Bayesian methods for categorical data under informative general censoring
信息性一般删失下分类数据的贝叶斯方法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：摘要涉及分类数据与删失的一般统计方法，未提供离散选择或其他所列方向的直接依据。
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…
信息性一般删失下分类数据的贝叶斯方法
- 研究问题
- 当分类数据受到信息性删失，且报告的类别集合不遵循固定模式时，如何利用这些不完整信息进行贝叶斯分析？
- 方法与思路
- 作者提出贝叶斯分析方法，允许报告集合具有一般形式，放宽既有方法要求删失模式对应类别集合分割的限制。
- 材料陈述的贡献
- 摘要称，该方法推广了此前依赖类别集合分割的分析框架，并讨论若干扩展，但没有交代扩展内容及实际表现。
- 阅读关注点
- 阅读全文时应核对信息性删失机制如何建模、先验与似然如何构造，以及不完整报告能识别哪些类别概率。
- 阅读边界
- 仅据稿件版本未注明的索引摘要；先验、识别条件与计算步骤未说明，不能由此判断对删失机制误设的稳健性。
原文摘要
This paper develops a Bayesian approach to the problem of incomplete categorical data informatively censored where the reported sets are not restricted to follow any specific pattern. It generalises that introduced by Paulino & Pereira (1992) in not requiring a censoring pattern by partitions of the set of sampling categories. Some extensions are also discussed.