Statistics: An All-Encompassing Discipline
统计学：一门包罗万象的学科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：摘要虽提及营销数据，但方法是通用计数分布混合，没有明确离散选择或经济结构估计，且题名摘要存在对应疑点。
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
统计学：一门包罗万象的学科
- 研究问题
- 所给摘要实际讨论计数数据建模：如何突破泊松混合难以表达欠离散的限制，并兼容多元计数与其他类型变量？
- 方法与思路
- 作者提出对取整后的连续核进行非参数混合，开发 Gibbs 抽样计算后验，并以取整高斯情形扩展到多元及混合类型数据。
- 材料陈述的贡献
- 摘要称，该框架提供了计数数据的替代模型、后验计算算法及多类扩展，并通过模拟、发育毒性研究和营销数据展示应用。
- 阅读关注点
- 应首先核对题名、摘要与 DOI 是否属于同一论文，再检查取整映射、先验设定、欠离散表达能力及 Gibbs 抽样的实现。
- 阅读边界
- 所给题名与摘要主题明显不一致，可能存在元数据错配。这里只解读版本未注明的 OpenAlex 摘要，不能确认论文归属或推断刊本变化。
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.