zero-inflation parameter.
的潜在丰富分布，f(N | theta)的，可以设置为一个负二项分布，泊松分布，或零膨胀Poisson随机变量，根据mixture参数的设置，mixture = "P"，<X >，mixture = "NB"“。对于前两种分布，平均mixture = "ZIP"是N_i。如果lambda_i，然后一个额外的参数，N_i ~ NB，介绍了分散（下alpha意味着更高的方差）。平均对于ZIP分配，是alpha，PSI是零通胀的参数。

The detection process is modeled as binomial: y_ij ~ Binomial(N_i, p_ij).
在检测过程中被建模为二项：y_ij ~ Binomial(N_i, p_ij)。

Covariates of lamdba_i use the log link and
lamdba_i使用log链接和协变量


值----------Value----------

unmarkedFit object describing the model fit.
描述模型拟合unmarkedFit对象。


（作者）----------Author(s)----------


Ian Fiske and Richard Chandler



参考文献----------References----------

Spatially Replicated Counts. Biometrics 60, pp. 108&ndash;105.
Replicated Counts Using Binomial Mixture Models. Ecological Applications 15(4), pp. 1450&ndash;1461.
Distributions, 3rd ed. Wiley.

参见----------See Also----------

unmarkedFramePCount, pcountOpen, ranef, parboot
unmarkedFramePCount，pcountOpen，ranef，parboot


实例----------Examples----------



# Simulate data[模拟数据]
set.seed(35)
nSites <- 100
nVisits <- 3
x &lt;- rnorm(nSites)               # a covariate[协变量]
beta0 <- 0
beta1 <- 1
lambda &lt;- exp(beta0 + beta1*x)   # expected counts at each site[预计在每个站点数]
N &lt;- rpois(nSites, lambda)       # latent abundance[潜在的丰富]
y <- matrix(NA, nSites, nVisits)
p &lt;- c(0.3, 0.6, 0.8)            # detection prob for each visit[每次访问的检测概率]
for(j in 1:nVisits) {
  y[,j] <- rbinom(nSites, N, p[j])
  }

# Organize data[组织数据]
visitMat <- matrix(as.character(1:nVisits), nSites, nVisits, byrow=TRUE)

umf <- unmarkedFramePCount(y=y, siteCovs=data.frame(x=x),
    obsCovs=list(visit=visitMat))
summary(umf)

# Fit a model[拟合模型]
fm1 <- pcount(~visit-1 ~ x, umf, K=50)
fm1

plogis(coef(fm1, type="det")) # Should be close to p[应接近到p]


# Empirical Bayes estimation of random effects[随机效应的经验Bayes估计]
(fm1re <- ranef(fm1))
plot(fm1re, subset=site %in% 1:25, xlim=c(-1,40))
sum(bup(fm1re))         # Estimated population size[预计人口规模]
colSums(confint(fm1re)) # and 95% CI[95％CI]
sum(N)                  # Actual population size[实际人口规模]



## Not run: [＃不运行：]

# Real data[实时数据]
data(mallard)
mallardUMF <- unmarkedFramePCount(mallard.y, siteCovs = mallard.site,
obsCovs = mallard.obs)
(fm.mallard <- pcount(~ ivel+ date + I(date^2) ~ length + elev + forest, mallardUMF, K=30))
(fm.mallard.nb <- pcount(~ date + I(date^2) ~ length + elev, mixture = "NB", mallardUMF, K=30))


## End(Not run)[＃（不执行）]


转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。