A finite mixture distribution for modelling multinomial extra variation
用于多项分布额外变异建模的有限混合分布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：摘要研究成团类别数据的概率分布与过度离散，没有效用、选择行为或离散选择结构的直接证据。
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
用于多项分布额外变异建模的有限混合分布
- 研究问题
- 当类别数据的过度离散被认为来自成团抽样时，如何构造比普通多项分布更合适的模型，并比较最大似然与准似然估计的效率？
- 方法与思路
- 作者提出多项随机变量的有限混合分布以刻画额外变异，利用混合表示计算最大似然估计，并在大簇规模下近似 Fisher 信息矩阵。
- 材料陈述的贡献
- 摘要称，有限混合表示便于似然计算，并给出大簇规模下的信息矩阵近似及最大似然相对准似然估计的联合渐近效率显式表达式。
- 阅读关注点
- 阅读全文时应核对成团抽样机制、混合成分与参数可辨识性、大簇近似条件，以及渐近效率比较采用的参数对象和渐近框架。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；混合结构、效率表达式和有限簇表现未说明，类别数据本身不意味着离散选择行为模型。
原文摘要
We propose a new distribution to model categorical data exhibiting overdispersion when the overdispersion is believed to be caused by clumped sampling. The proposed distribution is a finite mixture of multinomial random variables. The finite mixture representation facilitates computation of the maximum likelihood estimator. For large cluster sizes, we derive an approximation for the Fisher information matrix of the model, and an explicit expression for the joint asymptotic efficiency of the maximum likelihood estimator relative to a quasi-likelihood estimator. Some key words: Clumped data; Clusters; Dirichlet-multinomial distribution; Fisher information matrix; Quasi-likelihood estimator.