The paper describes a new class of capture-recapture models for closed populations when individual covariates are available. The novelty consists in combining a latent class model for capture probabilities where the class weights and the conditional distributions given the latent may depend on covariates, with a model for the marginal distribution of the available covariates as in Liu et al, Biometrika (2017). In addition, the conditional distributions given the latent and covariates are allowed to take into account any general form of serial dependence. A Fisher scoring algorithm for maximum likelihood estimation is presented, and a powerful result based on the implicit function theorem is used to show that the marginal distribution of observed covariates is uniquely determined, once an estimate of the probabilities of being never captured is available. Asymptotic results are outlined, and a procedure for constructing likelihood based confidence intervals for the population total is presented. Two examples with real data are used to illustrate the proposed approach


翻译:本文介绍了在个别共同变量存在的情况下封闭人口的新一类捕捉-抓获模式。新颖之处在于将潜在类别概率模型结合在一起,以便捕捉概率,因为当分类加权数和根据潜在值的有条件分布取决于共同变量时,潜在值可能取决于共同变量,而现有共同变量的边际分布模式,如Liu等人,Biometrika (2017年),此外,允许根据潜在值和共同变量的有条件分布考虑到任何一般形式的序列依赖性。提出了用于最大可能性估算的渔业评分算法,并使用了基于隐含函数的强大结果,以表明所观测到的共变量的边际分布是独特的,一旦得到对概率的估算,就将予以确定;概述了初步结果,并提出了一个程序,用以构建基于人口总数信任期的可能性。使用了两个有实际数据的实例,以说明拟议方法。

0
下载
关闭预览

相关内容

不可错过!华盛顿大学最新《生成式模型》课程,附PPT
专知会员服务
63+阅读 · 2020年12月11日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
【ACL2020-Allen AI】预训练语言模型中的无监督域聚类
专知会员服务
23+阅读 · 2020年4月7日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
【OpenAI】深度强化学习关键论文列表
专知
11+阅读 · 2018年11月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年10月13日
Arxiv
0+阅读 · 2021年10月12日
Arxiv
0+阅读 · 2021年10月7日
Implicit Maximum Likelihood Estimation
Arxiv
7+阅读 · 2018年9月24日
VIP会员
相关资讯
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
【OpenAI】深度强化学习关键论文列表
专知
11+阅读 · 2018年11月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员