Hierarchical Bayesian Analysis of Arrest Rates
逮捕率的层级贝叶斯分析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：摘要明确比较监禁不同罪犯群体所避免的犯罪，涉及干预效果问题，但未说明因果识别策略。
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…
逮捕率的层级贝叶斯分析
- 研究问题
- 如何比较监禁涉毒与非涉毒罪犯所避免的犯罪数量，并在利用既往逮捕记录进行校准时计入个体随机效应的不确定性？
- 方法与思路
- 作者构建层级贝叶斯模型，采用两种参考先验构造方法，并用马尔可夫链蒙特卡洛拟合洛杉矶县罪犯的抽样逮捕记录。
- 材料陈述的贡献
- 摘要称两种构造得到同一最终先验；相较简化分析，层级模型可提供计入随机效应不确定性的区间估计。
- 阅读关注点
- 应核对逮捕记录如何映射为避免犯罪数量、随机效应与参考先验设定，以及监禁效果比较需要哪些反事实或行为假设。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；避免犯罪数量的识别依据未说明，不能将模型校准直接视为已识别的因果效果。
原文摘要
A Bayesian hierarchical model provides the basis for calibrating the crimes avoided by incarceration of individuals convicted of drug offenses compared to those convicted of nondrug offenses. Two methods for constructing reference priors for hierarchical models both lead to the same prior in the final model. We use Markov chain Monte Carlo methods to fit the model to data from a random sample of past arrest records of all felons convicted of drug trafficking, drug possession, robbery, or burglary in Los Angeles County in 1986 and 1990. The value of this formal analysis, as opposed to a simpler analysis that does not use the formal machinery of a Bayesian hierarchical model, is to provide interval estimates that account for the uncertainty due to the random effects.