Nonparametric Bayes modelling of count processes
计数过程的非参数贝叶斯建模AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要侧重通用计数过程与函数数据建模，未明确提出所列细分领域中的专门计量问题。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
计数过程的非参数贝叶斯建模
- 研究问题
- 如何为相依计数数据构造灵活模型，缓解层次泊松模型对边际离散程度的限制，并处理个体计数函数数据？
- 方法与思路
- 作者将实值潜在过程取整来构造非参数贝叶斯计数过程模型，建立大支持与后验一致性结果，并开发 MCMC 算法。
- 材料陈述的贡献
- 摘要称，所提模型可容纳每个个体各自的计数函数观测，并通过模拟、纵向肿瘤计数及哮喘吸入器使用数据展示方法。
- 阅读关注点
- 应核对潜在过程与取整规则、支持和一致性定理的条件，以及计算收敛诊断和应用中对计数分布的刻画。
- 阅读边界
- 索引摘要版本未注明，未列出后验一致性的具体条件或模拟数值；纵向应用不足以说明具有专门面板识别结果，也不能推断刊本变化。
原文摘要
Data on count processes arise in a variety of applications, including longitudinal, spatial and imaging studies measuring count responses. The literature on statistical models for dependent count data is dominated by models built from hierarchical Poisson components. The Poisson assumption is not warranted in many applied contexts, and hierarchical Poisson models make restrictive assumptions about overdispersion in marginal distributions. In this article we propose a class of nonparametric Bayes count process models, constructed through rounding real-valued underlying processes. The proposed class of models accommodates situations in which separate count-valued functional data are observed for each subject under study. Theoretical results on large support and posterior consistency are established, and computational algorithms are developed based on Markov chain Monte Carlo simulation. The methods are evaluated via simulation and illustrated by application to longitudinal tumour counts and to asthma inhaler usage.