A Class of Latent Marginal Models for Capture–Recapture Data With Continuous Covariates
含连续协变量的捕获—再捕获数据潜在边际模型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：摘要聚焦捕获—再捕获、潜在类别和人群规模估计，未明确对应所列计量领域细分。
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
含连续协变量的捕获—再捕获数据潜在边际模型
- 研究问题
- 在捕获—再捕获数据包含连续协变量时，如何同时描述潜在类别、各名单的捕获概率及名单关联，并推断相应人群规模？
- 方法与思路
- 作者使用边际参数化建立潜在类别模型，以 EM 算法进行极大似然估计，推导期望信息矩阵，并构造特定协变量人群规模的置信区间。
- 材料陈述的贡献
- 摘要称提出了新的潜在边际模型族及人群规模区间估计方法，推导后者的渐近性质，并讨论意大利 HIV 与癌症登记数据应用。
- 阅读关注点
- 应核对未被任何名单捕获者如何进入似然、潜在类别与名单交互如何识别，以及连续协变量条件下人群规模区间的覆盖条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明类别数选择、识别限制或置信区间的具体渐近条件。
原文摘要
We introduce a new family of latent class models for the analysis of capture–recapture data where continuous covariates are available. The present approach exploits recent advances in marginal parameterizations to model simultaneously, and conditionally on individual covariates, the size of the latent classes, the marginal probabilities of being captured by each list given the latent, and possible higher-order marginal interactions among lists conditionally on the latent. An EM algorithm for maximum likelihood estimation is described, and an expression for the expected information matrix is derived. In addition, a new method for computing confidence intervals for the size of the population having given covariate configurations is proposed and its asymptotic properties are derived. Applications to data on patients with human immunodeficiency virus, in the region of Veneto, Italy, and to new cases of cancer in Tuscany are discussed.