On the Bayesian analysis of population size
总体规模的贝叶斯分析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：摘要涉及总体规模估计、模型平均与调查设计，未明确对应给定的计量细分方向。
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…
关注这篇论文的作者
总体规模的贝叶斯分析
- 研究问题
- 如何从多次不完整普查估计总体规模，并处理模型选择敏感性；未来采集哪些数据来源，才能平衡调查成本与估计精度？
- 方法与思路
- 作者利用可逆跳跃 MCMC 计算后验模型概率并进行贝叶斯模型平均，讨论模型、先验和计算选择，再引入数据采集决策分析。
- 材料陈述的贡献
- 摘要称模型平均能够缓解总体规模推断的模型敏感性，并以青少年伤害资料说明模型比较及数据来源成本与精度的权衡。
- 阅读关注点
- 应核对未被任何来源观测者的建模方式、候选模型与先验敏感性、链的混合表现，以及成本与准确度进入决策的标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；模型平均不能据此视为消除了全部模型风险，具体数据、诊断和决策结果未提供。
原文摘要
We consider the problem of estimating the total size of a population from a series of incomplete census data. We observe that inference is typically highly sensitive to the choice of model and we demonstrate how Bayesian model averaging techniques easily overcome this problem. We combine and extend the work of Madigan & York (1997) and Dellaportas & Forster (1999) using reversible jump Markov chain Monte Carlo simulation to calculate posterior model probabilities which can then be used to estimate model‐averaged statistics of interest. We provide a detailed description of the simulation procedures involved and consider a wide variety of modelling issues, such as the range of models considered, their parameterisation, both prior choice and sensitivity, and computational efficiency. We consider a detailed example concerning adolescent injuries in Pennsylvania on the basis of medical, school and survey data. In the context of this example, we discuss the relationship between posterior model probabilities and the associated information criteria values for model selection. We also discuss cost‐efficiency issues with particular reference to inclusion and exclusion of sources on the grounds of cost. We consider a decision‐theoretic approach, which balances the cost and accuracy of different combinations of data sources to guide future decisions on data collection.