A new Bayesian method for nonparametric capture-recapture models in presence of heterogeneity
存在异质性时非参数捕获—再捕获模型的新贝叶斯方法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：摘要聚焦动物捕获—再捕获模型及异质性，未提供与所列微观结构估计等方向直接对应的依据。
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
存在异质性时非参数捕获—再捕获模型的新贝叶斯方法
- 研究问题
- 捕获概率的个体异质性可能导致估计偏差时，如何避免对其分布形状作简单参数限制，并处理捕获—再捕获模型的可识别性问题？
- 方法与思路
- 作者提出另一种贝叶斯参数化，不限定捕获概率分布的形状，同时将问题转为有限维分析，并以模拟与真实数据进行展示。
- 材料陈述的贡献
- 摘要称，该方法避开模型中的部分可识别性问题，允许正式的默认贝叶斯分析，并在所述模拟和真实数据分析中表现良好。
- 阅读关注点
- 应核对新参数化与原分布的对应关系、具体避开的识别问题、默认先验的构造，以及模拟评价标准和真实数据的适用条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明哪些量仍不可识别、先验细节或表现数值，不能视为解决全部识别问题。
原文摘要
The intrinsic heterogeneity of individuals is a potential source of bias in estimation procedures for capture‐recapture models. To account for this heterogeneity in the model a hierarchical structure has been proposed whereby the probabilities that each animal is caught on a single occasion are modelled as independent draws from a common unknown distribution F. However, there is general agreement that modelling F by a simple parametric curve may lead to unsatisfactory results. Here we propose an alternative Bayesian approach that relies on a different parameterisation which imposes no assumption on the shape of F but drives the problem back to a finite‐dimensional setting. Our approach avoids some identifiability issues related to such a recapture model while allowing for a formal Bayesian default analysis. Results of analyses of computer simulations and of real data show that the method performs well.