Regression models for ordinal compositional data
有序组成数据的回归模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究通用有序组成回归，未明确讨论分布处理效应或其他所列领域的专门问题。
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…
有序组成数据的回归模型
- 研究问题
- 如何对教育层级占比、汇总等级量表等有序组成数据进行可解释回归，同时保留类别顺序、比例约束并处理边界零值？
- 方法与思路
- 作者采用列随机变换矩阵约束，以加权一阶Wasserstein距离为损失，将估计写为线性规划，并用有序张量积处理多组成预测变量的交互。
- 材料陈述的贡献
- 摘要称提出统一的无变换框架、全局最优的线性规划解、正则化和诊断指标；模拟及两个应用展示其预测表现与解释能力。
- 阅读关注点
- 应核对四种回归情形的定义、类别间权重和距离如何选取，以及线性规划的全局最优性适用于哪些目标和约束。
- 阅读边界
- 这是arXiv第1版预印本，不能据此声称已同行评审或期刊接收；摘要未给出具体模拟结果，也不足以判断其一般统计推断性质。
原文摘要
We present a unified, transformation-free linear regression framework tailored for ordinal compositional data, such as distributions across educational levels or aggregate Likert-scale survey responses. Traditional log-ratio approaches often obscure interpretability, ignore the inherent ordering of categories, and struggle with boundary zero values. To overcome these limitations, we propose a deterministic model constrained to the space of column-stochastic transformation matrices, naturally preserving the fundamental geometry of the simplex. By adopting the weighted 1-Wasserstein distance as the loss function, our method directly embeds the ordinal nature of the data into the estimation process. We provide a computationally efficient and globally optimal solution explicitly formulated as a Linear Programming (LP) problem. The framework systematically addresses four distinct regression scenarios, introducing a novel ordinal tensor product to rigorously handle interactions across multiple compositional predictors. Furthermore, we equip the model with a suitable regularization strategy and novel diagnostic tools, including a Wasserstein-based coefficient of determination ($R^2_W$) and an Order Preservation Index (OPI). Extensive simulation studies and two empirical applications demonstrate the robust predictive performance and interpretability of the proposed methodology.