A Finite Mixture Distribution for Modelling Multinomial Extra Variation
用于多项数据额外变异建模的有限混合分布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：摘要研究成簇抽样造成的分类数据过度离散，未涉及个体选择行为，因此不足以归入离散选择等所列细分方向。
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
用于多项数据额外变异建模的有限混合分布
- 研究问题
- 当分类数据的过度离散被认为来自成簇抽样时，如何构造合适的概率模型，并比较最大似然与拟似然估计的渐近效率？
- 方法与思路
- 作者采用多项随机变量的有限混合分布建模，利用混合表示计算最大似然估计，并在簇规模较大时近似 Fisher 信息矩阵。
- 材料陈述的贡献
- 摘要称，有限混合表示便于最大似然计算，并给出大簇条件下的信息矩阵近似及最大似然相对拟似然的联合渐近效率表达式。
- 阅读关注点
- 应核对成簇抽样如何进入混合结构、混合权重与参数能否识别，以及大簇近似的条件、误差和效率比较所针对的参数。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未说明具体混合结构及效率数值，不能把大簇近似或效率比较推广至任意样本。
原文摘要
We propose a new distribution to model categorical data exhibiting overdispersion when the overdispersion is believed to be caused by clumped sampling. The proposed distribution is a finite mixture of multinomial random variables. The finite mixture representation facilitates computation of the maximum likelihood estimator. For large cluster sizes, we derive an approximation for the Fisher information matrix of the model, and an explicit expression for the joint asymptotic efficiency of the maximum likelihood estimator relative to a quasi-likelihood estimator. Some key words: Clumped data; Clusters; Dirichlet-multinomial distribution; Fisher information matrix; Quasi-likelihood estimator.