Population Chinchilla
Paola Correa, Diego Lizcano, Salvador Mandujano, Grabriel Andrade-Ponce et al.
21/4/2022
3.2.3 Bayesian and frequentist analysis of the simplest possible CJS model
winbugs model
State process: the latent alive/dead state
Observation process: relates true state to observed state
phi ~ dunif(0, 1) # Apparent survival p ~ dunif(0, 1) # Recapture
## List of 9
## $ n.occ : num 6
## $ n.marked: num [1:5] 20 20 20 20 20
## $ phi : num [1:5] 0.7 0.7 0.7 0.7 0.7
## $ p : num [1:5] 0.4 0.4 0.4 0.4 0.4
## $ z : num [1:100, 1:6] 1 1 1 1 1 1 1 1 1 1 ...
## $ ch : num [1:100, 1:6] 1 1 1 1 1 1 1 1 1 1 ...
## $ f : int [1:100] 1 1 1 1 1 1 1 1 1 1 ...
## $ n.ind : num 100
## $ n.alive : num [1:6] 20 33 44 53 51 42## Loading required package: HDInterval## Loading required package: mcmcOutput##
## Attaching package: 'wiqid'## The following objects are masked from 'package:AHMbook':
##
## standardize, standardize2match## Call: survCJS(DH = data$ch, model = list(phi ~ 1, p ~ 1), freq = 1,
## ci = 0.95)
##
## Real values (duplicates omitted):
## est lowCI uppCI
## phi1 0.6173 0.4893 0.7310
## p1 0.4385 0.2947 0.5933
##
## AIC: 244.6032## Call: survCJS(DH = data$ch)
##
## Real values (duplicates omitted):
## est lowCI uppCI
## phi1 0.6173 0.4893 0.7310
## p1 0.4385 0.2947 0.5933
##
## AIC: 244.6032## List of 4
## $ y : num [1:100, 1:6] 1 1 1 1 1 1 1 1 1 1 ...
## $ f : int [1:100] 1 1 1 1 1 1 1 1 1 1 ...
## $ n.ind: num 100
## $ n.occ: num 6##
## Processing function input.......
##
## Done.
##
## Beginning parallel processing using 3 cores. Console output will be suppressed.
##
## Parallel processing completed.
##
## Calculating statistics.......
##
## Done.## JAGS output for model 'cjs1.txt', generated by jagsUI.
## Estimates based on 3 chains of 120000 iterations,
## adaptation = 5000 iterations (sufficient),
## burn-in = 20000 iterations and thin rate = 10,
## yielding 30000 total samples from the joint posterior.
## MCMC ran in parallel for 1.027 minutes at time 2022-04-22 13:45:37.
##
## mean sd 2.5% 50% 97.5% overlap0 f Rhat n.eff
## phi 0.617 0.062 0.503 0.615 0.743 FALSE 1 1.000 30000
## p 0.443 0.076 0.300 0.441 0.597 FALSE 1 1.000 30000
## z[1,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[2,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[3,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[4,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[5,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[6,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[7,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[8,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[9,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[10,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[11,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[12,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[13,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[14,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[15,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[16,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[17,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[18,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[19,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[20,1] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[1,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[2,2] 0.350 0.477 0.000 0.000 1.000 TRUE 1 1.000 10263
## z[3,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[4,2] 0.347 0.476 0.000 0.000 1.000 TRUE 1 1.000 29990
## z[5,2] 0.352 0.478 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[6,2] 0.352 0.478 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[7,2] 0.350 0.477 0.000 0.000 1.000 TRUE 1 1.000 20327
## z[8,2] 0.354 0.478 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[9,2] 0.348 0.476 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[10,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[11,2] 0.351 0.477 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[12,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[13,2] 0.350 0.477 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[14,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[15,2] 0.352 0.477 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[16,2] 0.343 0.475 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[17,2] 0.351 0.477 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[18,2] 0.346 0.476 0.000 0.000 1.000 TRUE 1 1.000 24996
## z[19,2] 0.351 0.477 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[20,2] 0.350 0.477 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[21,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[22,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[23,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[24,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[25,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[26,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[27,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[28,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[29,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[30,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[31,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[32,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[33,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[34,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[35,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[36,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[37,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[38,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[39,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[40,2] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[1,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[2,3] 