Analysis of Patent Data—A Mixed-Poisson-Regression-Model Approach
专利数据分析：混合泊松回归模型方法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：摘要研究企业计数回归与混合分布选择，未直接涉及所列领域中的因果识别、结构估计或分布效应。
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…
专利数据分析：混合泊松回归模型方法
- 研究问题
- 企业专利数量与研发支出有何关系，如何处理计数数据的过度离散？研究还关注混合分布形式的选择及其误设对参数估计的影响。
- 方法与思路
- 作者建立有限混合泊松回归，让泊松强度与混合概率均依赖协变量，并讨论使用 EM 和拟牛顿算法的极大似然估计及蒙特卡洛评估。
- 材料陈述的贡献
- 摘要称，模拟支持惩罚似然准则用于选择连续或有限支持的混合分布；在所考察的误设情形下，参数估计仍无偏，但方差增大。
- 阅读关注点
- 阅读时应核对混合成分的设定与可识别性、模型选择准则、算法收敛处理，并检查误设模拟中无偏结论对应哪些参数与样本情形。
- 阅读边界
- 摘要未给出企业样本、模型选择准确率或误设模拟细节；模拟中的无偏表现不能视为一般定理，专利与研发关系也未被确认为因果关系。
原文摘要
Count-data models are used to analyze the relationship between patents and research and development spending at the firm level, accounting for overdispersion using a finite mixed Poisson regression model with covariates in both Poisson rates and mixing probabilities. Maximum likelihood estimation using the EM and quasi-Newton algorithms is discussed. Monte Carlo studies suggest that (a) penalized likelihood criteria are a reliable basis for model selection and can be used to determine whether continuous or finite support for the mixing distribution is more appropriate and (b) when the mixing distribution is incorrectly specified, parameter estimates remain unbiased but have inflated variances.