A state space model for multivariate longitudinal count data
多变量纵向计数数据的状态空间模型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：摘要明确使用非平稳状态空间与马尔可夫过程描述时间依赖，按时间序列方法归类，实际应用为公共卫生数据。
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
多变量纵向计数数据的状态空间模型
- 研究问题
- 如何用非平稳状态空间模型描述多类别计数随时间的变化，并判断平稳性选择如何影响对长期感染率下降的证据评价？
- 方法与思路
- 作者以潜在 gamma 马尔可夫过程驱动泊松计数，使其给定潜在过程后跨时间与类别条件独立，并用 Kalman 平滑器估计。
- 材料陈述的贡献
- 摘要称，模型允许时变协变量进入计数层或潜在过程层；小儿麻痹症数据重分析显示平稳性选择影响长期趋势的判断。
- 阅读关注点
- 应核对潜在过程的非平稳设定、条件独立假设、Kalman 平滑在该模型中的实现，以及两层残差诊断的作用。
- 阅读边界
- OpenAlex 索引摘要未注明稿件版本，未给出趋势估计数值或算法细节；条件独立不意味着观测计数在边际上独立。
原文摘要
We propose a nonstationary state space model for multivariate longitudinal count data driven by a latent gamma Markov process. The Poisson counts are assumed to be conditionally independent given the latent process, both over time and across categories. We consider a regression model where time-varying covariates may enter via either the Poisson model or the latent gamma process. Estimation is based on the Kalman smoother, and we consider analysis of residuals from both the Poisson model and the latent process. A reanalysis of Zeger's (1988) polio data shows that the choice between a stationary and nonstationary model is crucial for the correct assessment of the evidence of a long-term decrease in the rate of U.S. polio infection. Keywords:EM algorithm; Estimation function; Generalised linear model; Kalman filter; Kalman smoother; Latent process; Mixed Poisson distribution; Overdispersion; Regression model; Residual analysis; Time-varying covariate.