A latent class poisson regression model for heterogeneous count data
异质计数数据的潜在类别泊松回归模型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：摘要研究异质计数回归，未明确涉及给定细分中的离散选择、分位数或分布效应等主题。
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…
异质计数数据的潜在类别泊松回归模型
- 研究问题
- 论文研究如何在泊松计数回归中同时容纳截距和解释变量系数的异质性，并将这种方法用于直邮图书购买次数的分析。
- 方法与思路
- 作者假定截距与系数的混合分布是离散的，构建有限混合泊松回归，描述用于估计的 EM 算法，并与其他异质性处理方法比较。
- 材料陈述的贡献
- 摘要所述贡献是用潜在类别同时表达截距和斜率异质性，给出相应估计算法及购买数据应用；摘要未报告比较结果的具体方向。
- 阅读关注点
- 应核对类别数量如何选择、混合模型的可识别性、EM 算法初值与收敛表现，以及比较模型采用何种拟合或预测指标。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断潜在类别是否具有实质解释、参数识别条件或相对其他模型的表现，也不能推断刊本变化。
原文摘要
Abstract In this paper an approach is developed that accommodates heterogeneity in Poisson regression models for count data. The model developed assumes that heterogeneity arises from a distribution of both the intercept and the coefficients of the explanatory variables. We assume that the mixing distribution is discrete, resulting in a finite mixture model formulation. An EM algorithm for estimation is described, and the algorithm is applied to data on customer purchases of books offered through direct mail. Our model is compared empirically to a number of other approaches that deal with heterogeneity in Poisson regression models.