Multivariate Gamma-Poisson Models
多元伽马—泊松模型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。
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：摘要明确研究两期个体纵向资料，并估计个体事件发生率的变化，因此归入面板数据方向。
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
多元伽马—泊松模型
- 研究问题
- 如何描述个体在多类重复事件中的发生次数与类型偏好，并利用两期纵向资料估计个体事件发生率的变化？摘要同时讨论横截面与纵向建模。
- 方法与思路
- 作者在横截面模型中混合狄利克雷分布，以容纳个体对特定事件类型的偏好；在两期纵向模型中允许个体发生率于第二期开始时改变。
- 材料陈述的贡献
- 摘要称，两项扩展分别用于描述工作失能、监狱违规与犯罪受害的多元分布，以及全国犯罪调查纵向研究中观察到的受害率变化。
- 阅读关注点
- 应核对混合分布如何刻画不同事件之间的关联、两期发生率变化如何估计，以及个体异质性与真实时间变化能否在所用资料中区分。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。摘要未说明参数识别条件、估计不确定性或拟合指标，不能据此判断发生率变化的因果来源或推断刊本变化。
原文摘要
This article extends the multivariate gamma-Poisson model of repeated events, developed by Arbous and Kerrich (1951) and Bates and Neyman (1952), by (a) compounding it with a Dirichlet distribution in the analysis of cross-sectional data and by (b) allowing individual rates to shift at the start of the second period in the analysis of two-period longitudinal data. The first extension allows individuals to specialize in particular types of events. The model is shown to describe multivariate distributions of work incapacities, prison infractions, and criminal victimizations. The second extension provides a framework for estimating changes in individual rates. It is used to describe the shift in victimization rates observed in longitudinal studies of the National Crime Survey.