Systematic simulation of age-period-cohort analysis: Demonstrating bias of Bayesian regularization
年龄—时期—队列分析的系统模拟：贝叶斯正则化偏差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：摘要重点是年龄—时期—队列识别与正则化，未充分对应所列面板、结构变化或动态时间序列细分。
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
年龄—时期—队列分析的系统模拟：贝叶斯正则化偏差
- 研究问题
- 年龄、时期与队列效应的线性部分存在识别问题时，不同贝叶斯正则化模型能否恢复人工参数，又会引入何种偏差？
- 方法与思路
- 作者组合三类效应的线性成分生成十三种人工数据，比较采用正态先验的随机效应、岭回归和随机游走模型的参数恢复。
- 材料陈述的贡献
- 摘要称，随机游走模型在十三种情形中有十种恢复较好，另两类各有四种；正则化约束可能将队列线性成分压向零。
- 阅读关注点
- 应核对模拟中线性成分的构造、参数恢复的判据、先验与指标权重的关系，以及随机游走缓解偏差的具体情形。
- 阅读边界
- 这是 arXiv 预印本，同行评审状态未经核实。摘要未交代恢复成功的数值标准，有限模拟结果不能建立普遍优劣次序。
原文摘要
Age-period-cohort (APC) analysis is one of the fundamental time-series analyses used in the social sciences. This paper evaluates APC analysis via systematic simulation in term of how well the artificial parameters are recovered. We consider three models of Bayesian regularization using normal prior distributions: the random effects model with reference to multilevel analysis, the ridge regression model equivalent to the intrinsic estimator, and the random walk model referred to as the Bayesian cohort model. The proposed simulation generates artificial data through combinations of the linear components, focusing on the fact that the identification problem affects the linear components of the three effects. Among the 13 cases of artificial data, the random walk model recovered the artificial parameters well in 10 cases, while the random effects model and the ridge regression model did so in 4 cases. The cases in which the models failed to recover the artificial parameters show the estimated linear component of the cohort effects as close to zero. In conclusion, the models of Bayesian regularization in APC analysis have a bias: the index weights have a large influence on the cohort effects and these constraints drive the linear component of the cohort effects close to zero. However, the random walk model mitigates underestimating the linear component of the cohort effects.