统计学 > 应用
[提交于 2025年10月8日
]
标题: 从存在潜在识别的捕获-再捕获数据中估计暂时性外迁
标题: Estimating temporary emigration from capture-recapture data in the presence of latent identification
摘要: 大多数捕捉-再捕捉模型假设个体在采样期间要么不迁出,要么永久迁出采样区域。 当个体暂时离开采样区域并在后续的捕捉机会中返回时,这一假设会被违反,这可能导致在正常捕捉-再捕捉模型下得出有偏或精度较低的推论。 现有的临时迁出模型要求个体能够被唯一且正确地识别。 据我们所知,迄今为止尚无研究解决在存在潜在个体识别的情况下出现的临时迁出问题,这种情况可能出现在许多场景中,例如误识别、数据整合和批次标记。 在本文中,我们提出了一种新的潜在多项式临时迁出建模框架,用于分析具有潜在识别的捕捉-再捕捉数据。 该框架适用于封闭种群和开放种群问题,能够处理有或没有个体识别的数据,并能灵活地结合不同的迁出过程,包括完全随机和马尔可夫迁出。 通过模拟,我们证明了在各种迁出情景下,模型参数可以被可靠地估计。 我们将所提出的框架应用于使用批次标记在Pollock的稳健设计下收集的黄金mantella真实数据集。 结果表明,考虑临时迁出相比之前不考虑临时迁出的模型能更好地拟合数据。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.