Transform-Both-Sides Approach for Overdispersed Binomial Data When N is Unobserved
试验次数未观测时过度离散二项数据的两侧变换方法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：摘要讨论过度离散回归与变换估计，二项分布本身不足以构成经济离散选择模型的证据。
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
试验次数未观测时过度离散二项数据的两侧变换方法
- 研究问题
- 当二项数据的试验次数未被观测且会变化，并存在过度离散时，如何估计协变量相关的回归参数？
- 方法与思路
- 作者采用响应与模型两侧同变换的方法，依据一阶渐近方差稳定化构造单参数反正弦变换族，并研究渐近性质。
- 材料陈述的贡献
- 摘要称该变换族包含平方根与反正弦变换；模拟中，中度过度离散时该族更有效率，并给出放射生物学应用。
- 阅读关注点
- 应核对未观测试验次数的建模方式、变换参数估计及渐近条件，查看中度过度离散的定义与模拟效率指标。
- 阅读边界
- 仅有版本未注明的 OpenAlex 索引摘要；未提供模型条件或效率数值，不能将中度过度离散下的比较推广到其他情形或刊本。
原文摘要
A common complication in analyzing binomial data is overdispersion, where the observed variation exceeds that predicted from the binomial distribution with parameters N and P. We consider the situation where N is not observed and variable. To estimate the regression parameters associated with covariates, we apply the transform-both-sides method. Based on the first-order asymptotic variance stabilizing transformation, we develop the arcsine transformation family indexed by a single parameter. This family includes the square root and the arcsine transformations as special cases. Asymptotic properties of the transformation methods are obtained. Simulation study indicates that the arcsine transformation family is more efficient than the square root and arcsine transformations when there is moderate overdispersion. These approaches are applied to a data set from radiobiology.