READER REACTION

R. M. Fewster , J. L. Laake , and S. T. Buckland 856 Melville et Welsh (2001, Biometrics 57, 1130–1137) considèrent une approche de l'échantillonnage d'un transect en ligne en employant une étude de calibration séparée pour estimer la fonction de détection g. Ils présentent une étude de simulation opposant leurs résultats à ceux bien piètres d'un estimateur traditionnel, appelé l'estimateur “Buckland” et référencé dans Buckland et al. (1993, London, Chapman and Hall). Les résultats médiocres de l'estimateur “Buckland” peuvent être expliqués par : (i) l'estimateur est prévu pour des données de distance non tronquées, mais appliqué par Melville et Welsh à des données de distance tronquées ; (ii) les données de distance n'étaient pas fusionnées le long des transects, à l'opposé des pratiques courantes ; (iii) le biais de l'estimateur était évalué par rapport à une grille fixe plutôt que randomisée des lignes de transects. Nous examinons en détail les points précédents et nous montrons que les méthodes traditionnelles marchent bien lorsqu'on les applique correctement. Nous mettons aussi l'accent sur le fait que ce que Melville et Welsh appellent estimateur “Buckland” n'est pas un estimateur recommandé par Buckland et al. pour les applications pratiques d'échantillonnage. R. V. Gueorguieva 862 Souvent dans des études longitudinales ou dans des analyses de classification on observe simultanément des variables à réponse binaires et des variables continues qui doivent être modélisées conjointement. Dans une publication récente Dunson, Chen et Harry, 2003 (DCH) proposent une approche bayésienne pour modéliser en commun les résultats binaires et les résultats continus ; ils illustrent cette approche avec un exemple sur des données de toxicité. Dans cette note nous démontrons comment un logiciel standard (PROC NLMIXED dans SAS) peut être employé pour obtenir des estimations du maximum de vraisemblance d'un modèle dont le paramétrage est une alternative à celui utilisé par DCH pour cet exemple. Nous suggérons également qu'un modèle plus général avec les effets aléatoires additionnel ajuste mieux les données. Une anomalie apparente entre les estimations obtenues par DCH et les estimations obtenues plus tôt par Catalano et Ryan en 1992 est également résolu. La question du biais concernant l'effet dose est discutée. L'approche du maximum de vraisemblance est applicable aux situations générales avec des résultats de différents types et n'exige ni spécification à priori ni programmation supplémentaire. S. Pledger 868 Dorazio et Royle (2003, Biometrics 59, 351–364) ont étudié le comportement de trois modèles de mélange pour l'analyse des données de capture‐recapture en population fermée, en présence d'une hétérogénéité de capture entre individus. Leurs simulations provenaient d'une distribution béta‐binomiale, et leurs analyses étaient faites à partir des modèles béta‐binomial, logit‐normal, ou de mélange fini (à classes latentes). Dans cette réponse, des simulations à partir de distributions nombreuses et variées permettent d'avoir une vision plus large de la valeur relative de la distribution béta‐binomiale et des modèles de mélange fini, et donnent un premier aperçu des situations dans lesquelles ces modèles sont utiles.