1030 Conservation Biology, Pages 1030–1038 Volume 15, No. 4, August 2001 Testing the Accuracy of Population Viability Analysis M. A. McCARTHY,*†§ H. P. POSSINGHAM,*† J. R. DAY,‡ AND A. J. TYRE† *National Center for Ecological Analysis and Synthesis, University of California, 735 State Street, Suite 300, Santa Barbara, CA 93101, U.S.A. †Department of Applied and Molecular Ecology, The University of Adelaide, Waite Campus, Adelaide, South Australia 5064, Australia ‡Centre for Research on Introduced Marine Pests, Commonwealth Scientific, Industrial, and Research Organization Marine Research, GPO Box 1538, Hobart TAS 7001, Australia Abstract: Despite the growing use of population viability analysis (PVA), the predictions of these models rarely have been tested with field data that were not used in initially developing the model. We review and discuss a suite of methods that may be used to test the predictive ability of models used in PVA. In addition to testing mean predictions, appropriate methods must analyze the probability distribution of the model predic- tions. The methods we discuss provide tests of the mean predictions, the predicted frequency of events such as extinction and colonization, and the predicted probability distribution of state variables. We discuss visual approaches based on plots of observations versus the predictions and statistical approaches based on deter- mining significant differences between observations and predictions. The advantages and disadvantages of each method are identified. The best methods test the statistical distribution of the predictions; those that ig- nore variability are meaningless. Although we recognize that the quality of a model is not solely a function of its predictive abilities, tests help reduce inherent model uncertainty. The role of model testing is not to prove the truth of a model, which is impossible because models are never a perfect description of reality. Rather, testing should help identify the weakest aspects of models so they can be improved. We provide a framework for using model testing to improve the predictive performance of PVA models, through an iterative process of model development, testing, subsequent modification and re-testing. Probando la Precisión del Análisis de Viabilidad Poblacional Resumen: A pesar del incremento en el uso del Análisis de Viabilidad Poblacional (AVP), las predicciones de estos modelos raramente han sido probadas con datos de campo que no fueron utilizados para el desarrollo inicial del modelo. Revisamos y discutimos una serie de métodos que pueden ser usados para probar la habil- idad predictiva de los modelos utilizados en el APV. Además de probar las predicciones promedio, los méto- dos apropiados deben analizar la distribución de probabilidades de las predicciones de los modelos. Los métodos que discutimos proporcionan pruebas de las predicciones promedio, de la predicción de la frecuen- cia de eventos como extinciones y colonizaciones y de la distribución de probabilidades de variables de es- tado prevista. Discutimos aproximaciones visuales basadas en parcelas de las observaciones versus las predicciones y aproximaciones estadísticas basadas en la determinación de diferencias significativas entre las observaciones y las predicciones. Se identifican las ventajas y desventajas de cada método. Los mejores métodos prueban la distribución estadística de las predicciones; las que ignoran la variabilidad no tienen sentido. Aunque el reconocimiento de que la calidad de un modelo no solo está en función de sus habilidades predictivas, las pruebas ayudan a reducir la incertidumbre inherente a los modelos. El papel de la prueba de los modelos no es el de probar la verdad de un modelo, lo cual es imposible porque los modelos nunca son una descripción perfecta de la realidad. Por lo contraria, probar los modelos debería ayudar a identificar sus aspectos más débiles de los modelos para que sean mejorados. Proporcionamos un marco de trabajo para probar modelos para mejorar el desempeño predictivo de los modelos de AVP, por medio de un proceso itera- tivo de desarrollo de modelos, probarlos, modificarlos y probarlos nuevamente. §Current address: School of Botany, University of Melbourne, Parkville Victoria 3010, Australia, email mamcca@unimelb.edu.au Paper submitted July 12, 1999; revised manuscript accepted September 20, 2000.