A New Method for Analysing Discrete Life History Data with Missing Covariate Values
协变量缺失时离散生命史数据分析的新方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究动物生命史和标记再捕获数据，重复调查本身不足以认定为所列面板数据方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
协变量缺失时离散生命史数据分析的新方法
- 研究问题
- 野生动物定期调查中，个体生命史的时变协变量可能缺失；如何保留不完整生命史信息并估计年度存活情况？
- 方法与思路
- 作者从相邻调查时点之间的转移出发，推导标记、再捕获与回收数据的似然表达式，用于纳入协变量缺失的生命史。
- 材料陈述的贡献
- 摘要称无协变量缺失时新似然与传统形式等价；有缺失时可利用全部可用数据并得到一致估计，模拟总体表现优于备选方法。
- 阅读关注点
- 应核对缺失协变量如何进入或被整合出似然、协变量过程及缺失机制的假设，以及一致性证明和模拟比较所覆盖的情形。
- 阅读边界
- 仅据所给 Crossref 摘要，未核对全文或版本差异。“无论何种原因缺失”的表述不能替代具体条件，摘要未说明一致性的假设。
原文摘要
Summary Regular censusing of wild animal populations produces data for estimating their annual survival. However, there can be missing covariate data; for instance time varying covariates that are measured on individual animals often contain missing values. By considering the transitions that occur from each occasion to the next, we derive a novel expression for the likelihood for mark–recapture–recovery data, which is equivalent to the traditional likelihood in the case where no covariate data are missing, and which provides a natural way of dealing with covariate data that are missing, for whatever reason. Unlike complete-case analysis, this approach does not exclude incompletely observed life histories, uses all available data and produces consistent estimators. In a simulation study it performs better overall than alternative methods when there are missing covariate data.