Modelling spatial heterogeneity in the effects of area-level covariates on income distributions using Bayesian nonparametric methods
用贝叶斯非参数方法建模区域协变量与收入分布关系的空间异质性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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接建模地区收入密度及协变量关联的空间异质性，支持分布分析；潜在密度因子并不直接对应宏观或金融因子模型。
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
用贝叶斯非参数方法建模区域协变量与收入分布关系的空间异质性
- 研究问题
- 收入分布如何随地区与区域协变量变化，如何通过共享潜在密度描述这种异质性，并比较不同空间和年份中的分布关联？
- 方法与思路
- 作者提出含协变量的归一化潜在测度因子模型，将相关密度表示为潜在因子密度混合，以自适应 Gibbs 采样推断因子数。
- 材料陈述的贡献
- 摘要称，模型纳入空间及协变量作用，并提供跨数据集后验比较的旋转方法；美国微观数据应用分析不同收入层次的潜在密度。
- 阅读关注点
- 应核对混合权重与空间协变量的关系、因子数推断和旋转识别，以及性别、种族与教育变量如何进入模型并进行跨年比较。
- 阅读边界
- 仅据 arXiv 预印本摘要，同行评审或期刊接收未核实；先验和计算细节未说明，协变量关联尚不能仅凭摘要认定为因果效应。
原文摘要
Understanding the how the distribution of an economic outcome, such as income, changes with respect to space and covariates is a key concern for policy makers. To address this, we develop a Bayesian nonparametric model, the Normalised Latent Measure Factor Model with Covariates (NLMFM-C), which expresses a large collection of related densities as mixtures of latent factor densities and allows for spatial and covariate effects. We propose an adaptive Gibbs sampler to automatically infer the number of latent factor distributions, and a rotation method to make posterior inference on different data sets comparable. We apply the NLMFM-C model to Public Use Microdata Sample (PUMS) data, focusing on income distributions for sub-areas of four U.S. states over to different years, 2016 and 2020. We show that the latent factor distributions can be interpreted by income level (e.g., low, medium, and high) and investigate the spatially- and time-changing impact of three covariates: gender, race and educational attainment.