Workshop Power-analyse N. Vanermen, T. Onkelinx, W. Courtens, M. Van de walle, H. Verstraete & E.W.M. Stienen Brussel, 12 januari 2016.

Presentatie over: "Workshop Power-analyse N. Vanermen, T. Onkelinx, W. Courtens, M. Van de walle, H. Verstraete & E.W.M. Stienen Brussel, 12 januari 2016."— Transcript van de presentatie:

1 Workshop Power-analyse N. Vanermen, T. Onkelinx, W. Courtens, M. Van de walle, H. Verstraete & E.W.M. Stienen Brussel, 12 januari 2016

2 Zeevogels en offshore windparken 2 Barrière voor migratie en lokale vliegbewegingen Verandering habitat Verhoogde mortaliteit als gevolg van aanvaringen

3 Zeevogels en offshore windparken 3 Verandering habitat In goede of slechte zin? Zeevogels als indicator!

4 Zeevogelmonitoring 4 Maandelijkse zeevogeltellingen vanaf onderzoeksboten volgens de internationaal toegepaste ESAS methodologie (Tasker, 1984)…

5 Zeevogelmonitoring 5 …doorheen een impact- en controlegebied.

6 Zeevogelmonitoring: dataverwerking 6 Statistische uitdagingen eigen aan biologische data in het algemeen & zeevogeldata in het bijzonder: Auto-correlatie in tijd en ruimte > aggregatie van transectdata tot dagtotalen voor controle- en impactgebied Overdispersie > toepassen van een ‘negatief binomiaal’ verdeling > var = μ + μ²/θ ( ↔ var= μ als in Poisson) Hoog aantal nultellingen > toepassen van een ‘zero-inflated’ verdeling waar nodig

7 Zeevogelmonitoring: dataverwerking 7 Seizoenale variatie gemodelleerd aan de hand van een sinuscurve, bvb.: Drieteenmeeuw (één sinus-curve met een periode van 12 maand  2 vrijheidsgraden)

8 Zeevogelmonitoring: dataverwerking 8 Seizoenale variatie gemodelleerd aan de hand van een sinuscurve, bvb.: Visdief (combinatie van twee sinus-curves met periodes van 12 & 6 maand  4 vrijheidsgraden)

9 Power-analyse 9

10 Vooreerst iets meer over het toetsen van hypothesen… Het statistisch testen van een hypothese start met het formuleren van: De nulhypothese (H 0 ): stelt dat er geen effect optreedt en we nemen aanvankelijk aan dat die juist is De alternatieve hypothese (H 1 ): stelt dat er wel een effect optreedt De statistische toets berekent de kans P (van Probabiliteit) dat een effect van waargenomen grootte (of groter) kan vastgesteld worden wanneer er in werkelijkheid geen effect is: Is P erg klein: verwerpen van H 0 en aanvaarden van H 1 (≠ bewijzen!) Is P groot: behouden van H 0 (≠ bewijzen!)

11 Toetsen van hypothesen Conclusies van statistische toetsen kunnen fout zijn: α = de kans op het maken van een type I fout β = de kans op het maken van een type II fout

12 Toetsen van hypothesen α is gelijk aan de kans op een type I fout, met name foutief besluiten dat er wel een effect is. β is gelijk aan de kans op het maken van een type II fout, met name foutief besluiten dat er geen effect is. De power van een statistische test is gelijk aan 1-β, met name de kans dat je geen type II fout maakt, en dus correct besluit dat er wel een effect is. Het resultaat van een statistische test laat niet toe te bewijzen dat H 0 of H 1 waar zijn, maar geeft aan hoe groot de kans is op het formuleren van een foute conclusie.

13 Toetsen van hypothesen Het significantieniveau  wordt meestal a priori bepaald, maar de power (1-β) is vaak ongekend en afhankelijk van: het significantieniveau  (!!) de effectgrootte de steekproefgrootte de variabiliteit van de data Bij een kleinere α daalt de power!! Schatten adhv simulaties!

