Bayesian Semiparametric Isotonic Regression for Count Data
计数数据的贝叶斯半参数保序回归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：摘要研究一般计数响应的单调回归与关联推断，未明确涉及因果识别、选择行为或所列其他细分方向。
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…
关注这篇论文的作者
计数数据的贝叶斯半参数保序回归
- 研究问题
- 如何在调整协变量后，估计连续预测变量与计数响应之间的非递减关系，并评估无关联及局部上升的假设？
- 方法与思路
- 作者用泊松分布的狄利克雷过程混合描述条件响应分布，构造满足单调约束的函数先验，并通过超先验共享信息、以MCMC计算后验。
- 材料陈述的贡献
- 摘要称该先验对无关联假设赋予正概率，支持不同预测变量区间的信息共享和局部上升检验，并用睡眠问题与肥胖数据展示方法。
- 阅读关注点
- 应核对单调函数先验和无关联概率的具体定义、超先验对局部推断的影响，以及MCMC收敛诊断和应用中的协变量处理。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；先验敏感性、计算表现和应用结论未详述，关联分析不能直接解释为因果效应。
原文摘要
This article proposes a semiparametric Bayesian approach for inference on an unknown isotonic regression function, f(x), characterizing the relationship between a continuous predictor, X, and a count response variable, Y, adjusting for covariates, Z. A Dirichlet process mixture of Poisson distributions is used to avoid parametric assumptions on the conditional distribution of Y given X and Z. Then, to also avoid parametric assumptions on f(x), a novel prior formulation is proposed that enforces the nondecreasing constraint and assigns positive prior probability to the null hypothesis of no association. Through the use of carefully tailored hyperprior distributions, we allow for borrowing of information across different regions of X in estimating f(x) and in assessing hypotheses about local increases in the function. Due to conjugacy properties, posterior computation is straightforward using a Markov chain Monte Carlo algorithm. The methods are illustrated using data from an epidemiologic study of sleep problems and obesity.