.png){kind=icon}
返回
Likelihood-based inference for the Gompertz model with Poisson errors
.png){kind=icon}
PRE
AI
DOI：10.1007/s11222-026-10878-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
种群动态模型在精算学、人口统计学和生态学等多个领域发挥着重要作用，因为它们有助于解释过去的波动并预测未来人口。当需要同时考虑过程的内在随机性和抽样误差时，对这些模型进行统计推断可能很困难。忽视后者会导致估计偏差，进而产生关于系统行为的错误结论。具有泊松误差的Gompertz模型被广泛用于推断种群丰度动态，但完全似然方法在计算上可能过于昂贵。我们通过开发基于完全似然的、高效的计算工具来填补这一空白，以实现具有泊松抽样误差的Gompertz模型的统计推断。该方法在贝叶斯和频率学范式下通过模型进行说明。通过模拟和数据分析展示了其性能。
Keyword:
Bayesian inference
EM algorithm
Gompertz model
MCMC
Sampling error
期刊
S
IF:
1.6
论文数:
206
被引数:
0
机构
引用论文
暂无论文信息