Analysis of Patent Data: A Mixed-Poisson-Regression-Model Approach
专利数据分析：混合泊松回归模型方法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：摘要研究企业专利计数的混合泊松回归，未说明面板结构、因果识别或经济结构模型，故不据此细分。
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…
专利数据分析：混合泊松回归模型方法
- 研究问题
- 企业研发支出与专利数量之间的关系如何在存在过度离散时建模？论文关注混合分布设定及其对模型选择和参数估计的影响。
- 方法与思路
- 作者采用有限混合泊松回归，在泊松强度和混合概率中同时加入协变量，并讨论用 EM 与拟牛顿算法进行最大似然估计。
- 材料陈述的贡献
- 摘要称，模拟中惩罚似然准则可用于选择模型及混合分布的支持形式；混合分布误设时，参数估计仍无偏但方差增大。
- 阅读关注点
- 应核对混合成分数与识别条件、协变量进入混合概率的方式、算法收敛及局部极值，以及模拟中误设的类型和无偏性的判断依据。
- 阅读边界
- 摘要未说明企业数据结构、具体选择准则和模拟设定；模拟中的无偏性表述不能直接视为一般定理，也不能将研发关系解释为因果效应。
原文摘要
Count-data models are used to analyze the relationship between patents and research and development spending at the firm level, accounting for overdispersion using a finite mixed Poisson regression model with covariates in both Poisson rates and mixing probabilities. Maximum likelihood estimation using the EM and quasi-Newton algorithms is discussed. Monte Carlo studies suggest that (1) penalized likelihood criteria are a reliable basis for model selection and can be used to determine whether continuous or finite support for the mixing distribution is more appropriate and (2) when the mixing distribution is incorrectly specified, parameter estimates remain unbiased but have inflated variances.