Hierarchical Poisson Regression Modeling
层级泊松回归建模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：摘要讨论通用层级计数回归与收缩估计，没有明确的离散选择、经济结构估计或其他所列细分依据。
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
层级泊松回归建模
- 研究问题
- 层级泊松模型中，如何通过个体参数分布和收缩先验缓解方差分量最大似然估计的不良行为，并改善估计表现？
- 方法与思路
- 作者采用非交换的伽马分布描述个体参数，使标准差与均值成比例，并设置相对非信息性的收缩先验进行计算。
- 材料陈述的贡献
- 摘要称模拟中该程序较若干已有规则覆盖率更好、风险更小，并提供个体参数及回归系数的快速密度近似。
- 阅读关注点
- 应核对尺度变换后的交换性、收缩先验的具体形式，以及风险定义、覆盖率比较和密度近似精度的评估。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；比较规则、模拟条件及数值未提供，所述程序公开状态也未经核验。
原文摘要
The Poisson model and analyses here feature nonexchangeable gamma distributions (although exchangeable following a scale transformation) for individual parameters, with standard deviations proportional to means. A relatively uninformative prior distribution for the shrinkage values eliminates the ill behavior of maximum likelihood estimators of the variance components. When tested in simulation studies, the resulting procedure provides better coverage probabilities and smaller risk than several other published rules, and thus works well from Bayesian and frequentist perspectives alike. The computations provide fast, accurate density approximations to individual parameters and to structural regression coefficients. The computer program is publicly available through Statlib.