Bayesian Methods for Categorical Data Under Informative General Censoring
信息性一般删失下分类数据的贝叶斯方法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：摘要研究不完整分类数据与删失机制，没有选择行为模型，故不因分类变量而归入离散选择方向。
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…
信息性一般删失下分类数据的贝叶斯方法
- 研究问题
- 对于信息性删失造成的不完整分类数据，若报告的类别集合不遵循固定分割模式，如何开展贝叶斯分析？
- 方法与思路
- 作者提出处理一般报告集合的贝叶斯方法，放宽既有方法要求删失模式由抽样类别集合的分割构成的限制。
- 材料陈述的贡献
- 摘要称将此前的分类数据贝叶斯方法推广至不受特定模式限制的报告集合，并讨论若干扩展，但未说明扩展细节。
- 阅读关注点
- 应核对信息性删失机制的建模、报告集合的生成方式、先验与似然构造，以及放宽分割限制后的可识别性和计算。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；机制假设、先验和计算细节未提供，不能认为任意信息性删失均可可靠处理。
原文摘要
This paper develops a Bayesian approach to the problem of incomplete categorical data informatively censored where the reported sets are not restricted to follow any specific pattern. It generalises that introduced by Paulino & Pereira (1992) in not requiring a censoring pattern by partitions of the set of sampling categories. Some extensions are also discussed.