A New Family of Regression Models for $[0,1]$ Outcome Data: Expanding the Palette
适用于闭区间 [0,1] 结果变量的新回归模型族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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要核心是一般闭区间结果的均值回归模型，医疗面板仅为应用，未明确提出面板或分布效应方法。
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
适用于闭区间 [0,1] 结果变量的新回归模型族
- 研究问题
- 当结果变量同时包含零、一及区间内部取值时，能否用一个统一模型描述其条件期望，避免端点重缩放、增广或删失建模？
- 方法与思路
- 作者构建覆盖闭区间 [0,1] 的回归模型族，分析唯一最大似然估计存在的条件，同时研究贝叶斯估计，并用于就业与医疗面板数据。
- 材料陈述的贡献
- 摘要称新模型可统一处理端点与内部取值，并提供单一均值解释；作者建立唯一最大似然估计的存在条件，展示两个实证应用。
- 阅读关注点
- 应核对模型如何表示端点概率、均值链接及参数约束，唯一估计的存在条件，以及数据分离和医疗面板相关性如何处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明模型分布、存在条件或比较结果，不能判断其对端点机制和面板依赖的适用性。
原文摘要
Beta regression is a popular methodology when the outcome variable $y$ is on the open interval $(0,1)$. When $y$ is in the closed interval $[0,1]$, it is commonly accepted that beta regression is inapplicable. Instead, common solutions are to use augmented beta regression or censoring models or else to subjectively rescale the endpoints to allow beta regression. We provide an attractive new approach with a family of models that treats the entirety of $y\in[0,1]$ in a single model without rescaling or the need for the complications of augmentation or censoring. This family provides the interpretational convenience of a single straightforward model for the expectation of $y \in [0,1]$ over its entirety. We establish the conditions for the existence of a unique MLE and then examine this new family of models from both maximum-likelihood and Bayesian perspectives. We successfully apply the models to employment data in which augmented beta regression was difficult due to data separation. We also apply the models to healthcare panel data that were originally examined by way of rescaling.