Too few, too many, or just right? Optimizing sample sizes for population-level inferences in animal tracking projects

Este artículo presenta un flujo de trabajo y la aplicación R Shiny *movedesign* para optimizar los tamaños de muestra en proyectos de rastreo animal, permitiendo a los investigadores equilibrar las limitaciones logísticas y financieras con la precisión de las inferencias poblacionales sobre el uso del espacio y el movimiento.

Lo esencial

Imagina que eres un detective que quiere entender cómo vive una especie de animal en la naturaleza. Tienes un presupuesto limitado, un tiempo finito y necesitas tomar decisiones muy importantes: ¿Cuántos animales debo seguir? ¿Cuánto tiempo debo seguirlos? ¿Cada cuánto debo revisar su ubicación?

Si te equivocas en estas preguntas, podrías gastar miles de dólares en equipo, molestar a los animales innecesariamente y, lo peor de todo, sacar conclusiones falsas que podrían dañar los esfuerzos de conservación.

Este artículo es como un manual de instrucciones inteligente para evitar esos errores. Aquí te explico los conceptos clave usando analogías sencillas:

1. El problema: La "Trampa de la Muestra"

Muchos estudios antiguos cometían un error común: seguían a un solo animal durante mucho tiempo o a muchos animales por muy poco tiempo, sin saber si eso era suficiente.

• La analogía: Imagina que quieres saber el tamaño promedio de las manzanas en un bosque. Si solo miras una manzana gigante, pensarás que todas son enormes. Si miras 100 manzanas pero solo das un vistazo rápido a cada una, no sabrás si son grandes o pequeñas. Necesitas el equilibrio perfecto entre cantidad (cuántas manzanas) y calidad (cuánto tiempo las observas).

2. Las dos preguntas principales: "¿Dónde vive?" vs. "¿Qué tan rápido corre?"

El estudio explica que hay dos tipos de preguntas que hacemos a los animales, y requieren estrategias opuestas:

• Pregunta A: ¿Cuál es su casa (Territorio)?

  • La analogía: Para saber el tamaño de la casa de un vecino, necesitas observarlos durante meses o años. Si solo los ves un día, no sabrás si su casa es un apartamento o una mansión.
  • La lección: Para medir el territorio, necesitas mucho tiempo de seguimiento, incluso si sigues a pocos animales.

• Pregunta B: ¿Qué tan rápido se mueven?

  • La analogía: Para medir la velocidad de un coche de carreras, necesitas una cámara de alta velocidad que tome fotos cada milisegundo. Si tomas una foto cada hora, el coche parecerá que no se mueve o que se teletransporta.
  • La lección: Para medir la velocidad, necesitas frecuencia alta (tomar datos muy seguido), incluso si sigues a pocos animales.

3. La solución: El "Simulador de Realidad" (Movedesign)

Los autores crearon una herramienta llamada 'movedesign' (un programa de computadora).

• La analogía: Piensa en esto como un videojuego de simulación (como The Sims o un simulador de vuelo). Antes de gastar dinero en collares GPS reales, los científicos pueden usar este programa para "jugar" con diferentes escenarios.
  • Escenario 1: "¿Qué pasa si seguimos a 5 animales durante 1 año?" -> El programa te dice: "¡Error! No sabrás el tamaño de su casa".
  • Escenario 2: "¿Y si seguimos a 20 animales durante 6 meses?" -> El programa te dice: "¡Perfecto! Tendrás datos precisos".

Esto les permite a los investigadores decirle a los bancos o gobiernos: "No necesito 100 animales, con 15 bien seguidos durante 6 meses obtendré resultados científicos sólidos".

4. El peligro de los "Animales Extraños"

A veces, un solo animal puede arruinar un estudio si es muy diferente a los demás (por ejemplo, un animal joven que explora todo el mundo, mientras los demás son caseros).

