Markov Chain Monte Carlo Analysis of Correlated Count Data
相关计数数据的马尔可夫链蒙特卡洛分析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：摘要围绕相关计数与潜在效应的一般建模，未提供离散选择、面板或网络干扰的明确背景，现有细分分类证据不足。
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
相关计数数据的马尔可夫链蒙特卡洛分析
- 研究问题
- 如何为多变量相关计数建立统计模型，利用潜在效应刻画计数之间的关联，并在不同潜在分布设定下完成模型估计？
- 方法与思路
- 作者以相关潜在效应表示计数间的相关性，讨论模型特例，并开发经调校的MCMC算法，分别采用多元正态与多元t潜在分布。
- 材料陈述的贡献
- 作者提出一类相关计数模型及配套MCMC估计算法，并以六维和十六维相关计数的两个真实数据案例说明方法的使用。
- 阅读关注点
- 阅读全文时应核对计数的条件分布、潜在相关结构与参数可识别性，并检查MCMC调校、收敛诊断及不同潜在分布的敏感性。
- 阅读边界
- 摘要未说明两组数据的来源、计数分布、先验设定或计算诊断，因而无法判断算法效率、估计精度及对其他计数数据的适用性。
原文摘要
This article is concerned with the analysis of correlated count data. A class of models is proposed in which the correlation among the counts is represented by correlated latent effects. Special cases of the model are discussed and a tuned and efficient Markov chain Monte Carlo algorithm is developed to estimate the model under both multivariate normal and multivariate-t assumptions on the latent effects. The methods are illustrated with two real data examples of six and sixteen variate correlated counts.