0.129 0.335 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[3,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[4,3] 0.129 0.335 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[5,3] 0.132 0.339 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[6,3] 0.130 0.336 0.000 0.000 1.000 TRUE 1 1.000 21557
## z[7,3] 0.132 0.339 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[8,3] 0.133 0.340 0.000 0.000 1.000 TRUE 1 1.000 10106
## z[9,3] 0.129 0.335 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[10,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[11,3] 0.134 0.340 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[12,3] 0.349 0.477 0.000 0.000 1.000 TRUE 1 1.000 19468
## z[13,3] 0.130 0.336 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[14,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[15,3] 0.132 0.338 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[16,3] 0.129 0.335 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[17,3] 0.131 0.338 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[18,3] 0.130 0.336 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[19,3] 0.134 0.341 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[20,3] 0.130 0.337 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[21,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[22,3] 0.357 0.479 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[23,3] 0.352 0.478 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[24,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[25,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[26,3] 0.357 0.479 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[27,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[28,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[29,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[30,3] 0.352 0.478 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[31,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[32,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[33,3] 0.350 0.477 0.000 0.000 1.000 TRUE 1 1.000 23969
## z[34,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[35,3] 0.357 0.479 0.000 0.000 1.000 TRUE 1 1.000 29628
## z[36,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[37,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[38,3] 0.353 0.478 0.000 0.000 1.000 TRUE 1 1.000 17290
## z[39,3] 0.361 0.480 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[40,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[41,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[42,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[43,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[44,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[45,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[46,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[47,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[48,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[49,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[50,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[51,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[52,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[53,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[54,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[55,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[56,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[57,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[58,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[59,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[60,3] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[1,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[2,4] 0.053 0.224 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[3,4] 0.370 0.483 0.000 0.000 1.000 TRUE 1 1.000 15543
## z[4,4] 0.054 0.226 0.000 0.000 1.000 TRUE 1 1.000 20899
## z[5,4] 0.054 0.225 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[6,4] 0.052 0.223 0.000 0.000 1.000 TRUE 1 1.001 13188
## z[7,4] 0.054 0.226 0.000 0.000 1.000 TRUE 1 1.001 17595
## z[8,4] 0.053 0.224 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[9,4] 0.051 0.220 0.000 0.000 1.000 TRUE 1 1.001 14857
## z[10,4] 0.370 0.483 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[11,4] 0.053 0.225 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[12,4] 0.135 0.342 0.000 0.000 1.000 TRUE 1 1.000 10690
## z[13,4] 0.052 0.222 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[14,4] 0.368 0.482 0.000 0.000 1.000 TRUE 1 1.000 18685
## z[15,4] 0.054 0.225 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[16,4] 0.051 0.220 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[17,4] 0.052 0.222 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[18,4] 0.053 0.225 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[19,4] 0.052 0.223 0.000 0.000 1.000 TRUE 1 1.000 21491
## z[20,4] 0.054 0.226 0.000 0.000 1.000 TRUE 1 1.000 20755
## z[21,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[22,4] 0.139 