Flexible generalized t-link models for binary response data
二元响应数据的灵活广义 t 链接模型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：摘要直接研究二元响应回归的链接函数，与离散结果建模方法对应。
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
二元响应数据的灵活广义 t 链接模型
- 研究问题
- 在二元响应回归中，如何通过链接函数分别调整尾部厚度与尺度，并改善未知形状参数的可识别性及非对称建模灵活性？
- 方法与思路
- 作者基于广义 t 分布构造对称与偏斜链接，研究其理论性质，开发后验 MCMC 算法，并用偏差信息准则辅助选择链接。
- 材料陈述的贡献
- 摘要称，对称链接的未知形状参数更易识别，偏斜链接提供更灵活的回归模型；方法以术前列腺癌数据为动机和示例。
- 阅读关注点
- 应核对链接的参数化与尺度识别约束、可识别性的比较依据，并检查偏斜扩展、先验选择、MCMC 和模型选择结果。
- 阅读边界
- 依据版本未注明的索引摘要；识别比较的条件及改进幅度未说明，不能认为广义 t 链接在所有二元响应问题中更好。
原文摘要
A critical issue in modelling binary response data is the choice of the links. We introduce a new link based on the generalized t-distribution. There are two parameters in the generalized t-link: one parameter purely controls the heaviness of the tails of the link and the second parameter controls the scale of the link. Two major advantages are offered by the generalized t-links. First, a symmetric generalized t-link with an unknown shape parameter is much more identifiable than a Student t-link with unknown degrees of freedom and a known scale parameter. Secondly, skewed generalized t-links with both unknown shape and scale parameters provide much more flexible and improved skewed link regression models than the existing skewed links. Various theoretical properties and attractive features of the proposed links are examined and explored in detail. An efficient Markov chain Monte Carlo algorithm is developed for sampling from the posterior distribution. The deviance information criterion measure is used for guiding the choice of links. The proposed methodology is motivated and illustrated by prostate cancer data.