Poisson Overdispersion Estimates Based on the Method of Asymmetric Maximum Likelihood
基于非对称极大似然的泊松过度离散估计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：摘要明确通过条件百分位数回归刻画响应分布及其离散程度，直接涉及条件分位数与分布分析。
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
基于非对称极大似然的泊松过度离散估计
- 研究问题
- 当计数响应相对泊松模型存在过度离散时，如何描述、估计和检验其随协变量变化及正负方向不对称的模式？
- 方法与思路
- 作者用非对称极大似然拟合响应变量的条件百分位数，通过不同百分位数回归之间的距离评估过度离散。
- 材料陈述的贡献
- 摘要称该方法便于计算，并能揭示过度离散的空间差异与方向不对称；考古数据实例展示了这些特征。
- 阅读关注点
- 应核对非对称似然如何对应条件百分位数、离散响应的处理，以及百分位数间距与过度离散指标的关系。
- 阅读边界
- 材料为版本未注明的OpenAlex索引摘要；检验校准和模型条件未说明，实例中的离散程度不能推广为其他数据的规律。
原文摘要
A common difficulty in regression problems with Poisson (or binomial or other exponential family) response variables is over-dispersion: the scatter around the fitted regression is too large by the standards of Poisson variability. This article concerns the description, estimation, and testing of various patterns of overdispersion, with particular emphasis on the Poisson case. Asymmetric maximum likelihood (AML) is a method of fitting regressions for the conditional percentiles of the response variable as a function of the predictors (e.g., the conditional 90th percentile of y given x). Distances between the various regression percentiles give a direct assessment of overdispersion. The discussion is carried through in terms of an archaeological data set, where we see that the counts are overdispersed by a factor of 1.35 in one part of the covariate space, but not at all in another. Moreover, the overdispersion is about 40% larger in the positive response direction than in the negative. The AML estimates are easy to compute and relate nicely to the usual maximum likelihood estimates for generalized linear regression.