0.346 0.000 0.000 1.000 TRUE 1 1.000 25635
## z[23,4] 0.137 0.344 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[24,4] 0.372 0.483 0.000 0.000 1.000 TRUE 1 1.000 15489
## z[25,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[26,4] 0.141 0.348 0.000 0.000 1.000 TRUE 1 1.000 15395
## z[27,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[28,4] 0.370 0.483 0.000 0.000 1.000 TRUE 1 1.000 27731
## z[29,4] 0.369 0.483 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[30,4] 0.136 0.343 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[31,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[32,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[33,4] 0.136 0.343 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[34,4] 0.371 0.483 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[35,4] 0.139 0.346 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[36,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[37,4] 0.367 0.482 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[38,4] 0.136 0.343 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[39,4] 0.135 0.342 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[40,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[41,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[42,4] 0.370 0.483 0.000 0.000 1.000 TRUE 1 1.000 19890
## z[43,4] 0.366 0.482 0.000 0.000 1.000 TRUE 1 1.000 11436
## z[44,4] 0.369 0.483 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[45,4] 0.369 0.482 0.000 0.000 1.000 TRUE 1 1.000 11050
## z[46,4] 0.365 0.481 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[47,4] 0.371 0.483 0.000 0.000 1.000 TRUE 1 1.000 17998
## z[48,4] 0.364 0.481 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[49,4] 0.369 0.483 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[50,4] 0.362 0.480 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[51,4] 0.373 0.484 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[52,4] 0.373 0.484 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[53,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[54,4] 0.364 0.481 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[55,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[56,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[57,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[58,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[59,4] 0.370 0.483 0.000 0.000 1.000 TRUE 1 1.000 16952
## z[60,4] 0.366 0.482 0.000 0.000 1.000 TRUE 1 1.000 29420
## z[61,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[62,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[63,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[64,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[65,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[66,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[67,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[68,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[69,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[70,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[71,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[72,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[73,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[74,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[75,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[76,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[77,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[78,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[79,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[80,4] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[1,5] 0.396 0.489 0.000 0.000 1.000 TRUE 1 1.000 18486
## z[2,5] 0.025 0.155 0.000 0.000 0.000 FALSE 1 1.001 26399
## z[3,5] 0.154 0.361 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[4,5] 0.024 0.152 0.000 0.000 0.000 FALSE 1 1.001 16588
## z[5,5] 0.024 0.153 0.000 0.000 0.000 FALSE 1 1.000 30000
## z[6,5] 0.024 0.153 0.000 0.000 0.000 FALSE 1 1.003 7436
## z[7,5] 0.025 0.155 0.000 0.000 0.000 FALSE 1 1.001 14171
## z[8,5] 0.025 0.156 0.000 0.000 1.000 TRUE 1 1.001 18978
## z[9,5] 0.023 0.150 0.000 0.000 0.000 FALSE 1 1.001 30000
## z[10,5] 0.157 0.364 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[11,5] 0.025 0.156 0.000 0.000 0.000 FALSE 1 1.000 30000
## z[12,5] 0.060 0.238 0.000 0.000 1.000 TRUE 1 1.001 13355
## z[13,5] 0.024 0.154 0.000 0.000 0.000 FALSE 1 1.000 30000
## z[14,5] 0.154 0.361 0.000 0.000 1.000 TRUE 1 1.000 18184
## z[15,5] 0.025 0.156 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[16,5] 0.023 0.150 0.000 0.000 0.000 FALSE 1 1.000 30000
## z[17,5] 0.023 0.150 0.000 0.000 0.000 FALSE 1 1.001 15570
## z[18,5] 0.023 0.151 0.000 0.000 0.000 FALSE 1 1.000 30000
## z[19,5] 0.023 0.151 0.000 0.000 0.000 FALSE 1 1.000 30000
## z[20,5] 0.025 0.156 0.000 0.000 1.000 TRUE 1 1.001 23595
## z[21,5] 0.399 0.490 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[22,5] 0.062 0.241 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[23,5] 0.060 0.237 0.000 0.000 1.000 TRUE 1 1.000 27876
## z[24,5] 0.157 0.364 0.000 0.000 1.000 TRUE 1 1.000 14349
## z[25,5] 0.397 0.489 0.000 0.000 1.000 TRUE 1 1.000 18230
## z[26,5] 0.062 0.241 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[27,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[28,5] 0.158 0.365 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[29,5] 0.155 0.362 