Bayesian Kernel Mixtures for Counts
计数数据的贝叶斯核混合模型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：摘要研究一般计数分布混合，营销应用和类别变量联合建模不足以证明属于离散选择或其他所列方向。
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
计数数据的贝叶斯核混合模型
- 研究问题
- 如何为计数数据构造比 Poisson 混合更灵活的贝叶斯非参数模型，容纳方差小于均值的分布，并扩展到多变量及混合类型数据？
- 方法与思路
- 作者提出对连续核取整后进行非参数混合，开发 Gibbs 后验采样器，并以取整高斯核扩展多变量计数及连续、类别变量联合建模。
- 材料陈述的贡献
- 摘要提出新的计数分布混合框架及后验计算方法，开展模拟，并以发育毒性研究和营销数据展示应用；摘要未报告具体性能优势。
- 阅读关注点
- 应核对取整规则、核及混合先验的选择，检查欠离散分布的表达能力、变量间依赖构造，以及模拟指标和 Gibbs 采样诊断。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；先验细节、拟合保证和模拟数值未说明，不能据此认定全面优于现有方法或推断刊本变化。
原文摘要
Although Bayesian nonparametric mixture models for continuous data are well developed, there is a limited literature on related approaches for count data. A common strategy is to use a mixture of Poissons, which unfortunately is quite restrictive in not accounting for distributions having variance less than the mean. Other approaches include mixing multinomials, which requires finite support, and using a Dirichlet process prior with a Poisson base measure, which does not allow smooth deviations from the Poisson. As a broad class of alternative models, we propose to use nonparametric mixtures of rounded continuous kernels. An efficient Gibbs sampler is developed for posterior computation, and a simulation study is performed to assess performance. Focusing on the rounded Gaussian case, we generalize the modeling framework to account for multivariate count data, joint modeling with continuous and categorical variables, and other complications. The methods are illustrated through applications to a developmental toxicity study and marketing data. This article has supplementary material online.