Nonparametric Bayes Stochastically Ordered Latent Class Models
具有随机序约束的非参数贝叶斯潜在类别模型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：摘要涉及通用潜在类别模型与医疗分布排序，尚不足以直接归入所列计量领域细分。
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…
具有随机序约束的非参数贝叶斯潜在类别模型
- 研究问题
- 如何让预测变量灵活影响潜在类别分配，并减少类别内参数分布设定对多变量或纵向数据分析的影响？
- 方法与思路
- 作者提出非参数贝叶斯潜在类别模型，使类别内分布保持未知但满足随机序约束，并用MCMC进行后验计算。
- 材料陈述的贡献
- 摘要称该模型结合灵活的类别分配与类别内分布建模，通过模拟检验方法，并用于按患者患病状况分布排序医疗程序。
- 阅读关注点
- 阅读全文时应核对随机序约束的定义、类别分配机制、先验设定及MCMC收敛诊断，并了解医疗程序排序的不确定性。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。摘要未说明约束条件、先验敏感性或模拟细节，不能推断刊本变化或排序的因果含义。
原文摘要
Latent class models (LCMs) are used increasingly for addressing a broad variety of problems, including sparse modeling of multivariate and longitudinal data, model-based clustering, and flexible inferences on predictor effects. Typical frequentist LCMs require estimation of a single finite number of classes, which does not increase with the sample size, and have a well-known sensitivity to parametric assumptions on the distributions within a class. Bayesian nonparametric methods have been developed to allow an infinite number of classes in the general population, with the number represented in a sample increasing with sample size. In this article, we propose a new nonparametric Bayes model that allows predictors to flexibly impact the allocation to latent classes, while limiting sensitivity to parametric assumptions by allowing class-specific distributions to be unknown subject to a stochastic ordering constraint. An efficient MCMC algorithm is developed for posterior computation. The methods are validated using simulation studies and applied to the problem of ranking medical procedures in terms of the distribution of patient morbidity.