Bayesian factor zero-inflated Poisson model for multiple grouped count data
多维分组计数数据的贝叶斯因子零膨胀泊松模型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。
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：摘要属于一般多维分组计数与贝叶斯因子建模，未涉及宏观或金融因子，也未明确离散选择机制，细分证据不足。
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
多维分组计数数据的贝叶斯因子零膨胀泊松模型
- 研究问题
- 对于只能观测计数所属区间的多维数据，如何联合建模零膨胀相关概率与泊松计数之间的关联，并高效进行贝叶斯后验计算？
- 方法与思路
- 作者以链接函数和因子结构刻画关联，用分组端点处累积分布函数之差构造似然，并结合潜在计数、Pólya-Gamma 增广及参数扩展。
- 材料陈述的贡献
- 摘要提出适用于多维分组计数的贝叶斯因子模型及计算方案，以模拟和青少年参与十九类违法活动的数据展示方法有效性。
- 阅读关注点
- 应核对零膨胀概率与计数部分的关联结构、分组机制和因子识别，尤其检查泊松近似的误差以及后验计算的收敛与效率。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实。摘要未给出近似精度、计算比较或实证结果，不能据此确认普遍计算优势。
原文摘要
This paper proposes a computationally efficient Bayesian factor model for multiple grouped count data. Adopting the link function approach, the proposed model can capture the association within and between the at-risk probabilities and Poisson counts over multiple dimensions. The likelihood function for the grouped count data consists of the differences of the cumulative distribution functions evaluated at the endpoints of the groups, defining the probabilities of each data point falling in the groups. The combination of the data augmentation of underlying counts, the Pólya-Gamma augmentation to approximate the Poisson distribution, and parameter expansion for the factor components is used to facilitate posterior computing. The efficacy of the proposed factor model is demonstrated using the simulated data and real data on the involvement of youths in the nineteen illegal activities.