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[30,5] 0.062 0.241 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[31,5] 0.402 0.490 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[32,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[33,5] 0.061 0.240 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[34,5] 0.154 0.361 0.000 0.000 1.000 TRUE 1 1.000 21939
## z[35,5] 0.063 0.243 0.000 0.000 1.000 TRUE 1 1.000 15419
## z[36,5] 0.396 0.489 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[37,5] 0.152 0.359 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[38,5] 0.060 0.238 0.000 0.000 1.000 TRUE 1 1.001 8049
## z[39,5] 0.059 0.236 0.000 0.000 1.000 TRUE 1 1.000 19827
## z[40,5] 0.399 0.490 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[41,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[42,5] 0.154 0.361 0.000 0.000 1.000 TRUE 1 1.000 11940
## z[43,5] 0.153 0.360 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[44,5] 0.154 0.361 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[45,5] 0.154 0.361 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[46,5] 0.151 0.358 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[47,5] 0.154 0.361 0.000 0.000 1.000 TRUE 1 1.000 18761
## z[48,5] 0.153 0.360 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[49,5] 0.158 0.365 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[50,5] 0.150 0.357 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[51,5] 0.157 0.364 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[52,5] 0.157 0.364 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[53,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[54,5] 0.150 0.357 0.000 0.000 1.000 TRUE 1 1.000 27181
## z[55,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[56,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[57,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[58,5] 0.399 0.490 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[59,5] 0.154 0.361 0.000 0.000 1.000 TRUE 1 1.000 11743
## z[60,5] 0.155 0.362 0.000 0.000 1.000 TRUE 1 1.000 18573
## z[61,5] 0.400 0.490 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[62,5] 0.399 0.490 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[63,5] 0.401 0.490 0.000 0.000 1.000 TRUE 1 1.000 22471
## z[64,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[65,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[66,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[67,5] 0.401 0.490 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[68,5] 0.397 0.489 0.000 0.000 1.000 TRUE 1 1.000 17885
## z[69,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[70,5] 0.399 0.490 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[71,5] 0.400 0.490 0.000 0.000 1.000 TRUE 1 1.000 22545
## z[72,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[73,5] 0.397 0.489 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[74,5] 0.396 0.489 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[75,5] 0.395 0.489 0.000 0.000 1.000 TRUE 1 1.000 9313
## z[76,5] 0.399 0.490 0.000 0.000 1.000 TRUE 1 1.000 14066
## z[77,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[78,5] 0.399 0.490 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[79,5] 0.398 0.490 0.000 0.000 1.000 TRUE 1 1.000 22514
## z[80,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[81,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[82,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[83,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[84,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[85,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[86,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[87,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[88,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[89,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[90,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[91,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[92,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[93,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[94,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[95,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[96,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[97,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[98,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[99,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[100,5] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[1,6] 0.194 0.395 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[2,6] 0.014 0.116 0.000 0.000 0.000 FALSE 1 1.005 7810
## z[3,6] 0.078 0.268 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[4,6] 0.013 0.113 0.000 0.000 0.000 FALSE 1 1.002 17051
## z[5,6] 0.013 0.112 0.000 0.000 0.000 FALSE 1 1.001 30000
## z[6,6] 0.013 0.114 0.000 0.000 0.000 FALSE 1 1.003 11597
## z[7,6] 0.013 0.115 0.000 0.000 0.000 FALSE 1 1.002 16194
## z[8,6] 0.014 0.118 0.000 0.000 0.000 FALSE 1 1.001 30000
## z[9,6] 0.013 0.113 0.000 0.000 0.000 FALSE 1 1.002 21653
## z[10,6] 0.081 0.272 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[11,6] 0.014 0.119 0.000 0.000 0.000 FALSE 1 1.001 30000
## z[12,6] 0.032 0.175 0.000 0.000 1.000 TRUE 1 1.001 15172
## z[13,6] 0.012 0.109 0.000 0.000 0.000 FALSE 1 1.001 30000
## z[14,6] 0.079 0.270 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[15,6] 0.014 0.117 0.000 0.000 0.000 FALSE 1 1.000 