In dit proefschrift is een methode ontwikkeld om de onderrapportage te schatten op basis van een toepassing van vangst-hervangsttechnieken. Er zijn zes verschillende schatters toegepast.

Meer specifiek worden een postgestratificeerde enquêteschatter, een naïeve variant van de enquêteschatter, twee conditionele likelihood capture-recapture-schatters en twee onconditionele likelihood capture-recapture-schatters toegepast, vergeleken en gediscussieerd.

De capture-recapture-schatters corrigeren voor zowel nonrespons- als meetfouten. De enquêteschatting wordt gecorrigeerd voor selectieve nonrespons. Daarom kan een potentieel verschil tussen vangst-hervangstschattingen en enquêteschattingen worden toegeschreven aan meetfouten.

De schending van de capture-recapture-aanname van homogene vangkansen wordt gecorrigeerd door heterogeniteit in vangkansen te modelleren met logistische regressie en log-lineaire modellen. De effecten van incidentele schendingen van de aanname van perfecte koppeling worden geëvalueerd in sensitiviteitsanalyses. De flexibiliteit en de beperkingen van de toegepaste schatters worden geëvalueerd in een gestratificeerde vangst-hervangstanalyse.

Klingwort, J. (2020). Correcting survey measurement error with big data from road sensors through capture-recapture. Dissertation, University of Duisburg-Essen, doi:10.17185/duepublico/72081.