We propose a modern method to estimate population size based on capture-recapture designs of K samples. The observed data is formulated as a sample of n i.i.d. K-dimensional vectors of binary indicators, where the k-th component of each vector indicates the subject being caught by the k-th sample, such that only subjects with nonzero capture vectors are observed. The target quantity is the unconditional probability of the vector being nonzero across both observed and unobserved subjects. We cover models assuming a single constraint (identification assumption) on the K-dimensional distribution such that the target quantity is identified and the statistical model is unrestricted. We present solutions for linear and non-linear constraints commonly assumed to identify capture-recapture models, including no K-way interaction in linear and log-linear models, independence or conditional independence. We demonstrate that the choice of constraint has a dramatic impact on the value of the estimand, showing that it is crucial that the constraint is known to hold by design. For the commonly assumed constraint of no K-way interaction in a log-linear model, the statistical target parameter is only defined when each of the $2^K - 1$ observable capture patterns is present, and therefore suffers from the curse of dimensionality. We propose a targeted MLE based on undersmoothed lasso model to smooth across the cells while targeting the fit towards the single valued target parameter of interest. For each identification assumption, we provide simulated inference and confidence intervals to assess the performance on the estimator under correct and incorrect identifying assumptions. We apply the proposed method, alongside existing estimators, to estimate prevalence of a parasitic infection using multi-source surveillance data from a region in southwestern China, under the four identification assumptions.


翻译:我们提出一种现代方法,根据K样本的捕获-回收设计来估计人口规模。观察到的数据是作为ni.i.d.d.d.的样本来拟订的。我们提出了一种模型,假设K-维矢量为n.i.d.d.二进制指标的样本,其中每个矢量的 k-th 组件显示的是K-sm 样本所捕捉的对象,因此只观察到非零捕获矢量。目标量是矢量在观测和未观测对象之间不为零的无条件概率。我们涵盖的模型,假设K-sm分布为单一限制(识别假设),以便确定目标数量和统计模型不受限制。我们提出了线性和非线性矢量的矢量矢量矢量矢量矢量矢量矢量矢量矢量矢量矢量矢量矢量矢量矢量,我们提出了线性定义的直线线性和非线性向和非线性矢量矢量矢量矢量矢量矢量矢量矢量的解决方案,我们从目前测的测量度表示的是每个基质定值的数值的数值,从正向下方位测量度的测量度表示的测量度的数值表示的数值的数值的数值,从正向下方位标度表示的测度的数值表示的数值表示的数值的数值的数值的数值,从正向下方根基底线度的数值表示的数值的数值表示的数值表示的数值表示的数值的数值表示的数值的数值,从正度的数值表示的数值,从正度的数值表示的数值表示的数值表示的数值表示的数值表示的数值的数值的数值的数值的数值的数值的数值,从正度的数值,从正度的数值表示的数值表示的数值表示的数值,从正度的数值表示的数值表示的数值表示的数值表示的数值的数值表示的数值的数值的数值的数值,从正的数值表示的数值,从正值的数值表示的数值表示的数值表示的数值表示的数值的数值的数值的数值的数值的数值的数值的数值的数值的数值的数值是的数值的数值的数值的数值的数值的数值的数值的数值的数值的数值的数值的数值表示的数值表示的数值表示的数值的数值的数值的数值

0
下载
关闭预览

相关内容

数据库发展研究报告(2021年)
专知会员服务
46+阅读 · 2021年6月29日
智慧城市白皮书(2021年)
专知会员服务
176+阅读 · 2021年4月24日
2021年中国人工智能产业发展趋势,13页pdf
专知会员服务
117+阅读 · 2021年3月18日
区块链白皮书(2020年),60页pdf
专知会员服务
91+阅读 · 2021年1月5日
【微众银行】联邦学习白皮书_v2.0,48页pdf,
专知会员服务
165+阅读 · 2020年4月26日
【新书】Python编程基础,669页pdf
专知会员服务
194+阅读 · 2019年10月10日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
计算机类 | LICS 2019等国际会议信息7条
Call4Papers
3+阅读 · 2018年12月17日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
人工智能 | 国际会议截稿信息9条
Call4Papers
4+阅读 · 2018年3月13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
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2021年7月1日
Higher Order Targeted Maximum Likelihood Estimation
Arxiv
0+阅读 · 2021年6月30日
Backgammon is Hard
Arxiv
0+阅读 · 2021年6月30日
Arxiv
3+阅读 · 2018年2月24日
VIP会员
相关VIP内容
数据库发展研究报告(2021年)
专知会员服务
46+阅读 · 2021年6月29日
智慧城市白皮书(2021年)
专知会员服务
176+阅读 · 2021年4月24日
2021年中国人工智能产业发展趋势,13页pdf
专知会员服务
117+阅读 · 2021年3月18日
区块链白皮书(2020年),60页pdf
专知会员服务
91+阅读 · 2021年1月5日
【微众银行】联邦学习白皮书_v2.0,48页pdf,
专知会员服务
165+阅读 · 2020年4月26日
【新书】Python编程基础,669页pdf
专知会员服务
194+阅读 · 2019年10月10日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
相关资讯
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
计算机类 | LICS 2019等国际会议信息7条
Call4Papers
3+阅读 · 2018年12月17日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
人工智能 | 国际会议截稿信息9条
Call4Papers
4+阅读 · 2018年3月13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
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员