Estimating Population Size With Link-Tracing Sampling
利用链式追踪抽样估计总体规模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：摘要明确以成员间联系的自适应追踪组织抽样，直接涉及网络联系下的抽样与推断。
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
利用链式追踪抽样估计总体规模
- 研究问题
- 对于主要通过成员间联系才能接触的隐蔽总体，如何把自适应追踪新增的样本成员有效用于总体规模估计？
- 方法与思路
- 作者从随机初始样本出发自适应追踪联系，结合链式追踪与标记重捕方法，并对特殊充分统计量应用 Rao–Blackwell 定理。
- 材料陈述的贡献
- 摘要提出新的抽样设计与总体规模推断程序，并称实证应用展示了将自适应选入成员纳入推断的有效方式。
- 阅读关注点
- 应核对初始随机抽样与联系追踪规则、充分统计量为何不同于常规有限总体抽样，以及标记重捕所需的具体条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；联系结构假设、初始抽样可行性和估计误差的具体结果未说明。
原文摘要
We present a new design and method for estimating the size of a hidden population best reached through a link-tracing design. The design is based on selecting initial samples at random and then adaptively tracing links to add new members. The inferential procedure involves the Rao–Blackwell theorem applied to a sufficient statistic markedly different from the usual one that arises in sampling from a finite population. The strategy involves a combination of link-tracing and mark-recapture estimation methods. An empirical application is described. The result demonstrates that the strategy can efficiently incorporate adaptively selected members of the sample into the inferential procedure. Supplementary materials for this article are available online.