14 Toetsen van hypothesen  : Traditioneel gelijkgesteld aan 0.05, al is dit een arbitrair getal, en geldt vooral hoe kleiner hoe beter 1-β: Vaak hanteert men hiervoor even arbitrair een waarde van 0.80 (wat betekent dat de kans dat een bestaand effect van een welbepaalde grootte niet wordt gedetecteerd maar liefst 20% bedraagt)! →Deze waarden worden idealiter vooraf bepaald op basis van alle mogelijke kosten & baten op gebied van mens, economie, gezondheid & milieu. →In milieustudies bvb. kan er een spanningsveld ontstaan tussen de ontwikkelaar die  zo laag mogelijk wil houden, en de milieu-onderzoekers die streven naar een zo hoog mogelijke power.

15 Power-analyse 15 Twee aparte vraagstellingen: 1. In welke mate beïnvloeden onze data- karakteristieken de power van ons monitoringsprogramma? 2. Wat is per soort en binnen de huidige monitoringstrategie de power om aantalsafnames ten gevolge van de bouw van een windpark statistisch vast te stellen?

16 Power-analyse (vraag 1) 16 1. In welke mate beïnvloeden onze datakarakteristieken de power van ons monitoringsprogramma? Referentiedata worden voor elke soort gemodelleerd volgens één en hetzelfde ZINB basismodel, met de volgende ‘count component’: log(Y) = log(km²) + a 1 + a 2 *sin(2*π*month/12)+ a 3 *cos(2*π*month/12) + a 4 *CI waarinY= aantal getelde vogels per gebied per dag CI= gebiedsfactor (impact/controle) Voor elke coëfficiënt wordt de range bepaald Voor elke combinatie van mogelijke coëfficiënten binnen die empirische ranges wordt de power berekend

17 Power-analyse (vraag 1) 17 Empirische vs. data simulatie coefficienten:

18 Power-analyse (vraag 1) 18 Resultaten: effect ZI & modeldistributie

19 Power-analyse (vraag 1) 19 Resultaten: effect theta

20 Power-analyse (vraag 1) 20 Resultaten: effect seizoenaliteit

21 Power-analyse (vraag 2) 21 2. Wat is per soort en binnen de huidige monitoringstrategie de power om een aantalsafname ten gevolge van de bouw van een windpark statistisch vast te stellen? Selectie van soort-specifieke referentiemodellen Voor elke soort wordt de power berekend om afnames vast te stellen van 25, 50 & 75%, uitgaande van 1 telling per maand van 10 km² per gebied en een significantieniveau van 0.10, en in functie van het aantal jaar na impact (tot en met 15 jaar)

22 Power-analyse (vraag 2) 22 Resultaten: soort-specifieke modellering Count component Zero component Species Model type Intercept Sin (12m) Cos (12m) Sin (6m)Cos (6m)Sin (4m)Cos (4m)CITheta θIntercept N fulmarNB-1.75-0.930.14-1.180.07 0.11 N gannetNB-0.85-0.610.26-0.60-0.53 0.34 Little gullNB-2.420.992.32 0.17 Common gullNB-4.411.983.30 1.270.20 LBB gullNB-0.390.67-2.17 -1.190.90 0.27 Herring gullNB-2.751.740.80 0.19 GBB gullNB-1.80-0.412.65 -0.680.70 0.19 BL kittiwakeNB-0.62-1.041.78 0.25 Sandwich ternZINB-9.220.45-11.391.17-6.72 4.570.12 C ternZIP-10.04-1.37-13.03-1.07-6.92 1.21 C guillemotNB-3.991.777.51-1.42-2.00 0.83 RazorbillNB-6.710.439.36-0.48-3.48 0.55

23 Power-analyse (vraag 2) 23 Resultaten: soort-specifieke modellering

24 Power-analyse (vraag 2) 24 Resultaten: soort-specifieke modellering

25 Power-analyse: conclusies 25 Als gevolg van overdispersie en/of een overmaat aan nullen is de power om afnames in zeevogels te detecteren (≈power>90%) binnen de huidige monitoring set-up over het algemeen laag. →Een afname van 75% is voor de helft van de soorten (jan- van-gent, kleine mantelmeeuw, drieteenmeeuw, grote stern, zeekoet & alk) detecteerbaar vóór het 5 de jaar na impact →Een afname van 50% is voor zeekoet en jan-van-gent detecteerbaar respectievelijk vanaf 8 tot 10 jaar na impact