针对不完美探测、个体异质性与误识别的标记-重捕数据的 Probit 模型

随着针对动物种群的非侵入性采样技术变得越来越普及，人们对开发能够同时适应不完美探测和个体误识别（例如，由于基因分型错误导致）的标记-重捕模型的兴趣日益增加。然而，当前的方法不允许参数（如探测或生存概率）存在个体差异。在此，我们为标记-重捕数据开发了误识别模型，该模型能够同时考虑参数的时间变化、行为效应和个体异质性。为了便于使用我们的方法进行贝叶斯推断，我们将标准 probit 回归技术扩展到响应的维度和零无法观测的潜在多项式模型。我们还提出了一种新颖的基于马尔可夫链蒙特卡洛的 Metropolis-Hastings within Gibbs 算法来拟合这些模型。以封闭种群丰度模型为例，我们重新考察了美国密歇根州黑熊的一项 DNA 标记-重捕种群研究，发现了由基因分型错误导致的误识别证据，以及探测概率的时间、行为和个体差异。我们还估计了实验室实验中已知大小的蝾螈种群，该实验旨在评估一种常用于两栖动物和鱼类的标记技术的有效性。我们的模型能够可靠地估计该种群的大小，并提供了误识别概率中个体异质性的证据，这种异质性归因于标记质量的差异。我们的方法比以前提出的方法计算要求更高，但它提供了必要的灵活性，使得能够探索更广泛的模型，同时正确考虑由误识别和不完美探测引入的不确定性。在没有误识别的情况下，我们的 probit 公式还为传统封闭种群标记-重捕数据的贝叶斯分析提供了一个方便且高效的 Gibbs 采样器。