Bayesian capture-recapture methods for error detection and estimation of population size: Heterogeneity and dependence
用于错误检测与总体规模估计的贝叶斯捕获—再捕获方法：异质性与依赖性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：摘要涉及捕获—再捕获总体规模估计及软件、生态实例，没有所列经济计量细分领域的直接依据。
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
用于错误检测与总体规模估计的贝叶斯捕获—再捕获方法：异质性与依赖性
- 研究问题
- 如何根据多次捕获—再捕获样本估计未知总体规模，并处理样本之间的依赖、样本之间及样本内部的异质性？
- 方法与思路
- 作者扩展贝叶斯多次再捕获模型，构造允许样本内部异质性的灵活模型，并通过 Gibbs 抽样计算总体规模及其他量的估计。
- 材料陈述的贡献
- 摘要称依赖模型中总体规模的后验推断不依赖几乎所有干扰参数，并以正确及错误模型设定下的模拟和两个实例评估方法。
- 阅读关注点
- 应核对捕获概率与依赖结构的设定、后验不依赖干扰参数的适用条件，以及 Gibbs 抽样实现和模型误设模拟的设计。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；先验、可识别性、模拟数值与算法收敛情况均未说明，不能判断一般适用性。
原文摘要
This paper considers estimation of the unknown size N of a population based on multiple capture‐recapture samples. We extend the Bayesian multiple recapture model to accommodate possible heterogeneity and dependence among the samples and possible heterogeneity within the samples. In the dependent model, we show that posterior inference for N is independent of almost all the nuisance parameters. We develop a flexible Bayesian model for heterogeneity within samples and demonstrate how Gibbs sampling can be used to calculate the Bayesian estimator for N and other quantities of interest. The performance of the proposed estimators is evaluated by simulation under both correct and incorrect model specifications, and we illustrate our methods in two examples about software review and estimation of a cottontail rabbit population.