Bayesian Latent Variable Models for Clustered Mixed Outcomes
聚类混合型结果的贝叶斯潜变量模型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：摘要涉及聚类混合型结果的通用统计建模，未明确经济选择机制或面板结构，现有细分方向不足以直接对应。
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
聚类混合型结果的贝叶斯潜变量模型
- 研究问题
- 如何联合建模具有聚类或多层结构的混合型结果，同时允许各潜变量采用不同的连接函数、误差分布和协变量效应？
- 方法与思路
- 作者用广义线性模型的混合描述潜变量联合分布，再通过函数映射到观测结果，并用 MCMC 估计参数与潜变量后验。
- 材料陈述的贡献
- 摘要称该框架涵盖聚类多重二元、无序分类及离散与连续联合结果，并以生殖毒性研究数据展示方法的应用。
- 阅读关注点
- 阅读时应核对潜变量到观测结果的映射、聚类依赖的表达、参数识别与先验设定，以及 MCMC 的实现和收敛诊断。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断具体识别条件、先验敏感性及计算稳定性；所称扩展便利也需全文支持。
原文摘要
Summary A general framework is proposed for modelling clustered mixed outcomes. A mixture of generalized linear models is used to describe the joint distribution of a set of underlying variables, and an arbitrary function relates the underlying variables to be observed outcomes. The model accommodates multilevel data structures, general covariate effects and distinct link functions and error distributions for each underlying variable. Within the framework proposed, novel models are developed for clustered multiple binary, unordered categorical and joint discrete and continuous outcomes. A Markov chain Monte Carlo sampling algorithm is described for estimating the posterior distributions of the parameters and latent variables. Because of the flexibility of the modelling framework and estimation procedure, extensions to ordered categorical outcomes and more complex data structures are straightforward. The methods are illustrated by using data from a reproductive toxicity study.