• La analogía: Si quieres saber la altura promedio de una clase de niños y por casualidad eliges al niño más alto y al más bajo, tu promedio estará mal.
• La solución: El estudio recomienda usar métodos estadísticos que tengan en cuenta que cada animal es único, asegurándose de que el grupo que estudies sea realmente representativo de toda la especie.

5. ¿Por qué importa esto?

Si los estudios están mal diseñados, las consecuencias son reales:

• Si subestimas el territorio: Podrías crear un parque nacional demasiado pequeño, y los animales no tendrán espacio suficiente para sobrevivir.
• Si sobreestimas la velocidad: Podrías pensar que un animal está huyendo de algo cuando en realidad está tranquilo, lo que lleva a medidas de protección innecesarias o incorrectas.

En resumen

Este artículo nos dice que no se trata de seguir a más animales, sino de seguirlos mejor. Es como cocinar: no necesitas más ingredientes si no sabes la receta correcta. Con la herramienta que proponen, los científicos pueden cocinar el "plato perfecto" de datos, ahorrando dinero, protegiendo el bienestar de los animales y asegurando que las decisiones de conservación se basen en la verdad, no en suposiciones.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: ¿Demasiados, muy pocos o justo lo suficiente? Optimización de tamaños de muestra para inferencias a nivel poblacional en proyectos de seguimiento animal.

1. El Problema

Los proyectos de seguimiento animal enfrentan un dilema crítico en su diseño: la necesidad de equilibrar las restricciones financieras y logísticas con la obtención de inferencias biológicamente significativas.

• Compromisos de diseño: Existe una compensación inherente entre la duración del estudio (necesaria para estimar áreas de hogar), la frecuencia de muestreo (necesaria para estimar velocidad y patrones de movimiento finos) y el número de individuos rastreados.
• Riesgos de inferencia: El uso de tamaños de muestra inadecuados o métodos analíticos que ignoran la autocorrelación temporal de los datos (común en datos de alta resolución) conduce a estimaciones sesgadas (por ejemplo, subestimación de áreas de hogar) y a una falta de precisión en los parámetros poblacionales.
• Consecuencias: Esto puede resultar en un desperdicio de recursos, decisiones de gestión erróneas y acciones de conservación ineficaces. Además, existe la presión ética y logística de minimizar el número de animales rastreados para reducir el impacto en su bienestar, sin sacrificar la validez estadística.

2. Metodología

Los autores proponen un flujo de trabajo (workflow) sistemático basado en simulaciones para determinar los tamaños de muestra óptimos a nivel individual y poblacional. El enfoque se basa en el marco de modelado de movimiento en tiempo continuo (CTMM).

• Paso 1: Definición de objetivos: Traducir preguntas de investigación en objetivos cuantificables (ej. estimación de área de hogar vs. velocidad).
• Paso 2: Extracción de parámetros piloto: Utilizar datos existentes (ej. de Movebank) para estimar parámetros clave del movimiento, específicamente las escalas de autocorrelación:
  • $\tau_p$: Tiempo de autocorrelación de posición (tiempo de cruce del área de hogar).
  • $\tau_v$: Tiempo de autocorrelación de velocidad (persistencia direccional).
• Paso 3: Simulación de datos sintéticos: Generar conjuntos de datos simulados condicionados a los parámetros piloto, variando sistemáticamente:
  • Duración del muestreo ($T$).
  • Intervalo de muestreo ($\Delta t$).
  • Tamaño de la muestra poblacional ($m$, número de individuos).
  • Fuentes de sesgo adicionales (error de ubicación, pérdida de datos, fallos de dispositivos).
• Paso 4: Estimación y Análisis:
  • Utilizar métodos robustos insensibles al muestreo: AKDE (Densidad Kernel Autocorrelada) para áreas de hogar y CTSD (Estimador de Velocidad y Distancia en Tiempo Continuo) para velocidad.
  • Aplicar un marco jerárquico (log-normal-normal) para propagar la incertidumbre desde el nivel individual al poblacional, considerando la variación interindividual.
• Paso 5: Análisis de Sensibilidad:
  • Re-muestreo: Evaluar la estabilidad de las estimaciones al variar la combinación de individuos.
  • Validación cruzada "Leave-one-out": Determinar si un solo individuo influye desproporcionadamente en los resultados.
• Herramienta: Todo el proceso está implementado en la aplicación R Shiny 'movedesign' (versión 0.3.3).

