Bayesian residual analysis for binary response regression models
二元响应回归模型的贝叶斯残差分析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：摘要直接研究二元响应回归及 probit 模型的残差诊断，与离散响应模型相关。
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
二元响应回归模型的贝叶斯残差分析
- 研究问题
- 二元响应使经典残差难以定义和解释，能否用连续取值的贝叶斯残差后验分布识别异常观测并辅助诊断？
- 方法与思路
- 作者提出观测减拟合值残差及基于容限随机变量的潜在数据残差，绘制其后验分布，并在 probit 模型和例子中说明。
- 材料陈述的贡献
- 摘要称两类残差有助于异常值分析；在 probit 设定下，潜在数据残差的先验标准正态性质使其后验分布较易解释。
- 阅读关注点
- 应核对容限随机变量和潜在残差的定义、先验与后验分布的区别，以及图形诊断如何与经典异常值方法比较。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要。先验标准正态不代表后验仍为标准正态，异常识别的误报率和普遍优势未说明。
原文摘要
In a binary response regression model, classical residuals are difficult to define and interpret due to the discrete nature of the response variable. In contrast, Bayesian residuals have continuous-valued posterior distributions which can be graphed to learn about outlying observations. Two definitions of Bayesian residuals are proposed for binary regression data. Plots of the posterior distributions of the basic ‘observed –fitted’ residuals can be helpful in outlier detection. Alternatively, the notion of a tolerance random variable can be used to define latent data residuals that are functions of the tolerance random variables and the parameters. In the probit setting, these residuals are attractive in that a priori they are a sample from a standard normal distribution, and therefore the corresponding posterior distributions are easy to interpret. These residual definitions are illustrated in examples and contrasted with classical outlier detection methods for binary data.