30000
## z[16,6] 0.013 0.112 0.000 0.000 0.000 FALSE 1 1.003 14305
## z[17,6] 0.013 0.114 0.000 0.000 0.000 FALSE 1 1.002 21454
## z[18,6] 0.013 0.112 0.000 0.000 0.000 FALSE 1 1.001 30000
## z[19,6] 0.014 0.116 0.000 0.000 0.000 FALSE 1 1.001 30000
## z[20,6] 0.014 0.118 0.000 0.000 0.000 FALSE 1 1.002 16194
## z[21,6] 0.193 0.395 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[22,6] 0.033 0.179 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[23,6] 0.032 0.176 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[24,6] 0.082 0.275 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[25,6] 0.194 0.396 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[26,6] 0.033 0.177 0.000 0.000 1.000 TRUE 1 1.001 22465
## z[27,6] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[28,6] 0.081 0.274 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[29,6] 0.080 0.272 0.000 0.000 1.000 TRUE 1 1.000 26502
## z[30,6] 0.033 0.178 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[31,6] 0.199 0.399 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[32,6] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[33,6] 0.033 0.179 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[34,6] 0.078 0.268 0.000 0.000 1.000 TRUE 1 1.001 10080
## z[35,6] 0.034 0.183 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[36,6] 0.196 0.397 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[37,6] 0.081 0.272 0.000 0.000 1.000 TRUE 1 1.000 18684
## z[38,6] 0.032 0.175 0.000 0.000 1.000 TRUE 1 1.002 7970
## z[39,6] 0.031 0.174 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[40,6] 0.196 0.397 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[41,6] 0.472 0.499 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[42,6] 0.078 0.268 0.000 0.000 1.000 TRUE 1 1.000 18985
## z[43,6] 0.078 0.269 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[44,6] 0.081 0.272 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[45,6] 0.078 0.268 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[46,6] 0.080 0.271 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[47,6] 0.080 0.271 0.000 0.000 1.000 TRUE 1 1.000 16768
## z[48,6] 0.078 0.268 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[49,6] 0.081 0.273 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[50,6] 0.077 0.267 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[51,6] 0.080 0.271 0.000 0.000 1.000 TRUE 1 1.001 7958
## z[52,6] 0.078 0.268 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[53,6] 0.473 0.499 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[54,6] 0.078 0.269 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[55,6] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[56,6] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[57,6] 0.476 0.499 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[58,6] 0.196 0.397 0.000 0.000 1.000 TRUE 1 1.000 22720
## z[59,6] 0.083 0.276 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[60,6] 0.080 0.271 0.000 0.000 1.000 TRUE 1 1.000 22158
## z[61,6] 0.198 0.398 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[62,6] 0.195 0.396 0.000 0.000 1.000 TRUE 1 1.000 13122
## z[63,6] 0.196 0.397 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[64,6] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[65,6] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[66,6] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[67,6] 0.197 0.398 0.000 0.000 1.000 TRUE 1 1.000 16571
## z[68,6] 0.197 0.397 0.000 0.000 1.000 TRUE 1 1.000 9664
## z[69,6] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[70,6] 0.196 0.397 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[71,6] 0.198 0.399 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[72,6] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[73,6] 0.192 0.394 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[74,6] 0.193 0.395 0.000 0.000 1.000 TRUE 1 1.000 26701
## z[75,6] 0.191 0.393 0.000 0.000 1.000 TRUE 1 1.000 28667
## z[76,6] 0.192 0.394 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[77,6] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[78,6] 0.199 0.399 0.000 0.000 1.000 TRUE 1 1.000 26475
## z[79,6] 0.198 0.398 0.000 0.000 1.000 TRUE 1 1.000 24978
## z[80,6] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[81,6] 0.471 0.499 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[82,6] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[83,6] 0.470 0.499 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[84,6] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[85,6] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[86,6] 0.472 0.499 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[87,6] 0.472 0.499 0.000 0.000 1.000 TRUE 1 1.000 12176
## z[88,6] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[89,6] 0.472 0.499 0.000 0.000 1.000 TRUE 1 1.000 27168
## z[90,6] 0.475 0.499 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[91,6] 0.476 0.499 0.000 0.000 1.000 TRUE 1 1.000 18447
## z[92,6] 0.473 0.499 0.000 0.000 1.000 TRUE 1 1.000 10963
## z[93,6] 0.474 0.499 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[94,6] 0.471 0.499 0.000 0.000 1.000 TRUE 1 1.000 22418
## z[95,6] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[96,6] 1.000 0.000 1.000 1.000 1.000 FALSE 1 NA 1
## z[97,6] 0.472 0.499 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[98,6] 0.475 0.499 0.000 0.000 1.000 TRUE 1 1.000 11434