3. Contribuciones Clave

• Marco de inferencia poblacional: Extiende el diseño de estudios de movimiento más allá del individuo único, proporcionando una metodología rigurosa para estimar medias poblacionales y sus intervalos de confianza.
• Concepto de Tamaño de Muestra Efectivo ($N$): Enfatiza que la calidad de la estimación depende de la relación entre la duración del estudio y los tiempos de autocorrelación ($\tau$), no solo del número total de ubicaciones registradas.
• Herramienta accesible: La aplicación 'movedesign' democratiza el uso de modelos complejos de movimiento en tiempo continuo, permitiendo a los investigadores probar estrategias de muestreo antes de la recolección de datos.
• Integración de restricciones reales: El flujo de trabajo permite incorporar limitaciones logísticas (tasa de éxito de fijación, errores de ubicación, mortalidad) en la fase de diseño.

4. Resultados

Los autores validaron el flujo de trabajo mediante simulaciones basadas en datos empíricos de dos especies: búfalos africanos (Syncerus caffer) y gacelas mongolas (Procapra gutturosa).

• Estimación de Área de Hogar:
  • La duración del muestreo es crítica. Duraciones cortas (ej. 2 meses) provocaron una subestimación significativa del área de hogar (hasta un 25% en búfalos), incluso con grandes tamaños de muestra poblacional ($m=50$).
  • Para especies con tiempos de cruce de área de hogar largos (como la gacela mongola, >2.7 meses), es prácticamente imposible obtener estimaciones precisas dentro de la vida útil del animal (4 años) sin sesgos significativos.
  • Aumentar el número de individuos no compensa una duración de muestreo insuficiente.
• Estimación de Velocidad:
  • La frecuencia de muestreo es el factor determinante. Intervalos de muestreo más cortos que la persistencia direccional ($\Delta t < \tau_v$) son esenciales.
  • Para búfalos, un intervalo de 4 horas (mayor que su $\tau_v$ de ~32 min) resultó en una subestimación del 8% en la velocidad, incluso con 50 individuos.
  • Para gacelas, con una persistencia direccional más larga (~0.8 días), los intervalos más gruesos aún permitieron estimaciones precisas.
• Variabilidad Individual:
  • Con tamaños de muestra poblacional muy pequeños ($m < 4$), las estimaciones son altamente variables y pueden parecer precisas por azar, pero no son generalizables.
  • La variabilidad individual es un factor clave que debe ser capturado para evitar conclusiones erróneas sobre la población.

5. Significado e Impacto

• Rigor Científico: El trabajo proporciona una guía basada en evidencia para evitar el "diseño subóptimo", que es una causa principal de inferencias débiles en ecología.
• Conservación y Gestión: Permite a los gestores y científicos justificar objetivamente los recursos necesarios (número de dispositivos, duración del estudio) en propuestas de subvenciones y solicitudes de permisos.
• Bienestar Animal: Al optimizar el diseño, se puede lograr la máxima información científica con el mínimo número de animales rastreados y la menor duración de impacto, alineándose con las directrices éticas.
• Toma de Decisiones: Ayuda a identificar cuándo un estudio es inviable (ej. especies con vidas cortas y áreas de hogar enormes) antes de invertir recursos, o cuándo es necesario priorizar la frecuencia de muestreo sobre el número de individuos (o viceversa) según el objetivo específico.

En resumen, el artículo establece que no existe una estrategia de muestreo universal; el diseño óptimo depende de la interacción entre los parámetros de movimiento de la especie específica y los objetivos de la investigación, y debe ser evaluado mediante simulaciones previas utilizando herramientas como 'movedesign'.