Scalable and Robust Regression Models for Continuous Proportional Data
连续比例数据的可扩展稳健回归模型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：摘要主要研究比例响应的一般回归分布与计算，纵向结构仅是可支持的情形，分类证据不足。
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…
连续比例数据的可扩展稳健回归模型
- 研究问题
- 连续比例结果的 beta 回归若对分布误设和异常值敏感，如何构造更灵活的替代模型，并兼顾零或一边界值及层级数据的计算？
- 方法与思路
- 作者从连续二项分布出发构建 cobin 回归，再扩展为其离散程度混合模型 micobin，并提出 Kolmogorov-Gamma 数据增广以支持 Gibbs 抽样。
- 材料陈述的贡献
- 摘要称，新模型在稳健性、计算与灵活性方面具有优势，能够处理恰为零或一的结果；模拟和美国湖泊生态指标应用提供比较展示。
- 阅读关注点
- 应核对连续二项分布及混合结构的定义、边界值处理方式、数据增广的适用条件，以及相对 beta 回归的误设和异常值比较设计。
- 阅读边界
- 仅依据所给 OpenAlex 摘要版本。摘要未给出稳健性的严格定义、理论范围或数值幅度；支持纵向层级结构本身不足以判断其面板计量适用性。
原文摘要
Beta regression is used routinely for continuous proportional data, but it often encounters practical issues such as a lack of robustness to misspecification of the beta distribution and sensitivity to outliers. We develop an improved class of generalized linear models starting with the continuous binomial (cobin) distribution and further extending to dispersion mixtures of cobin distributions (micobin). The proposed cobin regression and micobin regression models have attractive robustness, computation, and flexibility properties. A key innovation is the Kolmogorov-Gamma data augmentation scheme, which facilitates Gibbs sampling for Bayesian computation, including in hierarchical cases involving nested, longitudinal, or spatial data. We demonstrate robustness, ability to handle responses exactly at the boundary (0 or 1), and computational efficiency relative to beta regression in simulation experiments and through analysis of the benthic macroinvertebrate multimetric index of US lakes using lake watershed covariates.