A Bayesian approach to account for misclassification in prevalence and trend estimation
误分类下流行率与趋势估计的贝叶斯方法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：摘要聚焦误分类下的二元均值、趋势及部分识别，未明确研究因果效应、分位数效应或面板结构，现有细分缺少直接对应。
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…
误分类下流行率与趋势估计的贝叶斯方法
- 研究问题
- 当二元变量存在误分类时，如何估计其真实均值及随时间的变化，并在仅能部分识别的情况下评估处方阿片类药物误用比例的趋势？
- 方法与思路
- 作者在不同误分类率假设下推导识别集，再以贝叶斯方法和多组先验开展推断，应用于2002—2014年美国药物使用与健康调查。
- 材料陈述的贡献
- 摘要给出均值及其变化的识别集；应用后验提供中年白人男性处方阿片类药物误用比例在2002—2012年上升数倍的证据。
- 阅读关注点
- 核对误分类率假设如何缩小识别集、不可识别部分如何受先验影响，以及调查口径与不同先验下趋势结论的稳定性。
- 阅读边界
- 摘要未说明误分类率约束的具体依据、先验形式及后验敏感性细节；不能仅凭所述后验证据判断趋势结论对误分类假设是否稳健。
原文摘要
Abstract In this paper, we present a Bayesian approach to estimate the mean of a binary variable and changes in the mean over time, when the variable is subject to misclassification error. These parameters are partially identified, and we derive identified sets under various assumptions about the misclassification rates. We apply our method to estimating the prevalence and trend of prescription opioid misuse, using data from the 2002–2014 National Survey on Drug Use and Health. Using a range of priors, the posterior distribution provides evidence that among middle‐aged White men, the prevalence of opioid misuse increased multiple times between 2002 and 2012.