Parametric links for binary choice models: A Fisherian–Bayesian colloquy
二元选择模型的参数化链接函数：频率学派与贝叶斯的对话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：题名与摘要直接研究二元选择模型的链接函数、概率估计及推断。
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
二元选择模型的参数化链接函数：频率学派与贝叶斯的对话
- 研究问题
- 当标准 Logit 或 Probit 链接无法充分描述尾部或偏斜时，更灵活的参数链接如何影响二元概率估计与推断？
- 方法与思路
- 作者研究基于 Student t 的 Gosset 链接与基于广义 Tukey 家族的 Pregibon 链接，比较极大似然和贝叶斯方法。
- 材料陈述的贡献
- 摘要称链接误设可使条件概率相关应用产生严重偏差，MCMC 点估计表现具有竞争力，但可信区域覆盖表现更有问题。
- 阅读关注点
- 应核对尾部和偏斜参数的识别、先验与 MCMC 设置，以及倾向得分匹配例子中链接误设造成偏差的具体机制。
- 阅读边界
- 仅据所给出版社摘要；方法比较的样本设计和数值未说明，贝叶斯可信区域的频率覆盖性质也不能仅凭名义水平判断。
原文摘要
The familiar logit and probit models provide convenient settings for many binary response applications, but a larger class of link functions may be occasionally desirable. Two parametric families of link functions are investigated: the Gosset link based on the Student t latent variable model with the degrees of freedom parameter controlling the tail behavior, and the Pregibon link based on the (generalized) Tukey [lambda] family, with two shape parameters controlling skewness and tail behavior. Both Bayesian and maximum likelihood methods for estimation and inference are explored, compared and contrasted. In applications, like the propensity score matching problem discussed below, where it is critical to have accurate estimates of the conditional probabilities, we find that misspecification of the link function can create serious bias. Bayesian point estimation via MCMC performs quite competitively with MLE methods; however nominal coverage of Bayes credible regions is somewhat more problematic.