Occupancy–detection models with museum specimen data: Promise and pitfalls

Historical museum records provide potentially useful data for identifying drivers of change in species occupancy. However, because museum records are typically obtained via many collection methods, methodological developments are needed to enable robust inferences. Occupancy–detection models, a relatively new and powerful suite of statistical methods, are a potentially promising avenue because they can account for changes in collection effort through space and time. We use simulated datasets to identify how and when patterns in data and/or modelling decisions can bias inference. We focus primarily on the consequences of contrasting methodological approaches for dealing with species' ranges and inferring species' non‐detections in both space and time. We find that not all datasets are suitable for occupancy–detection analysis but, under the right conditions (namely, datasets that are broken into more time periods for occupancy inference and that contain a high fraction of community‐wide collections, or collection events that focus on communities of organisms), models can accurately estimate trends. Finally, we present a case study on eastern North American odonates where we calculate long‐term trends of occupancy using our most robust workflow. These results indicate that occupancy–detection models are a suitable framework for some research cases and expand the suite of available tools for macroecological analysis available to researchers, especially where structured datasets are unavailable. Resumen Los registros históricos de los museos brindan datos potencialmente útiles para identificar las causas del cambio en la distribución de las especies. Sin embargo, debido a que los registros de los museos generalmente son obtenidos a través de métodos de recolección disímiles, necesitamos desarrollos metodológicos para poder llegar a inferencias correctas. Los modelos de ocupación, un grupo de métodos estadísticos relativamente nuevos y poderosos, son una vía potencialmente prometedora porque pueden incluir los cambios en el esfuerzo de recolección a través del espacio y el tiempo. Usamos conjuntos de datos simulados para identificar cómo y cuándo los patrones en los datos y/o las decisiones en el proceso de modelamiento pueden sesgar las inferencias. Nos enfocamos principalmente en las consecuencias de diferentes decisiones metodológicas, específicamente, aquellas que tratan los rangos de las especies y las inferencias de las ausencias de las especies en el esp