面向潜在识别情形下的捕获-再捕获数据中估计暂时迁移

大多数捕获-再捕获模型假设个体要么不迁移，要么在抽样期间永久性迁移出抽样区域，这一假设在个体在抽样期间暂时离开并于后续捕获时返回的情况下会被迫破坉，这可能导致常规捕获-再捕获模型下的推断偏差或精度较低。现有的暂时迁移模型要求个体被唯一且正确识别。据我们所知，迄今为止尚无研究针对潜在识别情形下的暂时迁移进行过探讨，这种情况在误识别、数据集成和批量标记等许多情形下都会出现。本文提出了一种用于分析具有潜在识别的捕获-再捕获数据的潜在多项临时迁移建模框架。该框架适用于封闭型和开放型人口问题，能容纳带或不带个体识别的数据，并灵活地纳入不同的迁移过程，包括完全随机迁移和马尔可夫迁移。通过仿真，我们展示在各种迁移情景下，模型参数能够可靠地估计。我们将所提方法应用于一套实际数据集，该数据集使用 Pollock 严格设计下的批量标记法采集金环蟾蜍。结果表明，考虑暂时迁移后，对数据的拟合优于不考虑暂时迁移的以前模型。