Parametric Bootstrap Capture Recapture

Ich verwende die (eine Stichprobe) Capture Recapture, um die verborgene menschliche Population zu schätzen. Eine Stichprobenmethode verwendet reine Fanghäufigkeiten, um die Population zu schätzen. Einer meiner Kollegen schlug eine parametrische Bootstrapping-Methode vor, um die Variabilität der Bevölkerungsgrößenschätzung zu bewerten. Ich habe versucht, online ein wenig über diese parametrische Bootstrap-Methode zu recherchieren, aber ich verstehe immer noch nicht, wie sie durchgeführt wird. Ich weiß, dass Bootstrapping im Grunde darin besteht, Daten durch Ersetzen neu abzutasten und dann die Varianz davon zu berechnen. Wie führe ich jedoch parametrisches Bootstrapping (ich gehe davon aus, dass die Erfassungshäufigkeiten der Poisson-Verteilung folgen) bei Erfassungs-Wiedererfassungsdaten durch? Behandeln wir die Frequenzen als Daten, dh wenn f (1) = 100 und f (2) = 9, haben unsere Daten 100 x 1 und 9 x 2 und dann ein Resampling? Ist die Wahrscheinlichkeit der täglichen Erfassung der Parameter λ in der Poisson-Verteilung?

Ich denke, was ich zu fragen versuche, ist, wie führen Sie das Sampling-Bit eines parametrischen Bootstrap [in Capture Recapture] durch?

Ich bin ein wenig verwirrt, wenn Sie sagen: "[Ihre Methode] verwendet ausschließlich Erfassungsfrequenzen". Gibt es eine „Rückeroberung“?
@CactusWoman Im Gegensatz zur normalen Wiedereinfangung, bei der sie diskrete Zeitpunkte und einen Einfangverlauf haben, ist meine Wiedereinfangung ein kontinuierliches Modell (da jeweils nur eine Person gefangen werden kann) und es werden nur Häufigkeiten der Begegnung mit Personen notiert. Die einzigen Daten, die ich habe, sind f(1), Häufigkeit der Einzelerfassung, f(2), ... Macht das Sinn?

Antworten (1)

Ich habe ein wenig recherchiert und ich denke, es funktioniert so:

  1. Sammeln Sie einen Datensatz von n Beobachtungen.

  2. Passen Sie ein parametrisches Modell an Ihre Daten an. Wenn Sie die Wiederaufnahmen modellieren möchten, würde ich ein Poisson-GLM vorschlagen. Sie können den Parameter auch direkt aus Ihren Daten schätzen und einfach eine Poisson-Verteilung parametrisieren. Dieser Ansatz würde jedoch nicht die zufällige Variation in Ihren Daten modellieren.

  3. Verwenden Sie das angepasste Modell, um ein Größenmuster zu ziehen n

  4. Berechnen Sie Ihre gewünschte Metrik basierend auf der Stichprobe. Ich denke, in Ihrem Fall wäre dies die Größe der menschlichen Bevölkerung (berechnet als N = n M m ?)

  5. Wiederholen Sie die Schritte 3 und 4 viele Male (1000+)

  6. Los geht's! Jetzt können Sie die Variabilität der Populationsgröße basierend auf den Schätzungen Ihrer Bootstrap-Stichproben einfach beurteilen.

Ich bin verwirrt mit Schritt 2, ich dachte, zum Schätzen von Parametern aus dem Bootstrap-Beispiel verwenden wir dieselbe Methode, die wir für die Originaldaten verwenden?
Ich meinte den Parameter λ einer Poisson-Verteilung. Sie können Lambda basierend auf Ihren Daten mit maximaler Wahrscheinlichkeit schätzen. Eine Funktion dazu sollte in jedem seriösen Statistikpaket enthalten sein. Also, was 2 sagt: Erstellen Sie ein Modell aus Ihren Daten (ein glm oder eine parametrisierte Poisson-Verteilung) und verwenden Sie dieses Modell in den Schritten 3 und 4 zum Bootstrapping.
Parametric Bootstrap Capture Recapture
AntwortenHierDatenschutz-Bestimmungen1y, 0v