## z[99,6] 0.481 0.500 0.000 0.000 1.000 TRUE 1 1.000 30000
## z[100,6] 0.470 0.499 0.000 0.000 1.000 TRUE 1 1.000 30000
## deviance 153.895 18.184 120.865 153.167 191.480 FALSE 1 1.000 30000
##
## Successful convergence based on Rhat values (all < 1.1).
## Rhat is the potential scale reduction factor (at convergence, Rhat=1).
## For each parameter, n.eff is a crude measure of effective sample size.
##
## overlap0 checks if 0 falls in the parameter's 95% credible interval.
## f is the proportion of the posterior with the same sign as the mean;
## i.e., our confidence that the parameter is positive or negative.
##
## DIC info: (pD = var(deviance)/2)
## pD = 165.3 and DIC = 319.227
## DIC is an estimate of expected predictive error (lower is better).## est lowCI uppCI mean 2.5% 97.5%
## phi1 0.617 0.489 0.731 0.617 0.503 0.743
## p1 0.438 0.295 0.593 0.443 0.300 0.597
Chinchilla data
library(readxl)
library(ggplot2)
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(tidyr)
library(lubridate)##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionlibrary(readr)
library(readxl)
# datos_Odegus <- read_excel("D:/BoxFiles/Box Sync/CodigoR/Chinchilla/data/DATA CHAPTER.xlsx",
# sheet = "O.degus", col_types = c("date",
# "numeric", "text", "text", "text",
# "numeric", "text", "text", "text"))
#
#
#
# #Elimina los muertos sin marcar. Crotal = 0
# ind <- which(datos_Odegus$Numero_crotal == 0)
# datos_Odegus <- datos_Odegus[-ind,]
#
# datos_Odegus$year <- year(datos_Odegus$Fecha)
#
# # Historias Machos - Hembras sector Norte
# Odegus_Female_N <- datos_Odegus %>% filter (Sector == "Norte") %>%
# filter (Sexo == "H") %>%
# #group_by(Numero_crotal, year) %>%
# tidyr::spread(year, Numero_crotal)
#
# Odegus_Female_N_history <- Odegus_Female_N[,9:33]
# # fix in excel
#
# write.csv(Odegus_Female_N_history, "D:/BoxFiles/Box Sync/CodigoR/Chinchilla/data/Odegus_Female_N_history.csv")
#
# # Odegus_Male_N_history_fixed <- read_csv("D:/BoxFiles/Box Sync/CodigoR/Chinchilla/data/Odegus_Male_N_history_fixed.csv")
library(readxl)
Odegus_Male_N_history_fixed <- read_excel("D:/BoxFiles/Box Sync/CodigoR/Chinchilla/data/Odegus_Male_N_history_fixed.xls",
col_types = c("numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric"))
Odegus_Female_N_history_fixed <- read_excel("D:/BoxFiles/Box Sync/CodigoR/Chinchilla/data/Odegus_Female_N_history_fixed.xls",
col_types = c("numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric"))
y_male <- as.matrix(Odegus_Male_N_history_fixed[,2:35])
y_female <- as.matrix(Odegus_Female_N_history_fixed[,2:32])
# A quickie with wiqid (Frequentist inference)
library(wiqid)
(mle1 <- survCJS(y_male, model=list(phi~1, p~1), freq=1, ci = 0.95))## Call: survCJS(DH = y_male, model = list(phi ~ 1, p ~ 1), freq = 1,
## ci = 0.95)
##
## Real values (duplicates omitted):
## est lowCI uppCI
## phi1 0.2550 0.1571 0.386
## p1 0.5539 0.2617 0.813
##
## AIC: 160.7278#(mle1 <- survCJS(y_male)) # Same
(mle2 <- survCJS(y_female, model=list(phi~1, p~1), freq=1, ci = 0.95))## Call: survCJS(DH = y_female, model = list(phi ~ 1, p ~ 1), freq = 1,
