Capture–recapture methods are a common tool in ecological statistics, which have been extended to spatial capture–recapture models for data accompanied by location information. However, standard formulations of these models can be unwieldy and computationally intractable for large spatial scales, many individuals, and/or activity center movement. We provide a cumulative series of methods that yield dramatic improvements in Markov chain Monte Carlo (MCMC) estimation for two examples. These include removing unnecessary computations, integrating out latent states, vectorizing declarations, and restricting calculations to the locality of individuals. Our approaches leverage the flexibility provided by the nimble R package. In our first example, we demonstrate an improvement in MCMC efficiency (the rate of generating effectively independent posterior samples) by a factor of 100. In our second example, we reduce the computing time required to generate 10,000 posterior samples from 4.5 h down to five minutes, and realize an increase in MCMC efficiency by a factor of 25. These approaches can also be applied generally to other spatially indexed hierarchical models. We provide R code for all examples, an executable web‐appendix, and generalized versions of these techniques are made available in the nimbleSCR R package.

中文翻译：

---

大规模空间捕获-捕获模型的有效估计

捕获-捕获方法是生态统计中的常用工具，已扩展到空间捕获-捕获模型，以获取伴随位置信息的数据。但是，这些模型的标准公式对于较大的空间规模，许多个体和/或活动中心移动可能是笨拙的，并且在计算上难以处理。对于两个示例，我们提供了一系列累积方法，可极大地改进马尔可夫链蒙特卡罗（MCMC）估计。这些措施包括删除不必要的计算，整合潜在状态，对声明进行矢量化处理以及将计算限制在个人所在地。我们的方法利用了灵活的R包提供的灵活性。在我们的第一个示例中 我们证明了MCMC效率（有效生成独立后验样本的速率）提高了100倍。在我们的第二个示例中，我们将生成10,000个后验样本所需的计算时间从4.5 h缩短到了5分钟，并实现了MCMC效率提高了25倍。这些方法也可以普遍应用于其他空间索引的层次模型。我们为所有示例提供了R代码，并提供了一个可执行的Web附录，并且在nimbleSCR R软件包中提供了这些技术的通用版本。这些方法也通常可以应用于其他空间索引的层次模型。我们为所有示例提供了R代码，并提供了一个可执行的Web附录，并且在nimbleSCR R软件包中提供了这些技术的通用版本。这些方法通常也可以应用于其他空间索引的层次模型。我们为所有示例提供了R代码，并提供了一个可执行的Web附录，并且在nimbleSCR R软件包中提供了这些技术的通用版本。