## ci = 0.95)
##
## Real values (duplicates omitted):
## est lowCI uppCI
## phi1 0.2535 0.1498 0.3955
## p1 0.6165 0.2616 0.8795
##
## AIC: 118.3645#(mle1 <- survCJS(y_female)) # Same
# Bundle and summarize data set
str(Odegus_Male_N <- list(y = matrix(y_male, 134,34),
f = Odegus_Male_N_history_fixed$year_1stCapture,
n.ind = length( Odegus_Male_N_history_fixed$year_1stCapture),
n.occ = 34))## List of 4
## $ y : num [1:134, 1:34] 1 1 1 0 0 1 1 1 0 0 ...
## $ f : num [1:134] 1 1 1 2 3 1 1 1 2 2 ...
## $ n.ind: int 134
## $ n.occ: num 34str(Odegus_Female_N <- list(y = matrix(y_female, 99,31),
f = Odegus_Female_N_history_fixed$year_1stCapture,
n.ind = length( Odegus_Female_N_history_fixed$year_1stCapture),
n.occ = 31))## List of 4
## $ y : num [1:99, 1:31] 1 1 1 0 1 0 0 0 0 0 ...
## $ f : num [1:99] 1 1 1 8 1 2 2 2 3 3 ...
## $ n.ind: int 99
## $ n.occ: num 31# Initial values
Odegus_Male_inits <- function(){list(z = zinit(matrix(y_male, 134,34)))}
Odegus_Female_inits <- function(){list(z = zinit(matrix(y_female, 99,31)))}
# Parameters monitored
params <- c("phi", "p", "z")
# MCMC settings
na <- 10000 ; ni <- 250000 ; nt <- 10 ; nb <- 20000 ; nc <- 3
# Call JAGS (ART 1 min), check convergence and summarize posteriors
out_male <- jags(Odegus_Male_N, Odegus_Male_inits, params, "cjs1.txt", n.adapt = na,
n.chains = nc, n.thin = nt, n.iter = ni, n.burnin = nb, parallel = TRUE)##
## Processing function input.......
##
## Done.
##
## Beginning parallel processing using 3 cores. Console output will be suppressed.
##
## Parallel processing completed.
##
## Calculating statistics.......
##
## Done.# par(mfrow = c(2,3)) # ~~~ replace with 'layout' argument
# traceplot(out1, layout=c(2,3))
# Call JAGS (ART 1 min), check convergence and summarize posteriors
out_female <- jags(Odegus_Female_N, Odegus_Female_inits, params, "cjs1.txt", n.adapt = na,
n.chains = nc, n.thin = nt, n.iter = ni, n.burnin = nb, parallel = TRUE)##
## Processing function input.......
##
## Done.
##
## Beginning parallel processing using 3 cores. Console output will be suppressed.
##
## Parallel processing completed.
##
## Calculating statistics.......
##
## Done.# par(mfrow = c(2,3)) # ~~~ replace with 'layout' argument
# traceplot(out1, layout=c(2,3))
summary(out_male, 3)## Summary for model 'cjs1.txt'
## Saved parameters: phi p z deviance
## MCMC ran in parallel for 20.986 minutes at time 2022-04-22 13:46:51.
##
## For each of 3 chains:
## Adaptation: 10000 iterations (sufficient)
## Burn-in: 20000 iterations
## Thin rate: 10 iterations
## Total chain length: 260000 iterations
## Posterior sample size: 23000 draws
##
## **WARNING** Rhat values indicate convergence failure.
##
## DIC info: (pD = var(deviance)/2)
## pD = 143 and DIC = 207.165summary(out_female, 3)## Summary for model 'cjs1.txt'
## Saved parameters: phi p z deviance
## MCMC ran in parallel for 12.241 minutes at time 2022-04-22 14:09:03.
##
## For each of 3 chains:
## Adaptation: 10000 iterations (sufficient)
## Burn-in: 20000 iterations
## Thin rate: 10 iterations
## Total chain length: 260000 iterations
## Posterior sample size: 23000 draws
##
## **WARNING** Rhat values indicate convergence failure.
##
## DIC info: (pD = var(deviance)/2)
## pD = 95.9 and DIC = 139.752# Nice plots:
# library("bayesplot")
library(MCMCvis)
MCMCtrace(out_male,
params = c("phi", "p"),
ISB = FALSE,
exact = TRUE,
pdf = FALSE)
MCMCtrace(out_female,
params = c("phi", "p"),
ISB = FALSE,
exact = TRUE,
pdf = FALSE)
Comparison male vs female
MCMCplot(out_male,
params = c("phi", "p"),
ci = c(50, 90),
guide_lines = TRUE,
main="Male")
MCMCplot(out_female,
params = c("phi", "p"),
ci = c(50, 90),
guide_lines = TRUE,
main="female")
# Plot estimates of z matrix (Fig. 3.2)
mapPalette <- colorRampPalette(c("white", "black"))
image(x = 1:34, y = 1:134, z = t(out_male$mean$z), col = mapPalette(10),
axes = TRUE, xlab = "Year", ylab = "Individual")
image(x = 1:31, y = 1:99, z = t(out_female$mean$z), col = mapPalette(10),
axes = TRUE, xlab = "Year", ylab = "Individual")
MCMCplot(object = out_male,
object2 = out_female,
col="red" ,
col2= "blue",
params = c("phi", "p"),
offset = 0.1,
ref_ovl = TRUE,
guide_lines = TRUE,
main="Male vs Female")